普适医疗中的辅助系统设计与实施

© 2013 Bingchuan Yuan，John Herbert.出版社：ElsevierB.V.由美国应用科学研究所负责选择和/或同行评审可在www.sciencedirect.com在线获取ScienceDirectAASRI Procedia 4（2013）268 - 2742013年AASRI智能系统与控制用于辅助医疗保健袁炳川，约翰·赫伯特爱尔兰科克大学计算机科学系摘要当普适计算用于提供技术驱动的辅助医疗保健时，需要系统尽可能复杂和适应性强，同时对受试者和护理人员尽可能透明。一个个性化的，可扩展的混合推理框架已实现的CARA（上下文感知实时助理）系统，旨在满足这些设计目标。它提供情境感知传感器数据融合（包括医疗和环境传感器），并集成了支持日常生活活动（ADL）分析和警报生成的异常检测机制。混合推理架构结合了基于规则和基于案例的推理;这使得CARA更加强大，并通过不断重新训练新案例来适应不断变化的环境。智能家居中用于异常检测的规则以结构化的自然语言给出，允许受试者或护理人员检查并在适当时修改这些规则;这支持透明度的目标。关于基于案例的推理部分，提请注意在所用评价标准和对结果的解释中出现的透明度问题。© 2013作者。由Elsevier B. V.在CC BY-NC-ND许可下开放获取。由美国应用科学研究所负责选择和/或同行评审关键词：普适医疗;案例推理;规则系统;智能家居1. 介绍医疗保健的提供越来越多地涉及使用普及计算技术来支持独立生活，并避免昂贵的医院护理[1]。普遍和情境感知应用[2]已被广泛认为是为老年人提供日常生活活动（ADL）分析的有前途的解决方案，特别是那些患有慢性疾病的老年人，以及减少长期医疗保健2212-6716 © 2013作者由Elsevier B. V.在CC BY-NC-ND许可下开放获取。美国应用科学研究所负责的选择和/或同行评审doi：10.1016/j.aasri.2013.10.040Bingchuan Yuan和John Herbert/AASRI Procedia 4（2013）268269提高医疗质量[3]。上下文感知系统的目的是利用上下文信息为用户提供相关的信息和服务。为了实现独立生活的普及医疗保健[4]，上下文感知系统应该能够观察，解释和推理智能家居环境中的动态情况（包括时间和特殊情况）。虽然基于规则的推理机是一种很好的方法，但它仍然有一些令人不满意的限制。例如，针对具体情况的规则可能有效，但只适用于范围很窄的问题;而更一般的规则可能涵盖范围很广的潜在调整，但不提供针对具体领域的指导。基于案例的推理（CBR）[5，6]是另一种针对结构化领域知识已知的领域中的问题解决的方法，但是它需要积累足够的先前案例来完成推理任务。2. 相关工作使用推理机制来实现上下文感知先前已经被解决。工作日Lum等人使用决策树来决定用于呈现的最佳内容，由目标设备，网络和用户偏好确定的上下文驱动[8]。A. Ranganathan等人[9]的文件。基于用户历史的上下文感知聚类算法是M。Wallace et al. [10].基于案例的推理（CBR）也被应用于各个领域的上下文感知系统[11，12]。基于案例推理的主要问题通常是适应任务，一些研究已经解决了这个问题[13]。在我们的工作中，开发了一种基于模糊逻辑的知识获取方法，并用于在基于案例的推理系统中进行案例检索和自适应。原始的CARA医疗架构通过对患者生命体征的无线远程监测、丰富的上下文信息[14]和采用模糊逻辑的基于规则的推理引擎[15]的智能组合来改善医疗保健。目前的工作使用一个更复杂的混合系统，以改善以前的单一推理模型。更复杂的混合系统（结合基于规则和基于案例的方法）引入了几个问题的透明度，这些都是本文的重点。3. 系统概述图1给出了CARA普及医疗体系结构的概述。无线BAN（体域网）内的生命体征传感器监测患者的生命体征，并且环境传感器用于监测患者的家庭环境。数据作为低级数据（即原始数据或低级上下文）传输到充当网关服务器的智能手机或PC。该服务器通过互联网连接到云服务器，可以提供高级数据管理，数据分析和远程监控服务。从传感器获得的数据存储在XML中，提供了一种独立于实现的通用格式。将上下文数据结构化为案例数据，为CBR提供案例。整个推理任务是系统的重要组成部分，跨越客户端和服务器端的功能。至关重要的是，它可以适应不同的应用程序（例如诊所内评估或智能家居监控），并且通过使用不同的规则集更改配置来实现这一点。同样重要的是，它可以实时执行，并提供紧急情况的及时通知。应当注意，为了识别某些临界条件，可能需要使用对随时间积累的传感器读数的分析来关联不同的传感器读数，并且与更广泛的上下文信息相结合。在智能家庭医疗保健场景中，BAN（体域网）提供关于个人的直接信息，并且部署家庭环境传感器以收集关于人的环境和可能情况的信息。系统通过无线通信协议（即，蓝牙、Zigbee）。原始传感器数据提供了构建上下文模型的基本数据，270Bingchuan Yuan和John Herbert/AASRI Procedia 4（2013）268被监视的人和当前环境。然后，智能推理组件使用丰富的数据和上下文模型来执行风险评估并完成家庭监控等任务。Fig. 1. CARA架构远程监控服务、数据挖掘服务和实时推理服务都是并发运行的基本服务。该系统的最近实现涉及组合基于案例的推理和基于模糊规则的推理的混合推理框架。（虽然引入基于案例的推理在推理任务中提供了优势，但是CBR的效率随着案例库的大小的增长而受损，因此最终将结合基于云的解决方案以减轻资源受限客户端上的负载。）在本文中，我们专注于使用这些更复杂的技术与系统相关的一些透明度问题。透明度和清晰度在所有系统中都是重要的，但在试图在可能的关键情况下为人类主体提供智能服务的复杂系统中尤其如此。4. 系统实施和评估中的透明度问题该混合体系结构分析的上下文信息（来自传感器和其他信息源）使用基于案例的推理和基于模糊逻辑的规则引擎。模糊逻辑规则补充了基于案例的推理，具有专家洞察力和使用领域知识消除案例之间歧义的能力。根据透明度的目标，规则尽可能通过使用从专家知识中得出的用户友好的范围类型值的语言术语来描述。因此，规则的示例可以是“如果房间温度非常低并且房间被占用，则打开加热器”。模糊逻辑用于规则，以提供更细致入微的方法。它允许系统使用不完美的数据（例如，缺乏精确性，是嘈杂的或模糊的），并且可以应用规则来得出结论。实际上，它试图Bingchuan Yuan和John Herbert/AASRI Procedia 4（2013）268271基于不精确的信息来模拟更多的人类决策，但以更明确的方式，机械地和更快地进行。表1给出了一些简单规则的例子。这些规则是透明的，可以由医学专家或医疗保健提供者指定，也可以由患者在监督下修改。表1.智能家居环境医疗相关规则如果活动不是锻炼并且（心率非常高或呼吸率非常高），则情况异常如果收缩压非常高，动态血压非常高，则情况异常如果（活动是睡眠或活动是休息或活动是看电视或活动是休息）和（收缩血压高和动态血压高）情况异常事件关联规则如果活动处于睡眠状态，并且（电视打开或炊具打开或灯打开），则情况异常如果位置是室外，时间是深夜，则情况异常如果（活动是进食或活动是洗澡或活动是锻炼）且时间是夜晚且灯关闭，则情况异常问题（包括医疗，伦理和实践），使现场实验与老年人的科目目前不可行。现实的模拟实验已经进行，但是，这些已被用来评估所提出的上下文感知的混合推理框架在一个普遍的医疗环境中的有效性。在这些实验中，部署的CARA系统由远程医疗服务器、可穿戴传感器和客户端应用程序组成。实验中志愿者受试者的实时生命体征是从可穿戴生物传感器收集的[7]。环境传感是由一个android应用程序模拟的，该应用程序是为了模拟和反映周围环境的变化而开发的。建模和使用的生物医学参数包括：心率、体温、呼吸率、血氧水平以及收缩压和舒张压。环境上下文包括：对象活动的时间和空间方面;环境传感器数据，例如温度、光、湿度和噪声;家用设备状态，例如电视、炊具、电话的使用，以及门、窗、灯、加热器的当前状态。之前的CARA系统包含一个基于模糊的推理引擎，为各种医疗保健情况提供实时智能预测[15]。新的上下文感知混合推理架构通过引入一种新颖的基于案例的推理模型，增强了先前基于模糊规则的推理引擎的学习能力。该架构基于jCOLIBRI：CBR框架[16]和之前的CARA工作实现。Android被选为目标操作系统，并在Android设备（摩托罗拉Xoom平板电脑）上对解决方案进行了评估。蓝牙提供传感器网络和客户端应用程序之间的无线连接。我们的实验室正在进行全面的测试。这个模拟环境模拟了生活在家庭环境中的人的现实行为，基于老年人的典型日常生活，这为我们提供了活动环境。此外，环境背景的模拟模拟光，室温，声音和湿度的变化。生理学上下文从BAN数据导出，并且个人上下文从服务器数据库上的信息导出。272Bingchuan Yuan和John Herbert/AASRI Procedia 4（2013）268CBR的输入查询基于所有当前上下文。上下文也被映射到模糊集，从领域知识中得到的规则可以用来确保一致性和发现异常。然后，混合推理系统工作以产生对象的当前状况的最佳估计。在进行这些实验时，使用了262例病例的病例库;其中192例为正常病例，70例为异常病例。新的CBR混合推理的实现进行了评估，对通常的基本方法（普通CBR）和一个更准确的CBR方法，使用动态权重的情况下检索。案例库所涵盖的案例种类繁多，确保了在广泛的范围内评估情况预测的准确性。其结果示于表2。一个简单的分类最初用于异常检测，这似乎提供了清晰度和透明度。这包括一个两类预测问题，其中结果被标记为阳性或阴性（正常或异常）。如果预测是异常的，情况是异常的，那么它被称为真阳性（TP）;但是，如果实际情况是正常的，那么它被称为假阳性（FP）。相反，真阴性（TN）是指预测和实际情况都正常，假阴性（FN）是指预测正常而实际情况异常。调整置信度值的阈值以在检测率和虚警率之间取得平衡。从列联表中，还可以得出几个其他指标，例如真阳性率（召回率）、假阳性率（脱落率）、真阴性率（特异性）、阳性预测值（精确度）。虽然这些度量可以使评估更加透明，但是诸如准确性之类的度量对于异常检测可能不是最佳的。CBR的一个问题是，如果大多数情况都是正常的，那么仅仅预测每一种情况都是正常的，就可以产生非常高的准确性。因此，可以使用更合适（也是透明的）的度量，例如信号检测理论中使用的接收器工作特性（ROC）[17]。表2.各种CBR方法真积极假积极真负假负阿屈拉维通用CBR0.965471455百分之八十点一五0.852121801888.55%0.73231893884.35%0.63231893884.35%一种改进的模糊动态权重0.96867125273.66%0.86633159485.88%0.75471851691.22%0.64751872389.31%基于模糊动态权重和模糊规则自适应0.96826166289.31%0.86312176792.64%0.75451871691.98%0.647219023百分之九十点四六5. 结论CARA上下文感知混合推理框架（将基于模糊规则的推理与基于案例的模型相结合）为智能家居环境中的辅助医疗保健解决方案提供了基础。虽然需要该系统尽可能复杂和适应性强，但该系统Bingchuan Yuan和John Herbert/AASRI Procedia 4（2013）268273可能变得过于复杂，难以理解。因此，透明度和清晰度是必须解决的重要问题。这些问题特别重要，因为该系统旨在为可能处于危急情况的（可能脆弱的）个人提供智能援助。混合推理架构结合了基于规则和基于案例的推理;这使得CARA更加强大，并通过不断重新训练新案例来适应不断变化的环境。每个推理方法都有一个重要的透明度问题。对于基于规则的部分，一个重要的目标是智能家居分析中使用的规则应该足够透明，以支持受试者或护理人员检查并可能修改这些规则。结构化自然语言的使用和模糊逻辑的结合旨在满足这一目标。解释基于案例的推理结果的透明度和清晰度也很重要，这一关切导致对测试结果进行更严格的分析，并表明需要使用适当的衡量标准。确认这项工作是由爱尔兰科学基金会通过研究前沿计划奖支持。引用[1] Zhang，L.用于个性化医疗保健的情境感知基础设施。个性化健康国际研讨会，IOS出版社，2004; 154-163。[2] 瓦什尼大学普及医疗保健。计算机2003; 36：138-140.[3] 布沙尔湾Giroux，S.一个智能家居代理认知障碍患者的计划识别，计算机杂志，2006; 1，5：53-62。[4] Mileo，A.支持家庭医疗保健中的上下文感知监控，环境智能和智能环境杂志2010：4966。[5] 妈，T.基于CBR的智能家居、无线和移动计算、网络和通信的上下文感知实现，IEEE国际会议2005; 112-115。[6] 施密特河吉尔湖基于知识的医学系统的案例推理，国际医学信息学杂志2001; 64：355-367。[7] Zephyr Technology，BioPhyr BT，http://www.zephyr-technology.com/products/bioharness[8] Lum，W.Y.一种用于内容适配的上下文感知决策引擎，Pervasive Computing 2002：41-49。[9] Ranganathan，A.和Campbell，R. H.基于一阶逻辑的上下文感知基础设施，个人普适计算，2003;vol.7，6：353-364。[10] 华莱士，M. Stamou，G. Towards a context aware mining of user interests for consumption ofmultimedia documents，in Proc.IEEE Multimedia and Expo 2002; 1，733 -736.[11] Yin，W.J.和Liu，M.基于实例记忆的遗传学习方法在车间调度问题中的应用。第一个Int.Conf.机器学习与计算机科学，北京2002; 1683-1687。[12] Grosser，D. Sahraoui，H. A.还有瓦尔特切夫P.一种基于类比的方法来预测Java类的设计稳定性，在Proc. of 9 th Int. Software Software Symposium，Sydney Australia 2003; 252-262。[13]第10段。贝格曼河Wilke，W.基于案例推理中转换适应的一种新的形式化模型。Gierl，M.Lenz（Eds.），第六届德国CBR研讨会论文集，1998; 43-52。[14] 袁湾，澳-地Herbert，J.基于Web的实时远程监控，用于普及医疗保健，普及计算和通信研讨会（PERCOM研讨会），IEEE国际会议，2011年; 625-629274Bingchuan Yuan和John Herbert/AASRI Procedia 4（2013）268[15] 袁湾，澳-地赫伯特，J.模糊CARA-一个基于模糊的上下文推理系统，用于普及医疗保健，Procedia计算机科学，2012; 10：357-365[16] jCOLIBRI：CBR框架，sourceforge.net/projects/jcolibri-cbr 2013[17] Swets，John A.：心理学和诊断学中的信号检测理论和ROC分析，Lawrence ErlbaumAssociates，Mahwah，NJ 1996