养老机构用AI健康监测系统落地实录：从传感器数据到慢病预警，技术架构全拆解

智能穿戴设备在养老行业普及了三四年，但我跑了十几家机构发现一个扎心的事实：设备戴了、数据收了、大屏也装了，但真正把数据用起来做预警的，十家里面不到两家。

原因很简单——手环上报的心率、血氧、步数，如果没有一套靠谱的分析系统去消化，那就是一堆数字垃圾。

去年底帮一家连锁养老机构做了一套AI健康监测平台，从数据采集到预警推送全链路打通，效果比较实在。今天纯技术角度拆一拆，给正在或准备做这个方向的同行一些参考。

数据采集层：不要把鸡蛋放在一个篮子里

第一个坑就是设备兼容。市面上养老手环品牌五花八门，华为、小米、Amazfit、还有各种白牌设备，每家API协议都不一样。

我们的做法是统一抽象一个设备适配层：

class DeviceAdapter(ABC):
    @abstractmethod
    def fetch_realtime_data(self, device_id: str) -> dict:
        pass
    
    @abstractmethod
    def parse_vital_signs(self, raw: dict) -> VitalSigns:
        pass

class HuaweiAdapter(DeviceAdapter):
    def fetch_realtime_data(self, device_id):
        resp = requests.get(f"https://api.huawei.com/health/v1/devices/{device_id}/data")
        return resp.json()

这样的好处是：新接入一个品牌只需要写一个Adapter，核心分析逻辑完全不用动。目前我们对接了6个品牌共12款设备，数据采集成功率从最初的74%稳定到了96%以上。

数据统一后上报到Kafka做缓冲，消费端用Flink做实时清洗——剔除传感器漂移产生的异常值（比如心率突然飙到500这种明显错误），然后按5秒窗口聚合为均值，写入时序数据库TDengine。

关键选型细节： 为什么选TDengine而不是InfluxDB？因为养老场景按床位/老人维度打标签，TDengine的标签过滤和按时间自动分片的特性，在单表千万级时序点下查询延迟能控制在20ms以内，实测比InfluxDB快3倍左右。

分析引擎：异常检测不能只靠阈值

很多厂商的所谓AI预警，其实就是设了几个固定阈值：心率>120报警、血氧<90报警。但老年人的基础体征差异极大——一个80岁心衰患者的静息心率可能常年100+，阈值设高了漏报，设低了每天几百条假警报，护士直接把推送关了。

我们换了个思路：基于个人画像的动态基线建模。

第一步：建立个人基线

每位老人入住后前7天作为学习期，收集静息心率、夜间血氧、活动量等指标的分布特征：

老人A（80岁，冠心病史）：
  静息心率基线：82±6 bpm
  夜间血氧基线：95±2%
  日间活动量基线：3200±800步

老人B（75岁，糖尿病）：
  静息心率基线：72±5 bpm
  夜间血氧基线：97±1%
  日间活动量基线：5600±1200步

第二步：滑动窗口异常打分

我们用了一个轻量的Isolation Forest + 移动Z-Score组合模型。对每个维度的实时数据，计算当前值偏离基线的Z-score，超过3.0标记为异常，同时用Isolation Forest做多维度联合判断——比如"心率正常但血氧突然下降+活动量骤减"这种组合特征，单维度阈值根本抓不住。

算法跑在Flink上（每10秒触发一次滑动窗口计算），单节点可以支撑5000+床位。

第三步：分级预警策略

不是所有异常都要推送给护士。我们把预警分为三级：

• L1（观察级）：Z-score 3.0-3.5，单一维度偏离 -> 推送给值班护士后台提醒，不弹窗
• L2（关注级）：Z-score 3.5-4.0 或两个维度同时偏离 -> 弹窗+语音播报
• L3（紧急级）：Z-score >4.0 或三维度联合异常 -> 直接电话连线值班手机+护士站大屏高亮

这套分级机制上线后，护士对预警的有效反馈率从23%提升到了81%——因为她们知道推过来的东西是靠谱的。

慢病趋势预测：这才是真正省钱的模块

预警是短期的，真正对养老机构有价值的是趋势预判——提前发现慢性病恶化信号，在老人需要住院之前就干预。

我们基于LightGBM训练了一个慢病风险模型，输入是老人过去30天的体征时序特征+用药记录+日常活动模式，输出未来7天的心血管事件风险概率（0-1）。

特征工程是关键。举几个实际有效的特征：

• 心率变异性（HRV）下降斜率：连续3天HRV下降超过15%是心血管风险的强信号
• 夜间血氧波动幅度：夜间的SpO2标准差增大往往预示呼吸系统问题
• 活动量模式突变：一位平时每天走5000步的老人突然降到1000步持续2天，大概率身体有情况

模型离线训练好后导为ONNX格式，部署到CPU推理服务器上，每天凌晨2点批量跑一次全量预测。1500位老人30天特征的全量推理耗时约45秒，完全够用。

落地效果：不吹数据，放真实结果

系统上线运行三个月后：

• 提前发现高风险事件27例（心衰早期信号6例、血糖异常波动11例、呼吸系统恶化5例、跌倒风险上升5例），其中19例在护士干预后避免了院外就医
• 家属夜间紧急电话减少约60%——因为系统在凌晨自动监测，异常直接推送给值班护士处理了
• 入住率提升了约8%（机构反馈：不少家属是看中了这套监测系统才决定入住的）

技术栈总结

采集层：华为/小米SDK + 自定义Adapter + Kafka
实时清洗：Flink + TDengine
异常检测：Isolation Forest + Z-Score（Flink CEP）
趋势预测：LightGBM -> ONNX -> CPU推理
推送：WebSocket（护士站大屏）+ 电话网关

整个系统后端团队4个人（2后端+1算法+1数仓），从零到上线用了4个月。不算便宜，但也绝不是什么天价项目。

如果你所在机构也在考虑搭建类似的AI健康监测系统，或者在养老数字化方面有具体需求，欢迎来智岳科技聊聊。我们不卖标准化的SaaS，更倾向于按实际场景做定制——毕竟每个机构的床位规模、老人健康状况、护士配比都不一样，套模板是走不远的。