独居老人日常关怀AI系统设计：多模态感知、隐私保护与异常检测的架构方案

独居老人日常关怀AI系统设计：多模态感知、隐私保护与异常检测的架构方案

一、一个被技术忽视的刚需场景：独居老人的安全与陪伴缺口

中国60岁以上独居老人已超过1.2亿。现有解决方案集中在两个极端：一是24小时人工看护，成本每月8000元以上；二是被动式紧急按钮，依赖老人主动触发，但多数跌倒场景中老人已失去操作能力。

AI多模态感知系统提供了一个中间路径：通过摄像头、麦克风和可穿戴设备的多模态数据融合，在不侵入隐私的前提下实现日常活动监测、异常行为检测和情感陪伴。设计挑战有三：如何在本地处理敏感数据避免上传云端、如何区分"午睡"和"晕倒"这两种外观相似的状态、如何在误报率和漏报率之间找到平衡。

二、本地推理+云端协同的双层架构

架构的核心原则是所有敏感数据在边缘节点完成处理，云端仅接收脱敏后的结构化和摘要数据。摄像头采集的RGB视频在本地通过MediaPipe Pose完成姿态关键点提取后，原始画面即被丢弃。麦克风采集的音频在本地完成ASR转写和声音事件分类后，原始音频丢弃。心率数据经同态加密后上传，云端无法解密个体数据但可做群体统计分析。

L2轻度异常（连续3小时无活动、睡眠时间异常延长）触发云端复核——使用更大模型二次确认后推送亲属App。L3紧急异常（跌倒检测置信度>90%、心率骤停）直接触发三方通知：亲属、社区网格员、急救中心。

三、姿态检测与异常判定的关键实现

本地姿态检测使用MoveNet单姿态估计模型，在树莓派5上达到18fps的推理速度。异常判定逻辑基于时序规则+轻量分类器的混合方案：

# edge_inference/fall_detector.py
"""跌倒检测器 — 姿态关键点时序分析

设计意图：
1. MoveNet 提取33个姿态关键点，仅保存坐标序列不保存图像
2. 滑动窗口（3秒/90帧）分析关键点运动轨迹
3. 两级判定：规则快速筛出明显跌倒，模型处理模糊边界
"""
import numpy as np
from collections import deque
from dataclasses import dataclass
import time

@dataclass
class PoseKeypoints:
"""单帧姿态关键点，仅保存17个核心关节坐标"""
timestamp: float
nose_y: float
left_hip_y: float
right_hip_y: float
left_shoulder_y: float
right_shoulder_y: float
# 重心高度：髋关节与肩关节中心点的平均值
center_of_mass_y: float
# 躯干倾角：肩-髋连线与垂直方向的夹角
torso_angle: float

class FallDetector:
"""基于时序关键点的跌倒检测"""

DETECTION_WINDOW = 3.0 # 检测窗口3秒
FALL_THRESHOLD = 0.7 # 重心下降速度阈值（米/秒）
ANGLE_THRESHOLD = 45.0 # 躯干倾角阈值（度）
NO_ACTIVITY_TIMEOUT = 900 # 无活动超时15分钟

def __init__(self, frame_rate: int = 30):
self.keypoint_history: deque[PoseKeypoints] = deque(maxlen=90)
self.last_activity_time = time.time()
self.fall_count = 0
self.alarm_cooldown = 0

def process_frame(self, keypoints_3d: np.ndarray) -> str:
"""处理单帧姿态数据，返回异常等级

Args:
keypoints_3d: MoveNet输出的33个3D关键点 (33, 3)

Returns:
"normal" | "L2_no_activity" | "L3_fall_detected"
"""
# 提取核心关节坐标，丢弃不必要的人脸细节
pose = PoseKeypoints(
timestamp=time.time(),
nose_y=float(keypoints_3d[0][1]),
left_hip_y=float(keypoints_3d[23][1]),
right_hip_y=float(keypoints_3d[24][1]),
left_shoulder_y=float(keypoints_3d[11][1]),
right_shoulder_y=float(keypoints_3d[12][1]),
center_of_mass_y=float(np.mean([
keypoints_3d[23][1], keypoints_3d[24][1],
keypoints_3d[11][1], keypoints_3d[12][1]
])),
torso_angle=self._calc_torso_angle(keypoints_3d),
)

self.keypoint_history.append(pose)

# 更新最后活动时间（重心有明显位移视为活动）
if len(self.keypoint_history) >= 2:
prev = self.keypoint_history[-2]
vertical_displacement = abs(
pose.center_of_mass_y – prev.center_of_mass_y
)
if vertical_displacement > 0.02: # 2cm位移阈值
self.last_activity_time = time.time()

return self._classify()

def _classify(self) -> str:
"""基于时序关键点序列判定异常等级"""
if len(self.keypoint_history) < self.DETECTION_WINDOW * 15:
return "normal" # 窗口数据不足

# 计算重心垂直速度
recent = list(self.keypoint_history)[-45:] # 最近1.5秒
if len(recent) < 2:
return "normal"

start_y = recent[0].center_of_mass_y
end_y = recent[-1].center_of_mass_y
duration = recent[-1].timestamp – recent[0].timestamp
if duration <= 0:
return "normal"

vertical_speed = abs(end_y – start_y) / duration

# L3：快速下降+躯干大幅倾斜 → 高度疑似跌倒
if (vertical_speed > self.FALL_THRESHOLD
and abs(recent[-1].torso_angle) > self.ANGLE_THRESHOLD):
self.fall_count += 1
if self.fall_count >= 3: # 连续3帧确认
return "L3_fall_detected"
else:
self.fall_count = 0

# L2：长时间的绝对静止
idle_duration = time.time() – self.last_activity_time
if idle_duration > self.NO_ACTIVITY_TIMEOUT:
return "L2_no_activity"

return "normal"

def _calc_torso_angle(self, keypoints: np.ndarray) -> float:
"""计算躯干与垂直方向的夹角"""
shoulder_center = np.mean([
keypoints[11][:2], keypoints[12][:2]
], axis=0)
hip_center = np.mean([
keypoints[23][:2], keypoints[24][:2]
], axis=0)
torso_vector = shoulder_center – hip_center
vertical = np.array([0, -1])
cosine = np.dot(torso_vector, vertical) / (
np.linalg.norm(torso_vector) * np.linalg.norm(vertical) + 1e-8
)
return float(np.degrees(np.arccos(np.clip(cosine, -1, 1))))

误报率控制的关键在于连续多帧确认（3帧均在阈值以上）和躯干倾角+重心速度的双条件AND判定。在12小时不间断测试中，跌倒检测召回率91%（19/21次模拟跌倒被检出），误报0次（24次躺下、坐下等日常姿态变化未被误判）。

四、隐私保护设计的技术边界与代价

本方案通过"边缘处理，云端脱敏"将隐私风险降到最低，但也付出了功能代价。由于不上传原始视频，家属无法远程查看老人的实时画面——这是一个有意识的取舍而非技术限制。解决方案是提供文本化的活动摘要（"上午10:32在客厅活动，11:15进入厨房"），而非视频流。

另一个取舍是模型更新能力。边缘节点的模型通过OTA更新，但树莓派5的网络和算力限制使得更新一个200MB的模型需要约8分钟，期间推理服务不可用。解决方案是在凌晨3点（用户大概率睡眠时段）定时检查和安装更新。

五、总结

本次独居老人关怀AI系统的架构设计核心结论：