Close

智慧健康养老 、家庭智慧健康护理解决方案的初步研究

这是一篇有关智慧医疗护理、 家庭智慧健康护理、 智慧健康养老 解决方案的研究文章,可以作为了解、认识、应用智慧健康设备与方案的参考。文章基于作者在法国蒙彼利埃大学硕士论文,内容有所改动,更简单通俗易于阅读。

I. 智慧健康养老 介绍

I.1背景

在我们的社会中,我们面临着越来越多的老年人,其中许多人住在自己的家中。对于那些处于危险境地的人来说,关注健康问题无处不在。 [1]衰老伴随着功能性弱点,常常导致健康问题,丧失自主权,并损害家庭关系。 [2]

慢性疾病,尤其是心脑血管疾病、关节炎疾病、阿尔茨海默病,在老年人群中更常见,通常是老年人身体和心理稳态失代偿的重要因素。  [3] [4] [5]

他们中的大多数人走路困难或失去独立性并照顾自己有困难。他们还面临经历情绪波动,身体不舒服以及医疗康复问题的巨大成本。 [6]

但是,可用于频繁家访的护理人员或到医院看病的数量有限。结果就是这种老年人口持续增加的现象将给家庭和社会带来巨大的负担和压力。而且治疗疾病的成本很高。 [7]需要找到改善生活条件的解决方案,并开发更健全、可用、安全但成本低廉的卫生系统,以减轻社会负担。 [8]

生物医学、信息技术、健康数据、无线网络和移动互连正在将传统医学从艺术转变为数据驱动的科学。 [9]在合适的时间,在合适的地方,以合理的价格提供精确的医疗服务。 [10]研究表明,患者可以通过基于信息技术的个人护理在改善健康结果方面发挥重要作用。 [11]

可以促进独立性的创新技术和家庭智能自动化的使用通常仍然是经验主义的但也需要。就其性质而言,采用多学科方法从经济、社会、医疗而非技术角度评估其影响。 [12]

大多数慢性病可由医生在医院诊断,但在给出处方后,医院的治疗非常有限。 [13]大多数调查和实例表明,越来越多的老年人和患有慢性疾病的患者希望尽可能长时间待在家中以获得医疗保健。 [14] [15] [16]使用日常技术(活动探测器、光传感器、机器人辅助、无线网络……)可以显着改善老年人的生活,并帮助他们完全安全地待在家里受到家庭照顾,以及社会关怀,这是多学科的协调行动。 [17]

在许多国家,慢性病医疗费用占直接医疗费用的大部分。发达国家人口老龄化将导致未来医疗费用增加。 [18]如果没有可靠的解决方案来改变慢性病的治疗方法,就不可能解决全球高医疗费用问题和慢性病患者的医疗保健问题。

然而,目前没有科学评估关于通过创新技术和社会医学影响的结合改善或维持这些慢性病患者的身心健康的兴趣。而且对于未来可持续经济发展的方向也是社会经济的。

面对当前和未来老龄化的挑战,如何改善人们的健康状况?迎接解决这些挑战可以导致整体社会成本降低。如何回应以及采取何种解决方案?信息技术对这些解决方案的作用是什么?

在使用老年人创新技术研究健康和家庭护理时,需要考虑几种类型的应用领域。其中一个领域是家庭监控,其主要目标是确保老年人在家中独处时的安全。 [19]一些建议包括房屋的特定部分,例如卧室或浴室。 [20]别的应用侧重于监测个人的健康状况。 [21]

另外的领域有许多用于检测紧急情况的紧凑型便携式传感器,例如用于观察生命体征的传感器。该领域的一些研究项目侧重于识别和评估。与日常生活中的行走相关的风险。其中一些旨在表征已经堕落或有跌倒风险的老年人的整体认知水平,而另一些旨在评估药物对老年人行为的影响。 [22]

随着技术的日益普及,远程护理和远程医疗的兴起,越来越多的智能生活服务可供大众市场使用。连接对象和医疗设备可以测量、分析、存储和分享我们的健康数据:这称为电子健康,就是所谓的E-health。 [23]

这些趋势正在改变老龄化护理和健康产业。 [24]所以我们面临挑战。确定家庭护理对健康和舒适的不同挑战使得有可能确定主要问题:预防依赖,降低住院和治疗成本,提高生活质量和服务生产率。 [25]

I.2 目标

“银发经济”和“电子健康”的发展很快,电子健康可能引导下一次产业革命。

老年人的三个主要问题:慢性病、流动性困难和医疗保健费用巨大。 [26] [27] [28]关于这一主题的研究的主要目标是发现创造一种新的破坏性模式或结构的可能性,以便利用创新技术和社会经济观点来维持其健康状况 [29] [30] [31]

总体目标是:
1)找到创新的方法来对抗老年人的破坏自理性,心理感觉障碍和治疗费用。

2)用​​创新技术更好地管理和预防与老年人有关的慢性病,同时协调家庭、健康、医疗社会和医疗经济行为者。

3)评估这些新工具,并评估这些老年人生活质量的改善。

随着创新技术的进步,越来越多的家庭护理领域的传统企业正在考虑个人服务中的智能化与数字化发展战略(设备的综合应用、新用途、基础设施、智慧健康设备、智能服务……)。

就我而言,我的主要兴趣是采用有关电子健康保健的新科学知识,并在不久的将来把其用于我国家庭和弱势群体的利益。我希望从事一种涉及社会经济、道德、福利待遇,护理管理和适应老龄化的家庭环境管理的职业。

正是在这种环境中,波尔多Synergies @ Venir的创新总监David LE NORCY先生为我提供了实习与工作的机会。
如前所述,该领域的大多数研究项目都侧重于单方面细分化的研究,比如评估与日常生活中的走动相关的风险。其中一个旨在表征已经跌倒或有跌倒风险的老年人的认知水平,而另一个则侧重于评估药物对行为的影响;他们专注于网络。其他人对数据库感兴趣,但很少有研究讨论物联网、个人助理、传感器、家庭自动化网络和电子医疗的协同和协调作用。

因此,我的研究工作基于家庭中不同创新技术的综合应用,考虑了健康、社会经济以及道德因素,并参考了一些智能家居维护项目。

我的实习工作分四部分进行。首先是研究不同技术对于家庭通信解决方案的最新技术的可行性,这些解决方案能够建立一个家庭护理和健康的“智能”生态系统,然后设计并提出一个创新解决方案的“模型”。家庭支持;第三是这个“模型”的实现和实现,最后是分析和综合我的工作。因此,本报告也属于第四部分。

I.3初步愿景

在家中,传感器和执行器通过无线体网或无线传感器网络连接。

为了在无线人体传感器网络中获得生理信号的自动、连续和实时测量,可以把几个传感器放置在衣服上或直接放在身体上,或植入身体的组织中,这可以便于测量血压、血糖、脑电图、心电图、肌电图和心率。

身体传感器网络核心节点收集所有生理数据,执行有限的数据处理,并作为无线传感器网络的网关;执行器(促动器)基于来源用户或中央计算机系统的反馈而操作。中央计算机系统通过网络收集环境、生理和活动数据,分析它们并且可以将反馈发送回用户或激活促动器以控制诸如加湿器、光和热的装置。它还可用作中央家庭网关,把测量数据发送给医务人员/互联网服务提供商。

根据需要,用户还可以通过语音、手势、移动电话和其他方法主动控制他们的家庭设备,以获得帮助,以改善生活质量、健康和福祉。

我们还可以想象一些特定的应用。例如,糖尿病患者的手机实时健康监测可以检测葡萄糖并将其发送给医生进行分析;通过无线体网监测偶发事件和其他异常情况;连接到互联网医疗设施并集成到远程医疗系统中,监测健康状况,从而减少依赖性;临床监测患者。

家庭智慧健康 ,智慧医疗保健初探

II.企业介绍

2007年以来,协调未来集团(SYNERGIES @ VENIR)专注于为法国吉伦特地区的个人提供健保服务。作为一个充满活力的企业,SYNERGIES @ VENIR把为大众服务放在经济和社会效率的基础上。它在个人服务领域开发了一系列创新服务。今天,协调未来集团包括:

•7个个人健保服务机构,AIDE @ VENIR [156],专门为老年人和残疾人提供家庭护理服务

•2个老年人服务公寓,LA ROSERAIE

•2个小型儿童托儿所

•1个培训中心,AGIREA

•1个送货上门服务中心,POPOTE MINUTE

•1个创新中心,A LAB’BONHEUR。

协调未来集团以人为本作为开展事业的重心,分为3个轴

•用户体验

•员工的职业生涯规划

•根据本地区需要实施项目

协调未来集团由400多名员工组成,他们坚持公司的价值观和项目。 从2015年6月起把La Roseraie服务中心和AIDE @ VENIR服务机构汇集在一起​​,是波尔多地区的第7大雇主。
该集团每年开展项目,旨在满足吉伦特省人民的服务需求,是银色经济和社会与团结经济的参与者。

III.技术研究

III.1 家庭智慧健康和电子健康案例研究

智能家居支持是一种描述具有数字环境的生活环境的概念,例如传感器、智能设备、网络以及与人类的自然交互。它能够为居民提供实用和适应性的服务,它通常可用于支持帮助有认知障碍患者的独立生活。

提供智能家居、服务机器人和电子健康,以帮助人们的健康或作为老年人日常援助的一部分。服务用于在各种日常情况下提供帮助,例如从地面收集和运输物体,执行清洁任务和提供紧急支持。

世界上有许多项目用于 智慧健康养老 与家庭智慧健康 。我已经对与家庭护理相关的不同项目进行了一些研究,包括连接对象、家庭自动化和电子医疗。

在TECNALIA卫生技术部[32]内,有许多与电子卫生有关的项目。 TECNALIA是西班牙最大的私人研究,开发和创新集团,也是欧洲最大的集团之一,位于巴斯克地区(西班牙)的八个技术中心合并后。它涉及老年人,有认知或身体残疾的人,他们的亲属和照顾者,临床专家和医疗专业人员作为项目开发的潜在用户。

GERHOME项目[33]由法国建筑科学院(CSTB)和尼斯大学附属医院中心(NICE CHU)进行,旨在通过预测家庭事故或健康问题来确保老年人的家庭护理。

Geri @ TIC [34]项目得到了包括MEDETIC和CNR-Santé在内的法国阿尔萨斯机构的支持,旨在通过家庭自动化和远程医疗为老年人创建安全的生活居住单元。

LENA项目[35]由CENTICH和Clair Soleil Saumur与施耐德电力(Schneider Electric)共同发起,这是一项住院后过渡性住房计划。

QoLT(生活质量技术)中心[36]由位于美国匹兹堡的NSF(工程科学中心)与ERC(国家科学基金会)创立。它侧重于智能系统和辅助技术的开发,使老年人和残疾人能够更加独立地生活。

Microsoft Research EasyLiving [37]项目为智能环境开发了一种架构和技术。 EasyLiving系统随着智能用户界面,动态设备配置,远程控制和活动跟踪而发展,允许用户与各种任务和模式之间的灵活交互。

斯坦福大学的环境智能研究实验室[38]专注于研究在智能家居和办公室中开发环境智能的技术和应用。智能建筑对职业敏感。传感设备网络用于监控居住者的工作习惯和社交互动,并提供适应性的个人推荐以促进智能家居环境中的人体工程学健康和社会参与。

CASAS项目[39]智能家居是华盛顿州立大学的一个多学科研究项目。它专注于创建智能家居环境。在这个项目中,智能家居环境使用智能代理,使用传感器感知居民的身份和物理环境,并通过控制器使用环境来提高舒适度和安全性。该系统简单轻便,因此可以相应地部署、评估和扩展智能家居的功能。

美国佐治亚理工学院的Aware Home Research Initiative(AHRI)[40]是家庭健康护理领域的一个了不起的项目。家庭中涉及的技术组件包括情境感知和无处不在的检测,与家庭成员的个人互动以及智能地板。该项目以三种方式处理特定年龄的应用:年长父母与其成年子女之间的社会关系,为家庭成员提供安心;加强随着年龄增长而记忆方面衰退的问题; 管理危机情况,以便通知适当的外部服务。

ALADIN项目(人口老龄化环境照明援助)[41]为老年人提出了一个神奇的照明系统。该项目的目标是开发具有智能开环控制的自适应照明系统,可以适应各种情况下用户的需求,同时还提供绿色能源的智能管理。动态照明系统可以有益于眼睛健康、睡眠质量、情绪、认知表现,甚至用户的代谢系统,特别是对于患有慢性和视觉障碍的人。该系统允许行动不便或其他残疾的公民直接操作环境系统和设备,而无需物理移动到执行器的位置。它允许用户通过直接通过与凝视的交互来控制设备。

ISTC-CNR的RoboCare [42]是一个名为RDE(RoboCare室内环境)的综合家庭健康环境的原型,具有改善家中老年人日常生活的认知支持。

iCarer项目[43]旨在支持老年人的非正式护理,以提供可互操作的 智慧健康养老 解决方案,为云中的护理提供全面的支持服务。其他服务包括基于电子学习方法,护理人员支持以及护理和支持服务的个性化支持和培训计划。这些服务相结合,为护理人员提供了一般的安全感和大幅减轻压力。

在亚洲,TRON项目[44]是一个关于智能生活环境和辅助技术的开放项目。作为TRON项目的一部分,PAPI项目和U-house项目[45]在台湾成立。 Ubiquitous Home在真实的智能环境中提出并实施了上下文服务。东京大学的机器人室和感应室是智能家居系统的另一个原型。

Living Lab Taiwan [46]是一个在真实世界环境中促进开放式创新的项目,于2008年6月推出。它由Innovative DigiTech-Enabled Applications&Services Institute(IDEAS)运营。目前,他们为某些感兴趣的领域开发了电子健康:呼吸护理系统,个人健康助理和情绪环.

III.2 支持家庭健康护理的语音助手

III.2.1 家庭护理语音助手的全景

语音助手是可以为具有语音的个人执行任务或服务的软件代理。有时,术语“聊天机器人”用于指代通常或特别是通过语音访问的虚拟助理。 [47]

谷歌助手和亚马逊Alexa等语音助手旨在通过提高信息和数字服务的可访问性来改善我们的生活。 [48]

这些语音助理还询问在我们生活中最重要的一个方面 – 医疗保健方面的潜在作用。这些语音助手至少可以帮助我们治愈并保持身材吗?为越来越有动力改善家庭保健的健康专业人士提供了哪些机会? [49]

交互方法
语音助理通过语音工作,例如Amazon Echo上的Amazon Alexa或iPhone上的Siri设备。

有些向导可以通过多种方法获得,例如Google智能助理通过Google Allo应用聊天和Google Home智能扬声器语音。
虚拟助手使用自然语言处理将用户文本或语音输入与可执行命令相匹配。许多人正在不断学习使用人工智能技术,包括机器学习。

要使用语音激活向导,可以使用唤醒词。这是一个或多个单词组,如“Alexa”,“OK Google”或“Hey Siri”。

用于家庭健康护理的语音辅助设备
今天,我们的家庭和电器比以往更智能,更连接。

亚马逊于2014年发布了Alexa,并将其打包成连接互联网的家用电器Amazon Echo。该设备改变了人们感知和使用语音助手的方式。 Echo不是必须在智能手机中通话,而是始终使用一系列敏感麦克风和内置扬声器的设备。它是专为家庭使用而设计的独立语音助手。

谷歌通过宣布他们自己的Amazon Echo等价物–Google Home来回应亚马逊的成功。苹果公司已经为Siri设置了语音助手的标准,虽然有传闻称即将发布公告,但尚未生产类似于Amazon Echo或Google Home的产品。

为什么家庭护理的语音助理?
.无障碍

老年人在智能手机屏幕或任何屏幕上查看文本的能力会影响他们利用许多数字医疗保健解决方案的能力。
语音应用程序是这些视障人士的自然选择。 [50]语音助手的自然界面对于技术恐惧症和老年人群来说也是有希望的,因为智能手机,平板电脑和个人电脑的使用仍然落后于普通人群。

.便于使用
语音界面允许更自然和对话的交互。

同时使用免提和无视界面也意味着它可以用在手或眼睛被占用的环境中,或者在烹饪,清洁,穿衣,洗澡等家中使用。[51]

.速度
大多数人可以比他们打字更快地说话。成人的平均语速为每分钟150至190个单词。而平均打字速度约为每分钟40个字。它在入口的一侧。在响应时间方面,我们可以准备等待几秒钟来加载网站。 [52]凭借云计算的强大功能以及更快,更普遍的网络连接,语音助理的响应时间或延迟得到了改善。

.提高准确性
虽然尚未完善,但语音技术已经有了很大改进,即使很小的改进也会对用户满意度产生很大影响。 [53]

这些改进的证据既有轶事也有经验。就在最近,谷歌宣布了他们的语音搜索技术的突破,这导致语音识别的显着改善。

微软最近通过展示与人类转录相当的精确度,宣布了他们的语音识别技术的突破。

.可扩展性
语音助理平台的大多数最流行的技能涉及访问和控制第三方连接设备[54] – 例如,连接的照明设备,恒温器和音频系统。
例如,作为设备控制中心,Amazon Echo既是信息的接入点,也是终极通用遥控器。

为家庭健康的语音助理

语音应用具有悠久的临床护理历史。 Nuance是语音识别技术的领先提供商,长期以来一直提供解决方案,允许临床医生指定转录和存储的护理笔记。

但是,虽然谷歌助理和Alexa等个人的技术变得越来越普遍,但这些新技术在家庭护理和个人健康方面的作用更为重要。

慢性病管理
心血管等慢性病患者[55]有一个声控助手,提供有关自我护理的信息和反馈,提醒测试,预约,以及更好地协调护理人员的护理和支持。

.遵守药物
药物依从性是医疗保健方面的巨大挑战,特别是对于药物治疗方案复杂的人群。 [56]基于语音的解决方案,提醒患者剂量和时间表,并提供改进的内容相关成员和上下文减少滥用风险。

.精神健康
对于患有抑郁症等精神健康问题的患者而言,强大的语音应用可以提供自助支持,并可以随着时间的推移评估认知功能。 [57]

.数据的收集
通过语音助理技术可以简化更一般的数据收集,例如生活质量指标,功能评估变量,疼痛程度和其他健康指标。 [58] [59]

III.2.2  Snips – 保密与个性化的语音助理

Snips是一个用于连接设备的人工智能语音平台,人们现在可以下载Snips SDK,它是开源的,并连接树莓派Raspberry Pi,扬声器和麦克风。

这是一家总部设在法国的创业公司,涉及语音助理技术。

Snips不使用Alexa Voice Service或Google Assistant SDK,该公司会构建自己的语音助手,以便把其集成到设备上。最好的部分是它不会向云端发送任何内容,因为它可以脱机工作。由于个人备用关键词检测器是本地形成的,因此查询存储在设备上而不是云上。此模型确认了我们对语音助理“Privacy Premier”的承诺,因此不会与广告商、政府或任何其他人共享个人数据。因此,这个语音助手是“私人设计”,可以在没有互联网连接的情况下工作。 [60]

Snips 交互流程
Snips 交互流程

如果我们想了解语音助手的工作原理,我们可以把其分为几个部分。首先,它以密码开头。 Snips有一些默认密码,比如“Hey Snips”,但你也可以付钱给公司创建自己的密码。

例如,如果您正在构建一个名为Keecker的多媒体机器人,您可以创建一个特殊的单词“Hey Keecker”。 Snips然后使用深度学习来准确地检测何时有人试图与您的语音助理交谈。

第二部分是自动语音识别。语音助手将您的语音转录为文本请求。受欢迎的家庭助理通常会发送带有您语音的小型音频文件,并使用服务器来转录您的请求。

Snips可以把您的声音转录为设备本身的文本。这适用于比树莓派Raspberry Pi更强大的任何东西。目前,Snips仅限于英语和法语。您可以将第三方自动语音识别API用于其他语言。

然后,Snips必须了解用户的请求。该公司已开发出自然语言技能。但是,例如,有数百种不同的方式来询问关于天气的简单问题。

这就是Snips今天推出数据生成服务的原因。界面看起来像macOS上的Automator或iOS上的Workflow。我们可以定义一些变量,例如“date”和“location”,我们可以定义它们是否对查询是必需的,并输入一些示例。

但是,不是手动输入相同查询的数百种变体,您可以支付100美元到800美元,以允许Snips为您完成工作。 Startup手动检查您的请求并在Amazon Mechanical Turk和其他众包市场上发布。最后,Snips会清理您的数据集并将其发回给您。

用户可以在另一个聊天机器人或语音助手中下载并重复使用它,也可以将其与Snips语音向导一起使用。人们也可以公开自己的能力。其他Snips用户可以通过浏览预先训练的功能库来将此功能添加到他们自己的向导中。

Snips还为其业务注入了企业对客户的元素,因此它将直接与Amazon Echo和Google Home的发言人竞争。 Snips初创公司将部署Snips AIR Base产品和Snips AIR Satellites。

基座将是一个很好的旧智能扬声器,而卫星将是微型便携式扬声器,用户可以放在他们的所有房间。在此期间,将有一个市场,开发人员将能够生成技能并发布它们。市场将在一个名为AIR区块链的新区块链上运行。

市场将采取AIR购买更多技能。有了这样的AIR,用户还可以生成语音命令的训练数据。

III.2.3 Mycroft – 不收集或货币化您的数据

Mycroft是一个可以扩展的开源语音助手。 MyCroft AI集成了自然语言处理,语音到文本和文本到语音合成,以创建强大的会话体验。 MyCroft AI是一个在GNU通用公共许可证3.0版下获得许可的开源软件,这意味着它可以自由重新混合、扩展和增强,以满足独特的需求。 MyCroft AI平台专注于语音识别,允许任何设备将其转变为智能个人助理,可以执行各种任务。 MyCroft AI利用新技术,允许用户协作,分享想法并互相帮助,以优化应用程序的使用。 MyCroft AI可用于任何项目,无论是科学项目还是企业软件应用程序。 [61]

MyCroft的跨平台模型允许随时随地进行无缝集成。该应用程序与用户学习,并随着时间的推移改善用户的使用体验。它还处理和响应各种查询,它是一个方便的向导,为用户提供有关您的日常承诺的信息,如时间和日期,天气,并帮助用户执行日常任务,如设置闹钟或播放喜欢的播放列表。 MyCroft AI Mimic是一款快速,轻量级的语音合成引擎,可以接收文本并大声朗读,以创建高质量的语音。 MyCroft AI提供了一个软件库,用于将自然语言转换为数据结构。 MyCroft AI也在开发OpenSTT;将语音转换为文本以进行高精度,低延迟语音转换的功能。

MyCroft AI使用Linux,一种开源操作系统,可以在任何设备上运行,无论是在台式机,平板电脑还是手机上。可在应用程序的网站上找到指导您实施的文档。

与Amazon Echo和Google Home等更熟悉的模型不同,Mycroft的目标是为大型科技巨头的IAI构建一个开源替代品。助理,以及承诺在此过程中保护您的隐私的人。 [62]像谷歌和亚马逊这样的公司希望将您限制在他们控制的生态系统中,然后将其货币化。

然而,最重要的区别是隐私。虽然Mycroft可以回答所有智能助理等问题,但这些数据不会出售给广告商,而是会作为广告返回。在理想的世界中,这意味着您获得的信息客观上是您的最佳信息; Mycroft不会在其服务器上存储任何用户语音数据,除非用户明确同意允许用户这样做以改进其内容。语音识别工作。如果您同意,您可以随时改变主意。 Mycroft的目标是比谷歌和亚马逊这样的公司更加透明,至少从现在开始,它们很难大规模删除你的语音文件 – 并警告说这会影响你设备的可用性。

为了更加清晰,Mycroft将以与其最大竞争对手相同的方式对待听众。扬声器将使用设备上的处理器收听唤醒消息,并且在触发之前不会开始下载音频。

区别在于音频进入云后会发生什么。虽然亚马逊和谷歌允许用户查看和删除他们的录音,但两家公司都没有提供随时间自动删除数据的方法。当用户试图删除海量数据时,只有谷歌和亚马逊网站上提供的选项,而不是他们的移动语音助理应用程序,这两家公司不推荐它。亚马逊网站上的弹出窗口表示删除“可能会降低您的体验”,而Google会显示一个弹出窗口,表示如果您在文件中保留这些语音示例,它可以“使Google服务更有用”。 [63]

但MyCroft不妥协的隐私立场的缺点是它限制了公司改善语音识别的能力。 Mycroft不是从头开始训练他的AI,而是使用来自自愿录音和其他开源的开放数据集。这相当于谷歌和亚马逊收集的一小部分。 [64]在没有大量个人语音数据的情况下创建语音助理存在明显的缺点。

通常,对于语音助手等服务,您拥有的数据越多,您就越容易开发出真正有效且真正响应的模型。

开源意味着Mycroft不仅限于生态系统,因此它与您想要的任何电子邮件服务,社交馈送和音乐流兼容。如果您是拥有iPhone,iPad,Mac和Apple TV的人,最好继续使用HomePod – 但如果您想要更多灵活性,这可能是您的解决方案。

此外,Mycroft不仅可以说话,而且还可以显示图形和小部件,以便用户可以更好地解释设备试图说出的内容。

III.2.4 用于健康领域的多模态语音助理 Orbita voice

Orbita Voice™是第一个把智能语音助理技术(如亚马逊Alexa和Google智能助理),讨论机器人和其他会话界面集成到医疗保健应用程序中的平台。[65]

Orbita的健康云平台把来自互联医疗保健和护理设备的数据整合到协作式护理体验中,极大地增强了患者参与和护理管理。[66]

Orbita解决方案不需要拥有自己的语音识别技术或其他基本的AI技术,而是将其核心竞争力集中在业务逻辑澄清和医疗服务的知识映射上。 [67]此外,它还能够集成智能语音,即时消息工具,自然语言理解和其他相关技术。
通过智能语音进行药物管理。

以下是Orbita Voice的实例:

通过智能语音进行药物管理
通过智能语音进行药物管理

我们可以看到Orbita中的人机交互至少具有以下新功能:

– 即时要求。结合时间、位置、个人条件和其他因素,聊天机器人提供更准确和有效的即时查询功能。在这个例子中,机器人会自动确认时间,用户不需要输入它们,机器人会立即记下药物的类型,但也会通知金额。此外,患者不记得存在什么类型的药丸,并且机器人描述了药片的形状。

– 活跃需求。与之前人与机器之间的交互不同,讨论机器人也会及时跟随用户。在此示例中,机器人正在主动询问用户是否发送要比较的图像。这在过去的人机交互界面中也很难实现。

– 自动录制。在过去,需要许多与健康相关的应用来记录饮食、健身和药物等细节。以前的文本输入方法非常繁琐,并且一天之后很难在日常工作中遵守它。不再需要手动输入,Orbita模式只需向机器人解释,然后在后台处理录音。在这个例子中,用户告诉机器人他已经服用了良好的药物,听到这个后,机器人会自动保存数据库数据。

可支持智能语音的硬件设备不仅包括智能音频,还包括智能手机、便携式设备和家庭医疗设备等智能硬件。此外,语音模式不是强制模式,而是可选模式,除语音外,Orbita仍然可以使用交互式讨论机器人。

Orbita用多渠道视觉设计,编写一次并将其部署在Amazon Alexa、Google智能助理和其他语音和聊天服务上。使用直观的图形设计器可以加速速度的发展。在一个地方管理多个语音应用程序。

III.3 通讯网络

低功耗通信技术、小型化传感器和执行器的发展以及互联网、平板电脑和智能手机的日益普及正在推动我们进入物联网的新时代。 [68]物联网可以通过智能传感和驱动设备以及适当的通信技术将物理世界连接到数字计算平台,从而实现新的生活方式。

因此,物联网的概念可以在广泛的智慧健康和家庭护理应用中得到利用。

传统住宅通常不是为了监测生理状况和居住者活动而设计的。相比之下,智能家居可以给一个传统的家庭拥有智能设备和现代通信技术,可以方便自动监控居住者的家庭环境、安全和健康状况。 [69]

但是,为了在用户中获得广泛认可,智能家居必须能够负担得起。因此,低功耗和高效率的通信技术和公共网络以及低成本设备对智能家居至关重要。此外,必须解决若干关键技术挑战,例如互连设备之间的完全互操作性、高度准确性和精确性,处理资源的限制以及机密性和信息的安全性。 [70]

因此,我们必须首先建立不同通信技术的最新技术并进行比较。

有线通信网络

类型 特点 优点 弱点
X10 用于家庭自动化的电子设备之间的通信协议。 它主要使用电力线布线进行控制,其中信号涉及数字信息的短射频突发。 比特率:22比特/秒,拓扑:无论如何,地址数量:256。[71] 家庭自动化领域中最便宜的协议允许所有电气设备之间的通信,而不会产生额外的布线成本。 指令丢失。 速度相对较慢。
功能有限。干扰接线无加密
KNX 适用于住宅和工业家庭自动化的通信标准。 这是三个EIB,EHS和Batibus总线系统的综合。[72] 全球认可,独立而强大的多媒体配置(双绞线,电力线,射频,红外线),灵活多变 该系统很昂贵
BACnet 用于构建管理网络的数据交换协议,一种独立于媒体的标准化标准。 根据参与者的订阅原则工作。[73] 在Ethernet 网络上流通,可用大型安装监控,可与别的协议互操作 主要用于商业建筑
LONWORKS 建筑市场中的标准网络,许多楼宇自动化系统供应商在LON上进行标准化,包括西门子楼宇系统和霍尼韦尔。速度为4.9kbps / s-1.25 Mbps,总线长度在500到2700米之间。[74] 许多全球标准的标准技术,包括ASHRAE,IEEE,ANSI,SEMI等;
打开所有应用程序,允许任何设备广播其数据。
由于近年来发展缓慢,它主要应用于商业建筑
PLC 电力线载波:数字信息在强电流线(单相或三相)上调制。
根据载波频率,速率可以从几kbps到几百MB / s。[75]
数据传递到现有电路。 很好的解决方案。 流量从低到高,取决于应用。 某些网络存在饱和风险。 电源板的使用会削弱信号,使该技术无效。 连接到CPL的设备越多,流量越少越重要
VDI Voice/ Data / Image语音/数据/图像网络:VDI在RJ45连接器上布线集中通信和多媒体。[76] 允许非常灵活地调制要连接的媒体。
在插头上,您可以连接三种不同的媒体并同时使用它们。
带普通打印机的住宅计算机网络的构成。
盒子的使用可以在每个插座上使用。
应用程序和功能不多
UPnP 一种通用架构,用于智能设备,设备和计算机的无处不在的对等网络连接。[77] 仅使用通用协议,它允许与所有UPnP兼容设备实现真正的即插即用兼容性 它可能会导致大量网络流量
Wink 该系统使用最常见的家庭控制技术,必须与Hub系统配对。[78] 兼容不同品牌的众多设备,易于连接不同设备 Wi-Fi集线器有时不会
好好工作
Modbus TCP 基于主设备和多个从设备之间的分层结构的对话协议。它是电动机的非常可编程的工业和速度驱动器。[79] 易于使用,功能强大且灵活。 仅限于在数据链路上寻址247个设备,这限制了可连接到主站的现场设备的数量
DALI 致力于照明的网络。[80] 允许各种渐变,三色变化,环境变化……
开放和增长的协议。
可以与所有基于开放协议的现场总线连接。
只控制灯光
HomePlug HomePlug指定的各种线路通信规范的系列名称,每个都提供独特的性能,共存或与其他HomePlug规范的兼容性。[81] 传输速度快,高达10Mb / s。许多拓扑都适用,p2p,星形,树形,网格。 但也限制在10米。 频率1.8-30 Mhz,流量4M-10M 不完全安全

家庭无线通信网络

类型 特点 优点 弱点
RF 授权频段的无线电频率,频率为860-960 MHz,低速率为640 kbps,功率为200 mW [82] 在房子内外提供一些自由活动,但限制在内部3米 很容易被黑客入侵,关键数据可能会因恶意原因被解码
红外线 波长大于可见光谱但短于微波的电磁辐射,低流量[83] 流动性,但需要直接观察。 它通过视线或点对点通信提供安全通信。 在监视和控制应用程序中,它一次只能控制一个设备
Wifi 10M-54Mb / s,2.4-5 Ghz
直接通讯[84]
移动性,安装灵活性,易于连接,成本效益。 但信号的质量和连续性有时会受到干扰。 WiFi信号取决于干扰。 另外,连接WiFi信号存在距离限制。
Bluetooth 用于连接没有有线连接设备的低范围无线网络技术[85] PAN(个人局域网)网络易于构建 它会慢慢清空设备的电池。安全性和数据传输速度很慢
Zigbee 2.4 GHZ频段868 MHz和915 MHz的射频发射。 适用于PAN或BAN(体域网),传输距离为10-75米[86] 低成本,强大的控制,节省,移动轻松,网状网络。 需要系统知识才能让所有者操作设备。
Z-Wave 专为住宅和商业区域的远程控制应用而设计的标准。频率为860-960 MHz,吞吐量为9.6-100 kbps,通常距离为30分钟,向外延伸至100米[87] 控制结构简单,无室内干扰,低带宽控制支持和IP支持。 网状网络。 仅支持树形拓扑结构和有限数量的节点
BLE 2.4-2.5 Ghz,1Mb流速[88] 低功率10 mW,一个可以连接1 M节点,但距离限制为10 m。 BLE没有正式提供网状网络
EnOcean 它是一种创新的无线能量回收技术。
它由用于自供电控制、信号和监控系统的无线组件组成。 902 Khz频率,125kb / s输出[89]
能耗极低,消耗量为0.05mW; 几种拓扑结构, 它采用针对极低能耗的解决方案优化的无线标准。 大多数设备都是单向的,这意味着它们只是接收器或发射器
UWB 高速短距离无线通信。 其带宽超过110 Mbps(高达480 Mbps),可满足大多数多媒体应用,如家庭网络中的音频和视频广播。[90] 高速,低速室内,带宽满足大多数多媒体应用。
它还可以作为高速串行总线无线电缆替代品,如USB 2.0和IEEE 1394
成本较高,采用率较慢,信号采集时间较长
MyriaNed 一个自组织的无线传感器网络平台,它的灵感来自生物过程,许多节点(如鸟类,蚂蚁,细胞)在大型分布式系统中运行.868Mhz,2.4GHz,几米距离。[91] 低能耗,低成本;可扩展性;自动配置。 它的技术是一个基于自下而上方法的分散系统,其中单个元素(节点)的行为将导致系统的紧急行为(应用程序) 网络距离小
DASH7 频率315-915 Mhz; 流速167 kb / s。[92] 信号的传输可以到2km。 功率低<1mW。 几种拓扑结构。 传输的速度有限
Insteon 频率921 Mhz,比特率38 kbps。[93] 通过网络调整了几种拓扑结构.64000个节点。 但距离限制在40-50米。 系统的成本可以显着增加
Insteon应用程序不包含您想要的所有功能
Sigfox 频率868/902 Mhz。[94] 距离可以到达10-50km,但流量缓慢10-1000 bps 存在诸如移动环境中的干扰和频率不准确性之类的问题。
NFC 13.56 Mhz,吞吐量424 kbs, P2P拓扑。
[95]
低功耗15 mW。 一次1节点,距离为5厘米。 它不能与其他设备兼容,它可能很昂贵
Wireless

HART™

频率2.4GHz,距离50-100m。[96] 10 mW低功耗。 几种拓扑结构。 信号很慢。 HART多点环路最多可连接16个HART设备
ANT 频率2.4GHz,吞吐量20-60 kbps。[97] 低功耗0.01-1mW,通道65533节。 几种拓扑结构。 但距离限制在30米。 ANT仅针对低比特率而设计
WeBee 它是一个应用程序,允许您连接到智能家居中的所有设备。 它根据用户的习惯,生活方式和规划提供个性化建议,以提高效率。[98] 兼容任何其他智能技术 产品和支持厂商并不多
6LoWPAN 由“互联网工程任务组”定义的一套标准。频率2.4-2.5GHz,流量250 kbps,距离限制在100米。[99] 它们允许在具有有限通信和有限功率能力的外围网络中有效使用IPv6标准。 低功耗2.23mW,改进了几种拓扑结构。 它工作复杂,需要全面了解IPv6协议。
NeuRFon™ Netform 它是一个自组织的无线网络。 该协议使用逻辑骨干架构,通过该架构,分层路由支持所有网络节点之间的数据通信。 流量250kbps,距离为20米。[100] 数据流量低,功耗低 网络节点更少

 

III.4 创新的物联网设备 IOT-Matrix Creator

III.4.1简介Matrix Creator

物联网(IoT)无处不在。每个连接的设备都以“智能”为卖点,问题在于大多数这些物联网设备基本而简单:通过在所有设备中实现连接,将“连接对象”的基础设施集成为传感器。

现在,嵌入在这个生态系统中的设备必须开始相互通信。使用管理单元硬件和开源软件的组合,MATRIX旨在创建一个真正的物联网,而不单是许多连接的东西。

MATRIX Creator是一个完整的智能开发板​​,带有传感器,无线通信和FPGA。 MATRIX Creator旨在为世界各地的每个制造商,业余爱好者和开发人员提供全面,经济且易于使用的工具,用于创建简单到复杂的物联网(IoT)应用程序。 [101]

Matrix creator 物联网开发版
Matrix creator 物联网开发版

MATRIX设备和所有新技术提供了融合的硬件/软件平台,使开发人员可以自由地试验IoT应用程序并围绕MATRIX创建开源生态系统。
硬件本身是一个四核64位1.2GHz ARM Cortex A53,具有32GB内存,500万像素1080p摄像头,WiFi 2.5和5 GHz,8个麦克风。 MATRIX CREATOR可以与ZIGBEE,Z-WAVE,NFC,BLUETOOTH网络进行通信,它包含温度,压力,UV,运动和方向的传感器,它还兼容Raspberry Pi,Debian和Android Things。 MATRIX还在称为“Everloop”的圆形设备周围设有彩虹色LED环。

在软件方面,开源的gesture.ai SDK允许开发人员在任何支持相机的应用程序中编写手势触发器。 MATRIX还配备了公司发展的三种物联网应用:
.MATRIX用于连接和控制家用或专业设备的自动化;
.MATRIX安全使用计算机视觉监控远程位置;
.MATRIX MIA(MATRIX Intelligent Assistant)使用语音和手势命令来控制Alexa和Google助手的组织和工作效率。

MATRIX通过集中体验实现了民主化和开放物联网应用的开发。这种“智能应用程序生态系统”是一个物联网中心,开发人员可以为个人和企业创建和下载物联网应用程序。从理论上讲,您可以使用MATRIX Creator创建几乎任何东西。

III.4.2 Matrix Creator编程的层

MATRIX平台为Raspberry Pi增加了强大的功能,根据应用程序的背景和类型,您可以选择最适合需求的层:

MATRIX CREATOR 开发层
MATRIX CREATOR 开发层

MATRIX OS
Matrix OS(MATRIX Open System)是通过MATRIX CORE集成MATRIX硬件的最高级别的抽象。
它是一个用于托管物联网应用程序的开源软件。 MATRIX Open System在node.js上运行,最初,应用程序将用JavaScript编写。此平台的当前工作流程,可在世界任何地方的单独计算机上部署和安装MATRIX设备中的应用程序。

该层需要在线连接,并提供易于使用的集成IoT环境,包括远程应用程序部署,移动界面,在线仪表板和App Store。

MATRIX CORE
MATRIX CORE是MATRIX HAL的抽象层,也是MATRIX OS的基础。该层使用Protocol Buffers&ZeroMQ与MATRIX设备通信,使设备信息可通过高级接口访问。可以使用支持这些工具的任何语言对MATRIX设备的应用程序进行编程。由于协议缓冲区支持40多种不同的语言:C ++,Python,Ruby,PHP,Java等。

MATRIX HAL
HAL(硬件抽象层)是MATRIX Creator驱动程序的最低级抽象层。您可以直接与HAL连接或使用顶级组件,如Matrix CORE和MATRIX OS。
使用C ++驱动程序与内核模块交互,允许它访问设备上可用的传感器和组件。

III.5 中控系统平台

介绍
随着越来越多的设备可用于帮助实现家庭电子健康和家庭自动化。无论您是想监控您的健康还是远程控制您的照明系统,保护您的家庭免受盗窃,火灾或其他威胁,减少能源消耗,您家中都有无数设备处置。

但与此同时,许多用户担心将新设备引入家庭会带来安全和隐私问题。他们希望控制谁可以访问控制其设备的重要系统,并记录他们日常生活的每一刻。即使您允许设备在外部进行通信,也只能由明确授权的用户访问。

能够完全理解控制家庭的程序意味着您可以看到并在必要时修改在设备上运行的源代码。

虽然连接的设备通常包含专有组件,但我们必须确保所有设备彼此连接并与集线器连接。所以我们需要一个开源平台。

有很多选择,可以选择一切,我主要关注三个Home Assistant,OpenHAB和Domoticz。

Home Assistant家庭助理
Home Assistant是一个开源的家庭自动化平台,可以轻松部署在几乎任何可以运行Python 3的机器上,从树莓派Raspberry Pi到网络连接的存储设备,甚至可以使用Docker容器进行内部部署。其他系统轻而易举。 [102]它集成了大量的开源优惠和商业优惠,允许您链接为IFTTT [103],Amazon Echo,Google助手,Snips,Z波控制硬件锁定到灯光。

该平台为所有移动设备提供易于使用的用户界面。 Home Assistant的一个很棒的功能是它不会将所有私人信息存储在云端,因此您可以确保所有内容都是锁定且安全的。他们还有一个活跃的社区,所以您可以随时找到所需的帮助!
Home Assistant是在MIT许可下发布的[104],其源代码可以从GitHub下载。

OpenHAB
OpenHAB(开放式家庭自动化总线)是开源爱好者中最受欢迎的家庭自动化工具之一,拥有庞大的用户社区和大量支持的设备和集成。 [105] openHAB使用Java编写,可在大多数主要操作系统上移植,并且在Raspberry Pi上运行良好。 openHAB支持数百个设备,旨在独立于设备,同时可以轻松添加自己的设备。自己的设备或插件到系统。 OpenHAB还提供用于设备控制的iOS和Android应用程序,以及帮助您为家庭系统构建自己的用户界面的设计工具。

OpenHAB为各种平台提供了强大的规则引擎和透明的用户界面,并且因其易用性而成为最知名和最受欢迎的开源社区之一。智能家居还拥有庞大的忠诚支持者社区,用户可以与他们联系解决问题或分享想法,这正是开源软件的出发点!
OpenHAB非常适合具有该软件经验但可能对家庭自动化知之甚少的用户。您可以在Eclipse Public License下的GitHub上找到openHAB源代码。

Domoticz
Domoticz是一个家庭自动化系统,拥有相当大的支持设备库,从气象站到烟雾探测器到遥控器,项目网站上还记录了大量额外的第三方集成。它采用HTML5界面设计,可通过桌面浏览器和大多数现代智能手机访问,并且重量轻,可在Raspberry Pi等许多低功耗设备上运行。 [106]

此开源系统还旨在集成来自不同供应商的不同设备。它提供与任何专有智能家居软件相同的通知,并支持从交换机到传感器的大量家庭自动化设备。所有类型。它还具有自动学习功能,使安装更容易。
该网站提供了一个活跃的更新和插件部分,其中包含大量第三方附加组件,可进一步增强功能。这个开源软件也设计用于光线工作,使用的能量非常少。
Domoticz非常适合那些可能不熟悉软件编码,但了解家庭自动化系统如何工作并希望修改其系统的用户。
Domoticz主要用GPLv3下的C / C ++编写,其源代码可以在GitHub上浏览。

就个人而言,Home Assistant是技术上可扩展性最高的平台,所有软件都是用Python 3开发的,它们是异步操作的,并且在规范方面要求很低。我们可以使用通过MQTT协议连接到Home Assistant的PLC订购家用灯和窗帘,并使用Z-WAVE网络从多个传感器接收信息。它还连接到IP摄像机以检索运动检测事件,并可通过各种服务通知我们。可能性是巨大的。

IV 设计和模型提案

IV.1概念哲学

智能家庭健康护理和电子医疗有许多技术和设备。我们应该选哪一个?但在一开始,原则上我们认为家庭电子医疗系统可以包括三层:通信网络,决策平台和服务。

家庭电子健康的三层结构
家庭电子健康的三层结构

通讯网络
所有传感器和其他设备通过通信网络连接到家庭,中央通信,形成架构的第一层。诸如生理信号,由传感器测量的环境信号和控制信号的所有数据在通信介质上被发送到中央计算节点。

我们可以使用多个传感器来收集有关家庭环境的数据,例如照明水平,温度,压力,气体泄漏和居住者活动或位置。可以使用便携式传感器测量诸如血压,体重的生理参数。

便携式医疗传感器可以连接在身体传感器网络中,其中中心节点经由无线传感器网络连接到所有环境传感器。所有智能家居传感器和设备都连接在一起形成局域网或个人网络,并在智能家居中提供数据通信。中央决策平台可以使用网络与所有传感器和设备通信以收集数据或发送反馈以根据需要执行必要的操作。

决策平台
第二层架构负责计算和决策,因此作为系统的大脑。该层将配备计算机系统,例如基于微处理器的定制处理节点。它通过无线传感器网络收集传感器和执行器数据,处理和分析测量数据,并将反馈发送回用户。它还可以存储测量数据,显示用户的结果,以及执行预测算法。预测算法可以利用人工智能的特征,并使用深度学习和机器学习技术来学习和开发家庭环境模型以及居住者的行为和生理模型。我们可以为独立设备配备智能传感器,以监控和评估居民的活动和整体健康状况。

计算平台可以基于从多个传感器接收的信息做出关于家庭环境或乘员健康状态的预测决策。人工智能的采用还将使该平台能够利用机器人来控制智能家居设备,并自动提供乘员服务,并随着时间的推移不断提高准确性。

该层可以在因特网上传输测量数据,生理或环境参数,从而用作远程安装的访问网关。该平台持续监测和评估测量的生理或环境数据。如果检测到家庭环境中或用户健康状况的生命体征中的异常,则可以以语音呼叫,SMS或电子邮件的形式触发警报或向服务提供商发送警报消息。

服务
架构的顶层包括服务提供商提供给用户的服务。这些服务可能与居住者的健康,环境,家庭和居民的安全或保障有关。这些服务可以是本地服务或远程服务。

简单的服务,如无线照明控制,语音协助,跌倒检测等。更复杂,如远程医疗,慢性疾病管理的社交网络。所提供的服务可以根据医疗水平或所需的安全性来适应居住者的要求。

在智能家居中,网关平台用作主要服务提供商,例如,通过在自动传递阻力的情况下激活控制家庭环境所需的致动器,照明。

网关系统可以控制智能设备,为乘客提供更好的服务。这座桥可以学习并保持住户生理状况的连续记录。它还可以监控家庭环境,并使用安装在家中不同位置的环境传感器检测任何危险情况,例如存在烟雾或气体泄漏。

二级服务提供商是所有订购智能家居的中心枢纽,负责网络和智能家居系统的管理,维护,连接和信息安全。它不断监控警报或紧急情况,并立即通知其他第三方服务,如紧急医疗服务,护理人员等。

IV.2实现

我们询问系统设计的要求和约束
它要求网络简单,并且可以适用于家庭和养老院等小型场所。
网络通信协议需要低功耗和高安全性。
可以收集反映老年人健康状况的生理参数(EGC,心率,体温等)
通过组合语音,视频和数据设备,系统必须能够拥有更多功能。
数据收集节点必须对老年人的正常生活影响很小。
它还要求终端具有用户友好的人机界面,简单的操作和数据存储。 并展示功能,并具有良好的可扩展性。

家中的老年人可以控制不同的智能电器(灯,开关,电源插座)并测量血压,心率,心电图等。我们可以提供健康监测,紧急救援紧急情况,警报,救护车远程,健康建议等服务。

千里之行始于足下。因此,我们首先要设计并制作一个小型测试模型,如下图所示。

智慧健康养老 ,智能健康家庭护理模型结构
智慧健康养老 ,智能健康家庭护理模型结构

我用Z-WAVE作为家庭网络和该测试的通信网络层,因为它非常实惠且足够灵活,几乎可以安装在任何个人技术中,例如血压计和秤。因此,Z-Wave对于关键医疗保健应用而言足够强大且可靠。医生和医疗保健机构越来越依赖可以帮助他们照顾更多患者的技术,并在移动中为他们提供更可靠、更快速的重要信息访问。在短时间内,Z-Wave将支持这些技术,以及我们健康卫生系统的很大一部分。

虽然技术在照顾老年人和残疾人方面发挥着核心作用,但Z-Wave是医生,护理人员和患者之间的重要桥梁,即沟通。市场上也有越来越多的ZWAVE产品。

考虑到MATRIX CREATOR的强大功能,我本来希望在MATRIX设备模型中制作Z-WAVE控制器和语音助手。 Matrix创建者和Home助手可以作为第二层决策平台。

对于服务层,我们希望防止检测房屋的环境,检测跌倒,检测人的存在,用语音、智能手机和计算机控制不同的智能设备。

人们还可以测量血压,脉搏率和结果的自动保存。所有测量结果都可以上传到服务器,以便通过Z-Wave访问进行分析和监控。

V.模型的实现

VI.产品订单

在充分研究资料文档之后,我通过互联网对不同的Z-WAVE产品制造商进行了研究,看看产品是什么,因为我们不得不订购一些产品来测试性能并实现安装。我意识到700个Z-WAVE联盟成员和2400个产品参考中有更广泛的产品选择。然后,我通过考虑外观,性能和物有所值的产品,集中研究这三家公司的产品FIBARO,ZIPATO和小米。

在研究了不同的产品并考虑了价格因素,质量以及系统的扩展之后,我最终决定采用MATRIX CREATOR系统来实现控制器Z-WAVE以及网关IP / Z-WAVE。我们还想使用MATRIX CREATOR来实现声乐助手和视觉管理。所以我们订购了数量。

考虑到产品测量健康的生理参数,产品JTB-1001-02 Z-Wave血压计非常有趣。该产品包括血压测量,脉搏测量和自动保存结果。它还有心律失常警报和音频通知。他安装了多级传感器,他有多通道与舒张压/收缩压/脉搏心率相关。该设计为客户提供多年可靠的服务。监视器所读取的读数与使用袖带和听诊器听诊方法的合格观察者所获得的读数相当。所有测量结果都可以下载到医疗保健服务器,以便通过Z-Wave访问进行分析和跟踪。但是当我下订单并联系该制造商时,该产品没有库存。

Fibaro运动传感器是一款时尚,制作精良且可靠的ZWave传感器。这种多传感器相当不错。它可以检测运动,温度变化,光线和振动。这是因为加速度计安装在其小巧紧凑的机身内。 Fibaro带有一个警报系统,智能手机或平板电脑的爱好者一定会喜欢。如果您不在,您可以通过在手机或平板电脑上同步设备来轻松监控您的家庭。您还可以通过电子邮件接收通知。当触发动作检测或光检测时,您可以触发警报或远程激活特定预设场景。如果家中有宠物可能触发误报警,我们可以轻松调整灵敏度等级区分宠物和人。如果您的问题是伪造的,您不必担心,因为该设备配备了防篡改机制。在有人移动设备时触发警报的破坏。

我们还认为将传统家用电器放在网络中。产品Fibaro FGWPE-102 ZW5 EU插座和EVERSPRING模块插座可以发挥这一作用。 FIBARO墙壁插座是一款终极智能遥控插头适配器。此墙壁插座可应用于您想要控制Z WAVE网络中的电气设备的任何位置,同时以方便且免维护的方式监控能耗。结果可以在一个易于阅读的饼图中看到,不仅可以看到电器正在消耗的能量,还可以看到插头本身的能量。 EVERSPRING模块插座AN145允许通过Z-Wave控制器远程控制E27灯。它可以通过网络上的遥控器,PC软件或任何Z-Wave控制器进行控制。每个Z-Wave模块都可作为无线中继器使用。其他模块,以确保家庭的全面覆盖。

购买产品的详细清单和价格如下表所示:

产品名称 功能 价格(欧元)
MATRIX Creator 与 RASPBERRYPI3-MODB-1GB 开发家庭智慧健康物联网 85.9
FIBARO运动传感器FGMS-001 运动,亮度,温度检测器 44.17
AEON LABS ZW-100 – 多功能探测器 温度,湿度,运动,紫外线亮度和振动的传感器 49.99
JTB-1001-02 Z-Wave血压计 测量血压和脉搏 91
Fibaro FGWPE-102 ZW5 EU墙壁插座E型 能够到达并控制Z WAVE设备 51.99
Zipato rgbw2.eu Light Bulb 2 控制灯泡的颜色和强度 39
EVERSPRING模块插座 传统的遥控灯 39.8
Danfoss “Living Connect Z” 允许您从家中或通过智能手机远程管理和编程供暖 59.67

V.II 模型的实现

MATRIX Creator 测试
收到订购的产品后,首先要做的是测试MATRIX Creator。如前所述,MATRIX Creator有三层,所以我测试了这三个层次:MATRIX OS,MATRIX CORE和MATRIX HAL。
MOS包含一个命令行界面(CLI)工具,用于控制和管理MATRIX设备。要安装该工具,我们必须在个人计算机的终端中执行该命令。安装后,必须通过注册并登录MATRIX Labs帐户来配置CLI工具。
创建设备后,将生成一组唯一凭据。在将MATRIX Labs帐户链接到MATRIX设备时需要注册这些凭据。
通过SSH会话访问Raspberry Pi终端。在这里,我使用名为Mobaxterm的软件来获取Raspberry控件。我使用Advanced IP Scanner查找Raspberry IP地址。
接下来,将设备连接到MATRIX Labs帐户,安装并运行该应用程序。在这里,我从MATRIX App Store安装了HelloWorld应用程序并对其进行了测试。

结果的输出如下图所示。

要测试MATRIX CORE层,必须安装MATRIX CORE包和ZeroMQ。我们使用Python项目(附录I.1)来测试它。我们的结果如下图所示。

要测试MATRIX HALL图层,您可以直接将软件包下载到站点。基本示例可以在我们安装的存储库中的demo目录中找到。我们的结果如下图所示。

实现Z-WAVE控制器和网络

要制作Z-WAVE控制器,使用MATRIX CORE层和MATRIXIO内核模块。 MATRIX Creator的Zwave抽象层可以通过0MQ使用。协议缓冲区用于数据交换。

我们还可以使用MATRIX CORE查询MATRIX Creator传感器,并从支持协议和0MQ缓冲区的任何语言控制MATRIX Creator。可以从localhost(127.0.0.1)和同一网络上的远程计算机连接到MATRIX CORE。
首先需要编程和编译MATRIXIO内核模块(附录I.2),还需要构建一个Z-wave/ IP网关,以便于从IP网络控制Z-Wave设备(附录I.3),然后进行Zwave和Matrix CORE的初始配置(附录I.4),

在这些计划之后,我们需要知道有一些步骤可以解决:启动Z-WAVE / IP网关,在网络中找到Z-Wave服务并开始包含节点。但是起初我被Matrix卡阻挡了,即使所有的编程都完成了,Z-Wave仍然没有工作。这使我花了一个多月来调试问题,我找到了原因。

Z-Wave使用串行端口连接到FPGA。但默认情况下,zigbee使用MATRIX的串口。 Z-WAVE / IP配置分配给ttyACM0门。我们不能在Matrix Creator中同时使用ZIGBEE和Z-WAVE。所以我们需要端口是z波。您必须键入命令(附件I.5)以更改ttyS0处的Z-WAVE门。在此之前,我们可以添加Z-wave设备并通过键入命令在Mobaxterm下控制它们。 (附录I.6)

与HOME ASSISTANT和配置连接
使用SSH控制ZWAVE在mobaxterm中不利于数据分析,也不利于使用网络的非专业人员。所以我们使用了HOME ASSISTANT。

安装HOME ASSISTANT后,编辑home assistant目录中的configuration.yaml文件(附录I.7)非常重要。我们可以根据需要,客厅、房间、办公室、烹饪以及不同设备和仪器的控制分为几组。

通过调试,所有Z-WAVE都可以添加到HOME ASSISTANT,它可以通过计算机和移动电话控制灯,开关和网络仪器。

但它没有显示传感器的数据,包括HOME ASSISTANT平台上的FABIRO MOTION SENSOR。没有为“节点组关联”和“节点配置参数”配置的内容。
无论我选择哪种设备并显示“组”,“配置设置”,都没有显示数据。即使我点击按钮B三次,传感器仍然关闭。 (附录II.1)我花了两周多时间为这个节目寻找解决方案,但没有答案。所以我转向另一个方向。

使用Matrix Creator实现ASSISTANT VOCAL
起初,我想在同一个Matrix创建者Z-WAVE中做谷歌助手。但是它显示了错误。 (附录II.2)因此,我使用了另一个新的MATRIX Creator。为了让Google Assistant软件能够访问MATRIX Creator的麦克风,我们必须安装Matrix内核模块并安装Google SDK Assistant。 (附录I.8)测试结束后,Google智能助理功能正常,可以回答我们的问题。

在同一个Matrix创建者下,我安装并测试了另一个SNIPS语音助手。 (附录1.9)它也很有效。与谷歌助手相比,它的功能更少,手动输入问题和答案需要更长的时间。语音识别能力也低于GOOGLE ASSISTANT。在那之后,我花了三个星期试图通过SNIPS或GOOGLE ASSISTANT控制灯光,但我没有成功。

模型实现暂时到了这里。

VI 结论

这个研究可以让您有机会初步探索发现 家庭智慧健康 护理和电子健康服务。

您可以初步了解物联网和MATRIX创建者在电子健康和家庭支持领域的应用。

我们可以创建我们自己的助理人工智能助理Google智能助理、Alexa、Snips使用Matrix Creator并在同一设备上互相转换。在网站上的此实施中,仅实施了Google智能助理和Snips之间的转换。

您还可以使用不同类型的通信网络:ZIGBEE和ZWAVE。我们还可以使用MATRIX CREATOR构建不同的智能通信网络,以便在家中实现生态电子卫生系统。对于MATRIX CREATOR系统的初学者来说,它当然很复杂。我们实现了Z-WAVE网络,并花了将近两个月的时间进行故障排除。

我们可以说MATRIX Creator是一个功能强大的物联网工具和平台,可以构建计算机视觉,家庭自动化,机器人和其他电子 智慧健康 解决方案,与15个传感器集成。

MATRIX Creator可以满足新手和专家的需求,提供在PI上运行的简化Linux操作系统,可在JavaScript,Python和C ++中编程。
当然,我们可以更进一步,更好,我们可以构建更先进的检测应用程序,面部,手势和对象检测,可以免费访问预先存在的计算机视觉库。

通过此研究,您可以了解电子健康领域中常见的各种功能。它还使您具备在家庭 智慧健康 医疗系统中构思和提出创新解决方案的初始能力。

附录

附录I.1 用于测试MATRIX Creator的简单app.py项目

## Set Initial Variables ##

import os # Miscellaneous operating system interface

import zmq # Asynchronous messaging framework

import time # Time access and conversions

from random import randint # Random numbers

import sys # System-specific parameters and functions

from matrix_io.proto.malos.v1 import driver_pb2 # MATRIX Protocol Buffer driver library

from matrix_io.proto.malos.v1 import io_pb2 # MATRIX Protocol Buffer sensor library

from multiprocessing import Process, Manager, Value # Allow for multiple processes at once

from zmq.eventloop import ioloop, zmqstream# Asynchronous events through ZMQ

matrix_ip = ‘127.0.0.1’ # Local device ip

everloop_port = 20021 # Driver Base port

led_count = 0 # Amount of LEDs on MATRIX device

# Handy function for connecting to the Error port

from utils import register_error_callback

## BASE PORT ##

def config_socket(ledCount): 

    # Define zmq socket

    context = zmq.Context()

    # Create a Pusher socket

    socket = context.socket(zmq.PUSH)

    # Connect Pusher to configuration socket

    socket.connect(‘tcp://{0}:{1}’.format(matrix_ip, everloop_port))

    # Loop forever

    while True:

        # Create a new driver config

        driver_config_proto = driver_pb2.DriverConfig()

        # Create an empty Everloop image

        image = []

        # For each device LED

        for led in range(ledCount):

            # Set individual LED value

            ledValue = io_pb2.LedValue()

            ledValue.blue = randint(0, 50)

            ledValue.red = randint(0, 200)

            ledValue.green = randint(0, 255)

            ledValue.white = 0

            image.append(ledValue)

        # Store the Everloop image in driver configuration

        driver_config_proto.image.led.extend(image)

        # Send driver configuration through ZMQ socket

        socket.send(driver_config_proto.SerializeToString())

        #Wait before restarting loop

        time.sleep(0.05)

## KEEP ALIVE ##

def ping_socket():

    # Define zmq socket

    context = zmq.Context()

    # Create a Pusher socket

    ping_socket = context.socket(zmq.PUSH)

    # Connect to the socket

    ping_socket.connect(‘tcp://{0}:{1}’.format(matrix_ip, everloop_port+1))

    # Ping with empty string to let the drive know we’re still listening

    ping_socket.send_string(”)

## ERROR PORT ##

def everloop_error_callback(error):

    # Log error

    print(‘{0}’.format(error))

## DATA UPDATE PORT ##

def update_socket():

    # Define zmq socket

    context = zmq.Context()

    # Create a Subscriber socket

    socket = context.socket(zmq.SUB)

    # Connect to the Data Update port

    socket.connect(‘tcp://{0}:{1}’.format(matrix_ip, everloop_port+3))

    # Connect Subscriber to Error port

    socket.setsockopt(zmq.SUBSCRIBE, b”)

    # Create the stream to listen to data from port

    stream = zmqstream.ZMQStream(socket)

    # Function to update LED count and close connection to the Data Update Port

    def updateLedCount(data):

        # Extract data and pass into led_count global variable

        global led_count

        led_count = io_pb2.LedValue().FromString(data[0]).green

        # Log LEDs

        print(‘{0} LEDs counted’.format(led_count))

        # If LED count obtained

        if led_count > 0:

            # Close Data Update Port connection

            ioloop.IOLoop.instance().stop()

            print(‘LED count obtained. Disconnecting from data publisher {0}’.format(everloop_port+3))

    # Call updateLedCount() once data is received

    stream.on_recv(updateLedCount)

    # Log and begin event loop for ZMQ connection to Data Update Port

    print(‘Connected to data publisher with port {0}’.format(everloop_port+3))

    ioloop.IOLoop.instance().start()

## START  PROCESSES ##

if __name__ == ‘__main__’:

    # Initiate asynchronous events

    ioloop.install()

    # Start Error Port connection

    Process(target=register_error_callback, args=(everloop_error_callback, matrix_ip, everloop_port)).start()   

    # Ping the Keep-alive Port once

    ping_socket()

    # Start Data Update Port connection & close after response

    update_socket()

    # Send Base Port configuration

    try:

        config_socket(led_count)

    # Avoid logging Everloop errors on user quiting

    except KeyboardInterrupt:

        print(‘ quit’)

附件I.2编译MATRIXIO内核模块

MATRIXIO Kernel是MATRIX Creator的内核驱动程序。此驱动程序仅适用于当前的raspbian内核。要返回当前使用Raspbian内核:
sudo apt-get install –reinstall raspberrypi-bootloader raspberrypi-kernel
安装依赖项
#添加一个仓库和一把钥匙
curl https://apt.matrix.one/doc/apt-key.gpg | sudo apt-key add –
echo“deb https://apt.matrix.one/raspbian $(lsb_release -sc)main”| sudo tee /etc/apt/sources.list.d/matrixlabs.list
#更新包并安装
sudo apt-get update
sudo apt-get升级
#安装MATRIX Pacakages
sudo apt install matrixio-creator-init
#内核安装包
sudo apt-get -y install raspberrypi-kernel-headers raspberrypi-kernel git
# 重启
sudo重启
#编译
git clone https://github.com/matrix-io/matrixio-kernel-modules
cd matrixio-kernel-modules / src
make && make install
之后,您必须覆盖安装程序
添加/boot/config.txt
dtoverlay = matrixio
然后重启系统。它允许激活模块MATRIXIO Kernel。

附录I.3 构建一个Z-WAVE / IP网关

运行以下命令:
$ sudo apt-get update
$ sudo apt-get install cmake libavahi-client-dev libxml2-dev libbsd -dev libncurses5-dev libncurses5-dev git
使用Raspbian Jessie安装:
sudo apt-get install –yes libssl-dev
使用Raspbian Stretch安装:
sudo apt-get install –yes libssl1.0-dev
然后:
$ git clone https://github.com/Z-WavePublic/libzwaveip.git
$ cd libzwaveip
$ mkdir build
$ cd build
$ cmake ..
$ make

附录I.4 Zwave和Matrix CORE配置

Zwave的初始配置
#添加一个仓库和一把钥匙
curl https://apt.matrix.one/doc/apt-key.gpg | sudo apt-key add –
echo“deb https://apt.matrix.one/raspbian $(lsb_release -sc)main”| sudo tee /etc/apt/sources.list.d/matrixlabs.list
#更新包并安装
sudo apt-get update
sudo apt-get升级
#安装MATRIX Creator Init
sudo apt-get install matrixio-creator-init matrixio-kernel-modules
#安装Zwave实用程序
sudo apt-get install matrixio-zwave-utils

运行zwave_conf以在MATRIX Creator中配置ZM5202
$ zwave_conf
然后重启系统。此过程必须运行一次。 ZM5202将保留此配置。
安装
sudo apt-get install matrixio-malos-zwave
sudo重启
作为服务运行
此时,在下一次启动时,matrixio-malos-zwave将作为一种名为status matrixio-malos-zwave.service的服务工作。
sudo systemctl status matrixio-malos-zwave
升级
sudo apt-get update sudo apt-get upgrade
sudo重启
手动启动
#手动运行,只需输入`malos`即可
malos_zwave
我们可以检查zipgateway是否适用于$ more /tmp/zipgateway.log

Zwave ip configuration smart health guide 智慧健康向导

附件I.5 把入口从Z-WAVE改为ttyS0

git clone https://github.com/matrix-io/matrix-malos-zwave.git
cd matrix-malos-zwave
blob cd
sudo ./zwave_setup.bash copy

附录I.6 把ZWAVE与Matrix Creator配合使用

运行Z / IP网关
〜/ libzwaveip / build / reference_client -s fd00:yyyy :: 3
在网络中查找Z-Wave客户端 – 可以使用列表操作找到它

只需在节点(设备)中添加addnode操作即可

打开FIBARO wall plug 示例
(ZIP)发送“二进制交换机[e100778e0a00]”COMMAND_CLASS_SWITCH_BINARY SWITCH_BINARY_SET ff

附录I.7 家庭助手HOME ASSISTANT 配置

configuration.yaml
homeassistant:
  # Name of the location where Home Assistant is running
  name: Home
  # Location required to calculate the time the sun rises and sets
  latitude: 48.6748
  longitude: 2.3006
  # Impacts weather / sunrise data (altitude above sea level in meters)
  elevation: 0
  # metric for Metric, imperial for Imperial
  unit_system: metric
  # Pick yours from here: http://en.wikipedia.org/wiki/List_of_tz_database_time_zones
  time_zone: Europe / Paris
customize:
    sensor.alarm_type:
    friendly_name: SENSOR ACTIONS
    hidden: false
  # Customization file
  customize:! include customize.yaml
# Show links to resources in frontend
introduction:
# Enables the frontend
frontend:
# Enables configuration UI
config:
http:
# Discover some devices automatically
discovery:
# Allows you to go to the frontend in enabled browsers
conversation:
# Enables support for tracking state changes over time
history:
# View all events in a logbook
logbook:
# Enables a map showing the location of tracked devices
map:
# Track the sun
sun:
# Weather prediction
sensor:
  – platform: yr
# Text to speech
tTS:
  – platform: google
# Cloud
cloud:
# Turn on Z-WAVE from HOME ASSISTANT to the ttyS0 door
Zwave:
  usb_path: / dev / ttyS0
group:
 default_view: # default homepage is HOME page
 view: yes # Indicates if pagination is displayed at the beginning of the page
 entities: # Peripherals and groups under the first tab
  – sun.sun
  – sensor.yr_symbol
group:! include groups.yaml
automation:! include automations.yaml
script:! include scripts.yaml
Configuration groups.yaml
The apartment: # This is the setting of the whole ROOMS page, the next section
name: Apartment # Display Name
   view: yes # Indicates if pagination is displayed at the beginning of the page
   entities: # Groups under the page
     – group.Entree – group.Salon – group.Cuisine – group.Bedroom1 – group.Bedroom2
Entrance:
   name: The Entrance
   view: no
   icon: mdi: home-variant
   entities:
     – binary_sensor.sensor
     – light.level
     – sensor.alarm_type
Living room:
   name: Salon
   view: no
   icon: mdi: sofa
   entities:
     – script.1529935670460 – script.1529935696908
     – script.1529935786852 – script.1529935820515
     – script.1529935881364 – script.1529935908101
Cooked:
   name: Kitchen
   view: no
   icon: mdi: glass-tulip
   entities:
     – sensor.unknown_node_50_alarm_level
     – sensor.unknown_node_50_alarm_type
     – sensor.unknown_node_51_unknown
Room 1:
   name: Room1
   view: no
   icon: mdi: pot
   entities:
     – script.1529935670460
     – script.1529935696908
     – sensor.unknown_node_51_alarm_type
Bedroom2:
   name: Room2
   view: no
   icon: mdi: hotel
   entities:
     – sensor.unknown_node_51_alarm_level
     – binary_sensor.unknown_node_50_sensor
     – script.1529935786852
     – script.1529935820515
ZWAVE_view: # This is the setting for the entire DEVICES page
   name: Z-WAVE DEVICES # Display Name
   view: yes # Indicates if pagination is displayed at the beginning of the page
   entities:
     – zwave.unknown_node_49 – zwave.unknown_node_50
     – zwave.unknown_node_51 – zwave.unknown_node_52
LIGHT_view:
   name: LIGHT
   view: yes
   entities: – script.1529936345615

附录I.8 MATRIX使用Google智能助理进行编程

要使Google智能助理软件访问MATRIX Creator麦克风,我们必须先安装:
#添加一个仓库和一把钥匙
curl https://apt.matrix.one/doc/apt-key.gpg | sudo apt-key add –
echo“deb https://apt.matrix.one/raspbian $(lsb_release -sc)main”| sudo tee /etc/apt/sources.list.d/matrixlabs.list
#更新包并安装
sudo apt-get update
sudo apt-get升级
#安装MATRIX Pacakages
sudo apt install matrixio-creator-init
# 重启
sudo重启
重启后去安装内核模块:
#安装MATRIX包
sudo apt install matrixio-kernel-modules
# 重启
sudo重启
#然后配置Google智能助理。 在此步骤中,您必须配置所有必需的软件以最终启动向导。
。配置Google Developer Project
打开GOOGLE控制台操作控制台。 单击“添加/导入项目”。 要创建新项目,请在“项目名称”框中键入名称,然后单击“创建项目”。

然后选择一个类别或继续选择以后再选择。

.注册设备型号
在项目左侧导航栏中选择“设备注册”选项卡(在“高级选项”下)。 单击“注册模型”按钮。
填写设备的所有字段。 选择设备类型,例如扬声器。完成后,单击“注册模型”。

在PC上下载文件credentials.json,然后使用MOBAXTERM将它们移动到/ home / pi /中的raspberry pi。

.安装Google Assistant SDK和示例代码。 Google智能助理SDK包中包含Google智能助理在设备上运行所需的所有代码,包括示例代码。
设置一个新的Python虚拟环境
$ sudo apt-get update

$ sudo apt-get install python3-dev python3-venv
$ python3 -m venv env
$ env / bin / python -m pip install –upgrade pip setuptools wheel
$ source env / bin / activate
Install the system dependencies of the package:
$ sudo apt-get install portaudio19-dev libffi-dev libssl-dev libmpg123-dev
Install the latest version of the Python package in the virtual environment:
$ python -m pip install –upgrade google-assistant-library
$ python -m pip install –upgrade google-assistant-sdk [samples]
Install or update the authorization tool:
$ python -m pip install –upgrade google-auth-oauthlib [tool]
Generate credentials to run the sample code and tools
$ google-oauthlib-tool –scope https://www.googleapis.com/auth/assistant-sdk-prototype \
     –scope https://www.googleapis.com/auth/gcm \
     –save –headless –client-secrets /home/pi/credentials.json
You should see a URL displayed in the terminal:
$ Please visit this URL to authorize this application: https: // …
Copy the URL and paste it into a browser (this can be done on any machine). The page will ask you to sign in to your Google Account. Sign in to the Google account that created the developer project in the previous step
After approving the API authorization request, a code will appear in your browser, such as “4 / XXXX”. Copy and paste this code into the terminal:
$ Enter the authorization code:
If the authorization was successful, you will see a response similar to this one:
$ credentials saved: /path/to/.config/google-oauthlib-tool/credentials.json
Get code to use the Everloop
$ git clone https://github.com/matrix-io/google-assistant-matrixio.git
$ cd google-assistant-matrix /
Start the Google Assistant!
$ ~ / google-wizard-matrixio / google-matrixio-wizard-hotword –project_id matrix-creator-e92d7 –device_model_id matrix-creator-e92d7-matrix-creator-p3l4o6

附录I.9 使用Matrix创建器安装Snips语音助理

.Install Raspbian Stretch
 Install Matrix Kernel Modules: https://github.com/matrix-io/matrixio-kernel-modules
curl https://apt.matrix.one/doc/apt-key.gpg | sudo apt-key add –
echo “deb https://apt.matrix.one/raspbian $ (lsb_release -sc) main” | sudo tee /etc/apt/sources.list.d/matrixlabs.list
sudo apt-get update
sudo apt-get upgrade
sudo reboot
sudo apt-get update – >> Not specified on the web page but otherwise gives an error:
The following packages have unmet dependencies:
matrixio-kernel-modules: Depends: matrixio-creator-init but it will not be installed
Depends: dkms but it is not installable
E: Unable to correct problems, you have held broken packages.
sudo apt install matrixio-kernel-modules
sudo reboot
arecord -l:
**** List of CAPTURE Hardware Devices ****
card 1: Dummy [dummy], device 0: Dummy PCM [Dummy PCM]
Subdevices: 8/8
Subdevice # 0: subdevice # 0
Subdevice # 1: subdevice # 1
Subdevice # 2: subdevice # 2
Subdevice # 3: subdevice # 3
Subdevice # 4: subdevice # 4
 Subdevice # 5: subdevice # 5
 Subdevice # 6: subdevice # 6
 Subdevice # 7: subdevice # 7
card 2: SOUND [MATRIXIO SOUND], device 0: matrixio.mic.0 snd-soc-dummy-dai-0 []
Subdevices: 1/1
 Subdevice # 0: subdevice # 0
.Install Snips: https://github.com/snipsco/snips-platform-documentation/wiki
  From: https://github.com/snipsco/snips-platform-documentation/wiki/1.-Setup-the-Snips-Voice-Platform
  Installing the Snips platform
  sudo apt-get update
  sudo apt-get install -y dirmngr
  sudo bash -c ‘echo’ deb https://raspbian.snips.ai/$(lsb_release -cs) stable main “> /etc/apt/sources.list.d/snips.list ‘
  sudo apt-key adv –keyserver pgp.mit.edu –recv-keys D4F50CDCA10A2849 or
  sudo apt-key adv –keyserver pgp.surfnet.nl –recv-keys D4F50CDCA10A2849
  sudo apt-get update
sudo apt-get install -y snips-platform-voice
– skip the configuration part, should already be done
.Install demo assistant
apt-get install snips-platform-demo
.Install Snips-Watch
sudo apt-get install snips-watch
Check the status:
sudo systemctl status “snips- *” = >> all should be running
Stop Audio Server
sudo systemctl stop snips-audio-server
Open another terminal and syslog queueg
sudo tail -f / var / log / syslog
Start the audio server from the other terminal
sudo systemctl start snips-audio-server
You will see these errors:

IMPORTANT TO FIX THE QUESTION:
Delete DUMMY from matrix-mics.conf
sudo nano /etc/modules-load.d/matrix-mics.conf
comment snd-dummy:
snd_bcm2835
# Snd-dummy
restart:
Stop Audio Server
sudo systemctl stop snips-audio-server
Open another terminal and syslog tail
sudo tail -f / var / log / syslog
Start the audio server from the other terminal
sudo systemctl start snips-audio-server
In terminal systail, you should see:

You have to configure /etc/snips.toml on raspberry pi to be able to run google assistant and snips in the same Matrix creator device.
[Snips-audio-server]
# frame = 256
# bind = “0.0.0.0:26300”
# mike = “Built-in Microphone”
mike = “MATRIXIO SOUND: – (hw: 2,0)”

附录II .1 在HOME ASSISTANT中取出传感器参数的问题

在HA的ZWAVE控制面板中,它显示如下:“Sigma设计未知:type = …”

 

我用Fibaro运动传感器运动传感器,fibaro墙壁插座,Zipato2灯泡,AN145开/关模块,像ZWAVE设备一样拧紧。可以将这些设备添加到HA,但没有为“节点组关联”和“节点配置参数”配置的内容。

无论我选择哪种设备,它们都显示“组”,“配置设置”如下图所示,没有显示数据。即使我点击B按钮三次,传感器仍然关闭。

以Fibaro运动seonsor为例,加入网络后,显示“node: 17 versions”,然后在这个节点的实体中选择“binary_sensor.Sensor”


然后我在节点的值中选择了“警报级别”。

然后我想做Node组关联和Config参数,但是在点击下拉按钮后,没有任何改变。如果没有,始终显示“Config parameter”,“Group”。

在状态页面的zwave域中,三次点击传感器按钮b后,显示“initialization (Dynamic)”,传感器的颜色变为蓝色。但几秒钟后,颜色会关闭并显示“Sleeping”。在上面,“Alarm Level”按钮“Alarm type”始终显示0并且传感器关闭。

附录II.2  Z-WAVE下谷歌助手的问题

订购后
〜/ google-wizard-matrixio / google-matrixio-wizard-hotword –project_id your-dev-project-id –device_model_id your-model-id
它显示错误
device_model_id:matrix-creator-e7-matrix-creator-p36
device_id:BA335DBF6E9CE9C12B1AAD435015
https://embeddedassistant.googleapis.com/v1alpha2/projects/matrix-creator-e92d7/devices/BA335DBF6E9CE9C12954B1AAD4350185 200
EventType.ON_MUTED_CHANGED
EventType.ON_MEDIA_STATE_IDLE
Traceback(most recent call last):
File “/ home / pi / google-wizard-matrixio / google-matrixio-wizard-hotword”, line 11, in <module>
    sys.exit (main ())
  File “/home/pi/google-assistant-matrixio/matrixio/hotword.py”, line 187, in main
    process_event (event, assistant.device_id)
  File “/home/pi/google-assistant-matrixio/matrixio/hotword.py”, line 68, in process_event
    set_everloop_color (0,0,0,10) # blue
  File “/home/pi/google-assistant-matrixio/matrixio/hotword.py”, line 53, in set_everloop_color
    with open (‘/ dev / matrixio_everloop’, ‘wb’) as bin_file:

PermissionError:[Errno 13]Permission denied:’/ dev / matrixio_everloop’
我们输入命令
ls -l / dev / matrixio_ *
出口是
ls:无法访问’/ dev / matrixio_ *’:No such file or directory

参考资料

[1]     C. Bailey and C. Sheehan, ‘Technology, older persons’ perspectives and the anthropological ethnographic lens’, ALTER – European Journal of Disability Research / Revue Européenne de Recherche sur le Handicap, vol. 3, no. 2, pp. 96–109, Apr. 2009.

[2]     F. Boll and P. Brune, ‘Online Support for the Elderly – Why Service and Social Network Platforms should be Integrated’, Procedia Computer Science, vol. 98, pp. 395–400, 2016.

[3]     E. P. W. A. Talboom-Kamp, N. A. Verdijk, M. J. Kasteleyn, M. E. Numans, and N. H. Chavannes, ‘From chronic disease management to person-centered eHealth; a review on the necessity for blended care’, Clinical eHealth, vol. 1, no. 1, pp. 3–7, Mar. 2018.

[4]     L. Lahousse, H. Tiemeier, M. A. Ikram, and G. G. Brusselle, ‘Chronic obstructive pulmonary disease and cerebrovascular disease: A comprehensive review’, Respiratory Medicine, vol. 109, no. 11, pp. 1371–1380, Nov. 2015.

[5]     D. Jain and V. Singh, ‘Feature selection and classification systems for chronic disease prediction: A review’, Egyptian Informatics Journal, Apr. 2018.

[6]  E. P. W. A. Talboom-Kamp, N. A. Verdijk, M. J. Kasteleyn, M. E. Numans, and N. H. Chavannes, ‘From chronic disease management to person-centered eHealth; a review on the necessity for blended care’, Clinical eHealth, vol. 1, no. 1, pp. 3–7, Mar. 2018.

[7]     M. Desmedt et al., ‘Economic Impact of Integrated Care Models for Patients with Chronic Diseases: A Systematic Review’, Value in Health, vol. 19, no. 6, pp. 892–902, Sep. 2016.

[8]     C. Laurendeau, C. Chouaid, N. Roche, P. Terrioux, J. Gourmelen, and B. Detournay, ‘Prise en charge et coûts de la bronchopneumopathie chronique obstructive en France en 2011’, Revue des Maladies Respiratoires, vol. 32, no. 7, pp. 682–691, Sep. 2015.

[9]   P. Skocir, P. Krivic, M. Tomeljak, M. Kusek, and G. Jezic, ‘Activity Detection in Smart Home Environment’, Procedia Computer Science, vol. 96, pp. 672–681, Jan. 2016.

[10]   J. Schubert, S. Ghulam, and L. Prieto-González, ‘Integrated Care Concept using Smart Items and Cloud Infrastructure’, Procedia Computer Science, vol. 63, pp. 439–444, Jan. 2015.

[11]   J. Sarasohn-Kahn, ‘A Role for Patients: The Argument for Self-Care’, American Journal of Preventive Medicine, vol. 44, no. 1, Supplement 1, pp. S16–S18, Jan. 2013.

[12]   M. Sumit, A. Emad, N. Moein, and M.-T. Hamidreza, ‘Smart Homes for Elderly Healthcare—Recent Advances and Research Challenges’, Oct. 2017.

[13]   A. Cohen and C. Leclercq, ‘Rapport coût/efficacité des traitements médicamenteux et interventionnels dans la fibrillation atriale’, Archives of Cardiovascular Diseases Supplements, vol. 8, no. 2, pp. 144–156, Feb. 2016.

[14]   A. Berquin and J. Grisart, ‘To prescribe or not to prescribe… (in chronic pain… and elsewhere…)?’, Annals of Physical and Rehabilitation Medicine, vol. 54, no. 8, pp. 465–477, Nov. 2011.

[15]   M. Labrunée, A. Pathak, M. Loscos, E. Coudeyre, J.-M. Casillas, and V. Gremeaux, ‘Therapeutic education in cardiovascular diseases: State of the art and perspectives’, Annals of Physical and Rehabilitation Medicine, vol. 55, no. 5, pp. 322–341, Jul. 2012.

[16]   M. Labrunée, D. Antoine, B. Vergès, I. Robin, J.-M. Casillas, and V. Gremeaux, ‘Effects of a home-based rehabilitation program in obese type 2 diabetics’, Annals of Physical and Rehabilitation Medicine, vol. 55, no. 6, pp. 415–429, Sep. 2012.

[17]   D. Gkouskos and J. Burgos, ‘I’m in! Towards participatory healthcare of elderly through IOT.’, Procedia Computer Science, vol. 113, pp. 647–652, Jan. 2017.

[18]   J. M. Chapel, M. D. Ritchey, D. Zhang, and G. Wang, ‘Prevalence and Medical Costs of Chronic Diseases Among Adult Medicaid Beneficiaries’, American Journal of Preventive Medicine, vol. 53, no. 6, Supplement 2, pp. S143–S154, Dec. 2017.

[19]   T. Tsukiyama, ‘In-home Health Monitoring System for Solitary Elderly’, Procedia Computer Science, vol. 63, pp. 229–235, Jan. 2015.

[20]   V. Palanisamy and R. Thirunavukarasu, ‘Implications of big data analytics in developing healthcare frameworks – A review’, Journal of King Saud University – Computer and Information Sciences, Dec. 2017.

[21]   S. Chakraborty, S. K. Ghosh, A. Jamthe, and D. P. Agrawal, ‘Detecting Mobility for Monitoring Patients with Parkinson’s Disease at Home using RSSI in a Wireless Sensor Network’, Procedia Computer Science, vol. 19, pp. 956–961, Jan. 2013.

[22]   R. Goleva et al., ‘Performance Analysis of End-to-End Sensor-to-Cloud Personal Living Platform’, Procedia Computer Science, vol. 113, pp. 615–620, Jan. 2017.

[23]   D. R. Kaufman et al., ‘Understanding workflow in telehealth video visits: Observations from the IDEATel project’, Journal of Biomedical Informatics, vol. 42, no. 4, pp. 581–592, Aug. 2009.

[24]   C. Dourlens, ‘Les usages de la fragilité dans le champ de la santé’, ALTER – European Journal of Disability Research / Revue Européenne de Recherche sur le Handicap, vol. 2, no. 2, pp. 156–178, Apr. 2008.

[25]   A. Hennion and P. Vidal-Naquet, ‘La contrainte est-elle compatible avec le care ? Le cas de l’aide et du soin à domicile’, ALTER – European Journal of Disability Research / Revue Européenne de Recherche sur le Handicap, vol. 9, no. 3, pp. 207–221, Jul. 2015.

[26]   C. Moulart, H. Rienmeyer, and I. Tron, ‘Nutrition des personnes âgées brûlées en SSR’, Annals of Physical and Rehabilitation Medicine, vol. 57, p. e220, May 2014.

[27]   A. Dinsenbacher, ‘Risque de chute et mesures de prévention des chutes pour des personnes âgées fragiles : l’exemple d’un hôpital de proximité’, Annals of Physical and Rehabilitation Medicine, vol. 57, p. e404, May 2014.

[28]   L. de Waroquier-Leroy et al., ‘The Functional Reach Test: Strategies, performance and the influence of age’, Annals of Physical and Rehabilitation Medicine, vol. 57, no. 6, pp. 452–464, Aug. 2014.

[29]   R. Hébert, M. Raîche, M.-F. Dubois, N. R. Gueye, and M. Tousignant, ‘Développement d’indicateurs pour valoriser des actions de prévention et de réadaptation de la perte d’autonomie des personnes âgées’, Revue d’Épidémiologie et de Santé Publique, vol. 60, no. 6, pp. 463–472, Dec. 2012.

[30]   N. Barth, D. Hupin, F. Roche, T. Celarier, and B. Bongue, ‘La prescription de l’activité physique adaptée chez le sujet âgé : de l’intention à la réalité’, NPG Neurologie – Psychiatrie – Gériatrie, vol. 18, no. 105, pp. 155–161, Jun. 2018.

[31]   Y. Huard, ‘Postures et gonalgie chronique chez les personnes âgées : contribution du traitement ostéopathique’, Annals of Physical and Rehabilitation Medicine, vol. 55, p. e101, Oct. 2012.

[32]   M.Obach, P.Barralon, E.León, R&D projects related to all in tecnalia‘s health technologies unit, in:Hand book of Ambient Assisted Living,IOSPress,Amsterdam, pp.693–723,2012

[33]   http://doc.openfing.org/CDP/Projets_CDP_PACA_190111/Gerhomelabs.pdf

[34]  Les maisons «futées»:des Unités de Vie sécurisées pour Seniorsdes Unités de Vie sécurisées pour Seniors http://www.habiter-autrement.org/28_Homes/contributions-28/Projet-geriatric-maisons-fut%E9es-pour-seniors.pdf

[35]   http://www.centich.fr/plateformes

[36]   http://www.cmu.edu/qolt/

[37] B. Brumitt, B. Meyers, J. Krumm, A. Kern, and S. Shafer, ‘EasyLiving: Technologies for Intelligent Environments’, in Handheld and Ubiquitous Computing, Springer, Berlin, Heidelberg, 2000, pp. 12–29.

[38] H. Nakashima, H. Aghajan, and J. C. Augusto, Eds., Handbook of Ambient Intelligence and Smart Environments. Boston, MA: Springer US, 2010.

[39]  http://ailab.eecs.wsu.edu/casas/

[40]  https://www.cc.gatech.edu/fce/house/house.html

[41] ‘Ambient lighting assistance for an ageing population | Projects | FP6| European Commission’, CORDIS European Commission. [Online]. Available: https://cordis.europa.eu/project/rcn/80524_en.html

[42] A.Cesta,G.Cortellessa,M.V.Giuliani,etal.,The RoboCare Assistive Home Robot:Environment,Features and Evaluation.The RoboCare Technical Reports,Technical Report,National Research Council of Italy,2006

[43] http://www.aal-europe.eu/projects/icarer/

[44] K.Sakamura,Smart    Living Environment: Ubiquitous Computing Approach Based on TRON Architecture,IOSPress,Amsterdam,2012

[45]  T.Yamazaki,Theubiquitoushome,Int.J.SmartHome1(1) (2007) 17–22. http://refhub.elsevier.com/S2352-8648(15)00058-9/sbref15

[46]   http://www.livinglabs.com.tw/en/index.php

[47] A. R. Salunke and A. N. Gaikwad, ‘Development of Unstructured Architecture for Voice and Data Services in Mobile Communication’, Procedia Computer Science, vol. 92, pp. 84–90, Jan. 2016.

[48]         H. Chung, J. Park, and S. Lee, ‘Digital forensic approaches for Amazon Alexa ecosystem’, DigitalInvestigation, vol. 22, pp. S15–S25, Aug. 2017.

[49]  O. L. Eyesan and S. R. Okuboyejo, ‘Design and Implementation of a Voice-based Medical Alert System for Medication Adherence’, Procedia Technology, vol. 9, pp. 1033–1040, Jan. 2013.

[50] A. Teixeira et al., ‘Speech-centric Multimodal Interaction for Easy-to-access Online Services – A Personal Life Assistant for the Elderly’, Procedia Computer Science, vol. 27, pp. 389–397, Jan. 2014.

[51]  A. Hämäläinen, A. Teixeira, N. Almeida, H. Meinedo, T. Fegyó, and M. S. Dias, ‘Multilingual Speech Recognition for the Elderly: The AALFred Personal Life Assistant’, Procedia Computer Science, vol. 67, pp. 283–292, Jan. 2015.

[52] D. R. Large, L. Clark, A. Quandt, G. Burnett, and L. Skrypchuk, ‘Steering the conversation: A linguistic exploration of natural language interactions with a digital assistant during simulated driving’, Applied Ergonomics, vol. 63, pp. 53–61, Sep. 2017.

[53] R. Achkar, M. El-Halabi, E. Bassil, R. Fakhro, and M. Khalil, ‘Voice Identity Finder Using the Back Propagation Algorithm of an Artificial Neural Network’, Procedia Computer Science, vol. 95, pp. 245–252, Jan. 2016.

[54]  K. J. Turner, ‘Analysing interactive voice services’, Computer Networks, vol. 45, no. 5, pp. 665–685, Aug. 2004.

[55]  C. Krittanawong, H. Zhang, Z. Wang, M. Aydar, and T. Kitai, ‘Artificial Intelligence in Precision  Cardiovascular Medicine’, Journal of the American College of Cardiology, vol. 69, no. 21, pp. 2657–2664, May 2017.

[56] A. M. Peterson, D. P. Nau, J. A. Cramer, J. Benner, F. Gwadry-Sridhar, and M. Nichol, ‘A Checklist for Medication Compliance and Persistence Studies Using Retrospective Databases’, Value in Health, vol. 10, no. 1, pp. 3–12, Jan. 2007.

[57] J. Apolinário-Hagen, L. Fritsche, C. Bierhals, and C. Salewski, ‘Improving attitudes toward e-mental health services in the general population via psychoeducational information material: A randomized controlled trial’, Internet Interventions, vol. 12, pp. 141–149, Jun. 2018.

[58]  V. Palanisamy and R. Thirunavukarasu, ‘Implications of big data analytics in developing healthcare frameworks – A review’, Journal of King Saud University – Computer and Information Sciences, Dec. 2017.

[59]  P. J. Aiken and A. F. Rumbach, ‘Keeping the Voice Fit in the Group Fitness Industry: A Qualitative Study to Determine What Instructors Want in a Voice Education Program’, Journal of Voice, vol. 32, no. 2, pp. 256.e25-256.e34, Mar. 2018.

[60]  A. Coucke et al., ‘Snips Voice Platform: an embedded Spoken Language Understanding system for private-by-design voice interfaces’, arXiv:1805.10190 [cs], May 2018.

[61]   https://mycroft.ai

[62]        https://www.allaboutcircuits.com/news/developing-open-source-voice-assistant-interview-mycroft-AI-Steve-Penrod/

[63] https://www.technologyreview.com/s/607892/an-open-source-and-cute-alternative-to-amazon-echo/

[64] https://www.neowin.net/news/mark-1-is-mycrofts-open-source-and-open-hardware-alternative-to-amazon-echo

[65]  https://orbita.ai/2018/03/01/staywell-introduces-staywell-voice-leveraging-the-orbita-voice-platform-for-amazon-echo-and-chatbots-to-support-health-goals/

[66]        https://www.mobihealthnews.com/content/orbitas-ai-voice-tech-supports-pillos-home-robot-and-other-digital-health-deals

[67] https://www.healthwise.org/press/healthwise-and-orbita-showcase-echo.aspx

[68] V. V. Garbhapu and S. Gopalan, ‘IoT Based Low Cost Single Sensor Node Remote Health Monitoring System’, Procedia Computer Science, vol. 113, pp. 408–415, 2017.

[69] N. F. B. I. Gulcharan, H. Daud, N. M. Nor, T. Ibrahim, and E. T. Nyamasvisva, ‘Limitation and Solution for Healthcare Network Using RFID Technology: A Review’, Procedia Technology, vol. 11, pp. 565–571, 2013.

[70] R. Challoo, A. Oladeinde, N. Yilmazer, S. Ozcelik, and L. Challoo, ‘An Overview and Assessment of Wireless Technologies and Co- existence of ZigBee, Bluetooth and Wi-Fi Devices’, Procedia Computer Science, vol. 12, pp. 386–391, 2012.

[71] http://kbase.x10.com/wiki/Main_Page

[72] I.-V. Sita and P. Dobra, ‘KNX Building Automations Interaction with City Resources Management System’, Procedia Technology, vol. 12, pp. 212–219, Jan. 2014.

[73] P. Zhou, X. Lei, and Z. Lv, ‘Study on Integrating BACnet with IPv6-based Wireless Sensor Networks’, Procedia Engineering, vol. 29, pp. 275–279, Jan. 2012.

[74] Z. Jiang and Y. Dai, ‘A decentralized, flat-structured building automation system’, Energy Procedia, vol. 122, pp. 68–73, Sep. 2017.

[75] https://fr.wikipedia.org/wiki/Courants_porteurs_en_ligne

[76] https://www.pedagogie.ac-aix-marseille.fr/upload/docs/application/pdf/2012-07/reseau_vdi.pdf

[77] A. K. Eidsvik, R. Karlsen, G. Blair, and P. Grace, ‘Interfacing remote transaction services using UPnP’, Journal of Computer and System Sciences, vol. 74, no. 2, pp. 158–169, Mar. 2008.

[78] https://www.wink.com/help/products/wink-hub/

[79] A. K. Eidsvik, R. Karlsen, G. Blair, and P. Grace, ‘Interfacing remote transaction services using UPnP’, Journal of Computer and System Sciences, vol. 74, no. 2, pp. 158–169, Mar. 2008.

[80]  https://www.digitalilluminationinterface.org/

[81] http://www.homeplug.org/explore-homeplug/overview/

[82] A. Bakkali, J. Pelegri-Sebastia, T. Sogorb, A. Bou-Escriva, and A. Lyhyaoui, ‘Design and simulation of dual-band RF energy harvesting antenna for WSNs’, Energy Procedia, vol. 139, pp. 55–60, Dec. 2017.

[83] M. A. Choukou, B. Jarlot, A. Arfaoui, S. Bourelle, and R. Taiar, ‘Thermogrammes infrarouge : aide au diagnostic orthopédique’, Annals of Physical and Rehabilitation Medicine, vol. 56, p. e283, Oct. 2013.

[84] R. Muhendra, A. Rinaldi, M. Budiman, and Khairurrijal, ‘Development of WiFi Mesh Infrastructure for Internet of Things Applications’, Procedia Engineering, vol. 170, pp. 332–337, Jan. 2017.

[85] S. Tahir, S. T. Bakhsh, and A. H. Altalhi, ‘An Efficient Route Maintenance Protocol for Dynamic Bluetooth Networks’, Journal of King Saud University – Computer and Information Sciences, vol. 29, no. 4, pp. 449–461, Oct. 2017.

[86] S. Pathak, M. Kumar, A. Mohan, and B. Kumar, ‘Energy Optimization of ZigBee Based WBAN for Patient Monitoring’, Procedia Computer Science, vol. 70, pp. 414–420, Jan. 2015.

[87] C. W. Badenhop, S. R. Graham, B. W. Ramsey, B. E. Mullins, and L. O. Mailloux, ‘The Z-Wave routing protocol and its security implications’, Computers & Security, vol. 68, pp. 112–129, Jul. 2017.

[88] I. L. Ruiz and M. Á. Gómez-Nieto, ‘Combining of NFC, BLE and Physical Web Technologies for Objects Authentication on IoT Scenarios’, Procedia Computer Science, vol. 109, pp. 265–272, Jan. 2017.

[89] https://www.enocean.com/en/

[90] A. Ramesh, A. Naresh, and N. V. S. Rao, ‘Technique for Reduction of Intersymbol Interference in Ultra- Wideband System’, Procedia Technology, vol. 24, pp. 812–819, Jan. 2016.

[91] http://www.devlab.nl/projects/myrianed/

[92] http://www.dash7-alliance.org/

[93] https://www.insteon.com

[94] https://www.sigfox.com/en

[95] M. Bakula, P. Pelgrims, and R. Puers, ‘A Wireless Powering and Communication System for Implantable Devices Based on a Royer Oscillator with Radio and Near-field Communication Links’, Procedia Engineering, vol. 120, pp. 306–309, Jan. 2015.

[96] S. M. Hassan, R. Ibrahim, K. Bingi, T. D. Chung, and N. Saad, ‘Application of Wireless Technology for Control: A WirelessHART Perspective’, Procedia Computer Science, vol. 105, pp. 240–247, Jan. 2017.

[97]   https://en.wikipedia.org/wiki/ANT_(network)

[98]  http://www-users.cs.umn.edu/~tianhe/Papers/WEBee.pdf

[99] H. A. A. Al-Kashoash, F. Hassen, H. Kharrufa, and A. H. Kemp, ‘Analytical modelling of congestion for 6LoWPAN networks’, ICT Express, Dec. 2017.

[100]‘NeuRon/spl trade/ netform: a self-organizing wireless sensor network – IEEE Conference Publication’. [Online]. Available: https://ieeexplore.ieee.org/document/1043092/.

[101]  https://www.matrix.one/products/creator

[102] https://www.home-assistant.io/

[103] https://ifttt.com/

[104] https://en.wikipedia.org/wiki/MIT_License

[105] https://www.openhab.org

[106] www.domoticz.com/

[107] http://vcbeat.net/ZTZhZjJhYjZmYjMxOGJiY2Y0NzRkYTVjM2Y1NDc5ZmI=

[108] https://orbita.ai/orbita-voice-exp-designer/

[109] https://matrix-io.github.io/matrix-documentation/#programming-layers

[110] J. Sin, C. Henderson, D. Spain, V. Cornelius, T. Chen, and S. Gillard, ‘eHealth interventions for family carers of people with long term illness: A promising approach?’, Clinical Psychology Review, Feb. 2018.

[111] D. Todolí-Ferrandis, J. Silvestre-Blanes, S. Santonja-Climent, V. Sempere-Paya, and J. Vera-Pérez, ‘Deploy&Forget wireless sensor networks for itinerant applications’, Computer Standards & Interfaces, vol. 56, pp. 27–40, Feb. 2018.

[112] H. Rahman and R. Rahmani, ‘Enabling distributed intelligence assisted Future Internet of Things Controller (FITC)’, Applied Computing and Informatics, vol. 14, no. 1, pp. 73–87, Jan. 2018.

[113] R. K. Barik et al., ‘Mist Data: Leveraging Mist Computing for Secure and Scalable Architecture for Smart and Connected Health’, Procedia Computer Science, vol. 125, pp. 647–653, Jan. 2018.

[114] J.-S. Oh and S.-B. Choi, ‘State of the art of medical devices featuring smart electro-rheological and magneto-rheological fluids’, Journal of King Saud University – Science, vol. 29, no. 4, pp. 390–400, Oct. 2017.

[115] C. Garcia-Perez et al., ‘Improving the efficiency and reliability of wearable based mobile eHealth applications’, Pervasive and Mobile Computing, vol. 40, pp. 674–691, Sep. 2017.

[116] C. W. Badenhop, S. R. Graham, B. W. Ramsey, B. E. Mullins, and L. O. Mailloux, ‘The Z-Wave routing protocol and its security implications’, Computers & Security, vol. 68, pp. 112–129, Jul. 2017.

[117] C. Wilson, T. Hargreaves, and R. Hauxwell-Baldwin, ‘Benefits and risks of smart home technologies’, Energy Policy, vol. 103, pp. 72–83, Apr. 2017.

[118] R. C. King, E. Villeneuve, R. J. White, R. S. Sherratt, W. Holderbaum, and W. S. Harwin, ‘Application of data fusion techniques and technologies for wearable health monitoring’, Medical Engineering & Physics, vol. 42, pp. 1–12, Apr. 2017.

[119] K. Morton et al., ‘Using digital interventions for self-management of chronic physical health conditions: A meta-ethnography review of published studies’, Patient Education and Counseling, vol. 100, no. 4, pp. 616–635, Apr. 2017.

[120] S. Sriramprakash, V. D. Prasanna, and O. V. R. Murthy, ‘Stress Detection in Working People’, Procedia Computer Science, vol. 115, pp. 359–366, Jan. 2017.

[121] A. Jurenoks and D. Jokić, ‘Sensor Network Information Flow Control Method with Static Coordinator within Internet of Things in Smart House Environment’, Procedia Computer Science, vol. 104, pp. 385–392, Jan. 2017.

[122] P. Brune and R. Rockmann, ‘Towards An Application Architecture For A Smart Online Service Network Platform For The Elderly’, Procedia Computer Science, vol. 113, pp. 442–447, 2017.

[123] B. Reeder and A. David, ‘Health at hand: A systematic review of smart watch uses for health and wellness’, Journal of Biomedical Informatics, vol. 63, pp. 269–276, Oct. 2016.

[124] L. Gabriele, ‘A Review of Systems and Technologies for Smart Homes and Smart Grids’, ResearchGate, no. Energies 9(348), pp. 1–33, May 2016.

[125] C. T. M. van Houwelingen, A. H. Moerman, R. G. A. Ettema, H. S. M. Kort, and O. ten Cate, ‘Competencies required for nursing telehealth activities: A Delphi-study’, Nurse Education Today, vol. 39, pp. 50–62, Apr. 2016.

[126] C. Palazzo et al., ‘Barriers to home-based exercise program adherence with chronic low back pain: Patient expectations regarding new technologies’, Annals of Physical and Rehabilitation Medicine, vol. 59, no. 2, pp. 107–113, Apr. 2016.

[127] E. Magill and J. Blum, ‘Exploring conflicts in rule-based sensor networks’, Pervasive and Mobile Computing, vol. 27, pp. 133–154, Apr. 2016.

[128] M. J. Coye, ‘Informatics: The Frontier of Innovation in Health and Healthcare’, Engineering, vol. 2, no. 1, pp. 37–39, Mar. 2016.

[129] E. Kilsdonk, L. W. Peute, R. J. Riezebos, L. C. Kremer, and M. W. M. Jaspers, ‘Uncovering healthcare practitioners’ information processing using the think-aloud method: From paper-based guideline to clinical decision support system’, International Journal of Medical Informatics, vol. 86, pp. 10–19, Feb. 2016.

[130] S. V. Zanjal and G. R. Talmale, ‘Medicine Reminder and Monitoring System for Secure Health Using IOT’, Procedia Computer Science, vol. 78, pp. 471–476, Jan. 2016.

[131] E. Pardo, D. Espes, and P. Le-Parc, ‘A Framework for Anomaly Diagnosis in Smart Homes Based on Ontology’, Procedia Computer Science, vol. 83, pp. 545–552, 2016.

[132] R. Negra, I. Jemili, and A. Belghith, ‘Wireless Body Area Networks: Applications and Technologies’, Procedia Computer Science, vol. 83, pp. 1274–1281, 2016.

[133] R. Li, B. Lu, and K. D. McDonald-Maier, ‘Cognitive assisted living ambient system: a survey’, Digital Communications and Networks, vol. 1, no. 4, pp. 229–252, Nov. 2015.

[134] B. M. C. Silva, J. J. P. C. Rodrigues, I. de la Torre Díez, M. López-Coronado, and K. Saleem, ‘Mobile-health: A review of current state in 2015’, Journal of Biomedical Informatics, vol. 56, pp. 265–272, Aug. 2015.

[135] M. Amiribesheli, A. Benmansour, and H. Bouchachia, ‘A review of smart homes in healthcare’, Journal of Ambient Intelligence and Humanized Computing, vol. 6, Mar. 2015.

[136] J. Puustjärvi and L. Puustjärvi, ‘The Role of Smart Data in Smart Home: Health Monitoring Case’, Procedia Computer Science, vol. 69, pp. 143–151, Jan. 2015.

[137] M. Fezari, R. Rasras, and I. M. M. E. Emary, ‘Ambulatory Health Monitoring System Using Wireless Sensors Node’, Procedia Computer Science, vol. 65, pp. 86–94, Jan. 2015.

[138] O. de M. Wagner, ‘Architecting Smart Home Environments  for Healthcare: A Database-Centric  Approach’, 2015.

[139] R.-H. Kim, ‘Cure Performance and Effectiveness of Portable Smart Healthcare Wear System Using Electro-conductive Textiles’, Procedia Manufacturing, vol. 3, pp. 542–549, 2015.

[140] S.-L. Chua and L. K. Foo, ‘Sensor Selection in Smart Homes’, Procedia Computer Science, vol. 69, pp. 116–124, 2015.

[141] A. Barberan-Garcia et al., ‘Effects and barriers to deployment of telehealth wellness programs for chronic patients across 3 European countries’, Respiratory Medicine, vol. 108, no. 4, pp. 628–637, Apr. 2014.

[142] H. C. Tung et al., ‘A Mobility Enabled Inpatient Monitoring System Using a ZigBee Medical Sensor Network’, Sensors (Basel), vol. 14, no. 2, pp. 2397–2416, Jan. 2014.

[143] N. Varga, L. Bokor, and A. Takács, ‘Context-aware IPv6 Flow Mobility for Multi-sensor Based Mobile Patient Monitoring and Tele-consultation’, Procedia Computer Science, vol. 40, pp. 222–229, Jan. 2014.

[144] A. Hussein, M. Adda, M. Atieh, and W. Fahs, ‘Smart Home Design for Disabled People based on Neural Networks’, Procedia Computer Science, vol. 37, pp. 117–126, Jan. 2014.

[145] J. Joe and G. Demiris, ‘Older adults and mobile phones for health: A review’, Journal of Biomedical Informatics, vol. 46, no. 5, pp. 947–954, Oct. 2013.

[146] N. Lasierra, A. Alesanco, S. Guillén, and J. García, ‘A three stage ontology-driven solution to provide personalized care to chronic patients at home’, Journal of Biomedical Informatics, vol. 46, no. 3, pp. 516–529, Jun. 2013.

[147] O. L. Eyesan and S. R. Okuboyejo, ‘Design and Implementation of a Voice-based Medical Alert System for Medication Adherence’, Procedia Technology, vol. 9, pp. 1033–1040, Jan. 2013.

[148] J. P. Amaro, F. J. T. E. Ferreira, R. Cortesão, and J. Landeck, ‘Powering Wireless Sensor Networks Nodes for Complex Protocols on Harvested Energy’, Procedia Technology, vol. 5, pp. 518–526, Jan. 2012.

[149] C. B. D. Kuncoro, Armansyah, N. H. Saad, A. Jaffar, C. Y. Low, and S. Kasolang, ‘Wireless e-Nose Sensor Node: State of the Art’, Procedia Engineering, vol. 41, pp. 1405–1411, 2012.

[150] L. D. Serbanati, F. L. Ricci, G. Mercurio, and A. Vasilateanu, ‘Steps towards a digital health ecosystem’, Journal of Biomedical Informatics, vol. 44, no. 4, pp. 621–636, Aug. 2011.

[151] C. Perumalla, J. Mak, N. Kee, and S. Matthews, ‘Integrating web applications to provide an effective distance online learning environment for students’, Procedia Computer Science, vol. 3, pp. 770–784, Jan. 2011.

[152] A. Queirós, M. Cerqueira, M. Santos, and N. P. Rocha, ‘Mobile Health to Support Ageing in Place: A Synoptic Overview’, Procedia Computer Science, vol. 121, pp. 206–211, Jan. 2017.

[153] H. Lucas, ‘New technology and illness self-management: Potential relevance for resource-poor populations in Asia’, Social Science & Medicine, vol. 145, pp. 145–153, Nov. 2015.

[154] G. Chetty, M. White, and F. Akther, ‘Smart Phone Based Data Mining for Human Activity Recognition’, Procedia Computer Science, vol. 46, pp. 1181–1187, Jan. 2015.

[155] A. R. Marra and M. B. Edmond, ‘New technologies to monitor healthcare worker hand hygiene’, Clinical Microbiology and Infection, vol. 20, no. 1, pp. 29–33, Jan. 2014

[156] http://aide-a-venir.com/

Related Posts