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需要先看清适用场景和关键步骤，避免只记结论却忽略实际限制。

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 npfrom collections import dequefrom dataclasses import dataclassimport time@dataclassclass PoseKeypoints:"""单帧姿态关键点，仅保存17个核心关节坐标"""timestamp: floatnose_y: floatleft_hip_y: floatright_hip_y: floatleft_shoulder_y: floatright_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: floatclass 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 = 0self.alarm_cooldown = 0def 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_yend_y = recent[-1].center_of_mass_yduration = recent[-1].timestamp - recent[0].timestampif 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_THRESHOLDand abs(recent[-1].torso_angle) > self.ANGLE_THRESHOLD):self.fall_count += 1if 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_timeif 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_centervertical = 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：

双层架构平衡实时性与隐私：边缘节点本地推理+脱敏数据上传，云端复核+多级告警，原始音视频不离开家庭网络。

多模态融合提升跌倒检测鲁棒性：姿态关键点时序分析+声音事件分类+心率异常，三模态交叉验证将误报率降至0。

姿态检测的工程关键：连续3帧确认消抖、双条件AND判定降低误报、重心+躯干倾角联合建模。

隐私保护有功能取舍：不上传原始视频意味着放弃了远程监控能力，替代为文本化活动摘要。

边缘设备运维是核心竞争力：OTA更新策略、算力限制下的推理优化、休眠时段的健康检查构成长期运行的基础。