研究文章
张亚娟、Ru Jing*、Xiang Ji 和 Nan Hu
基于人工智能的无线传感器网络技术在安全监控系统中的应用
2023 年 1 月 17 日收到；2023 年 6 月 16 日接受
摘要
安全监控系统已被用于监控和管理工程安全运行。安全监控系统的应用范围非常广泛。它在管道安全监控、电气安全监控和家庭安全监控等领域都有广泛的应用。本文研究了家庭安全监控系统的应用过程。很多家庭安全事故都是由于对安全问题的监控不到位造成的。因此，建立家庭安全监控系统非常重要。传统的家庭安全监控系统仅仅依靠摄像头进行安全监控，传统的家庭安全监控系统使用的传感器太少。随着无线传感器网络（WSN）技术的不断发展，建立传感器节点网络成为可能，但却能最大程度地为家庭安全监控提供实时信息。本文将基于人工智能（AI）WSN 技术的家庭安全监控系统与传统的家庭安全监控系统进行了比较。实验结果表明，在大规模家庭环境中，传统家庭安全监控系统和基于人工智能 WSN 技术的家庭安全监控系统的平均监控精度分别为 77.76 和
传统家庭安全监控系统和基于人工智能 WSN 技术的家庭安全监控系统的监测精度分别为 87.63 和
关键词：安全监控系统、无线传感器网络、人工智能、计算机科学、家庭安全
1 引言
随着经济的快速发展，人们对工作和生活环境有了新的要求。中国传统住宅或办公环境的安全性很低。每年都有不少家庭遭遇火灾、漏电等情况，也由此引发了不少家庭安全事故。2015 年上半年，我国发生的各类家庭火灾、煤气爆炸、煤气中毒、楼房倒塌等住宅安全事故，共造成经济损失至少 350 亿元，死伤人数至少 2 万人。在传统家庭中，人们缺乏安全监管体系。由于人们的疏忽或意外，在很多生活场景中都出现过安全问题，如睡觉时忘记关煤气阀、烧水时忘记关热水壶等。安全监控系统可以实时、直观、真实地反映被监控对象的情况。它可以在恶劣的环境中长期替代人工监控，并通过录像机进行记录。随着物联网技术的发展，基于传感器的智能家电应运而生。人们可以通过传感器获取家庭的各种信息，包括危险信息，为人们提供安全、可靠、智能的生活环境。发展
传感器在家庭安全监控中的应用也经历了两个阶段。第一阶段是单一传感器或简单的多传感器。虽然通过传感器可以获得一些家居安全信息，但涉及的领域并不全面，导致家居安全监控系统存在明显缺陷。多传感器是指对多个传感器收集和提供的信息进行收集、汇总或组合。第二阶段是无线传感器网络（WSN），通过将众多传感器节点组合成网络结构，对家居环境进行全方位监控。随着无线传感器技术的发展，WSN 可以提供家庭环境的实时监控数据。借助人工智能（AI）技术，对数据进行分析，智能判断家居环境的安全性，从而提高家居安全监控的效果。因此，本文将 WSNs 应用于家庭安全监控系统，提高家庭安全监控效果，保障人们的居住安全，具有研究意义。
在人们的生活中，安全隐患随处可见。很多人对安全监控系统的构建进行了深入研究。吴晓波提出了隐马尔可夫模型的时间序列分析方法。他通过分析管道中光的反射频率实现了管道安全监测，可有效提高管道安全监测的准确性[1]。王志刚的研究指出，列车中央控制系统是确保列车行车安全的主要条件。他在传统列车控制系统的基础上，引入拓扑空间来描述列车运行的轨迹和时间，从而准确监控列车运行情况[2]。阿达莫的研究指出，大坝是防止洪水的重要屏障。他通过对大坝的岩石特性和大坝的抗冲击能力进行安全监测，有效地确保了大坝周围人们的安全，并在大坝受损时及时进行修复[3]。Chavhan 的研究指出，药物对人们的健康非常重要。然而，药品造假、作假现象屡禁不止。通过药品安全监控系统，对药品的生产过程和销售渠道进行实时监控，可以确保药品的安全[4]。安全监控系统的应用范围十分广泛，可以在各个领域实现精准的安全监控，但其缺乏利用传感器获取数据信息。
随着物联网技术的不断发展，利用传感器可以实现数据采集。相关研究人员将多个传感器节点组成网络结构，并将其应用到安全监控系统中。其中，Abdulkarem 将 WSN 应用于结构健康监测。与传统的有线系统相比，基于 WSN 的结构健康监测能有效提高城市的安全性[5]。Salman 对传统的单传感器智能报警系统进行了改进。他利用开发套件上的传感器采集环境光色，构建了 WSN 的自适应报警系统，实现了环境自适应报警系统，可以提高报警系统的灵敏度[6]。Islam 和 Rahaman 提出了一种基于物联网环境的医疗监控系统，该系统协调了多个传感器的工作，包括室温传感器、心跳传感器和体温传感器。WSN 可以获取更全面的医疗数据[7]。将 WSN 技术应用到安防监控系统中，可以通过传感器获取更加详细的监控信息，但缺乏对监控系统的智能分析。
为了有效分析家庭安全监测，本文采用了设立对照组的方法进行安全监测和分析。传感器可以提供准确、直接的物理信息。本文利用无线通信技术将众多传感器组成网络结构，并将其应用到家庭安全监控系统中。通过人工智能技术，对获取的数据进行安全分析。基于人工智能 WSN 技术的家庭安全监控系统与传统的家庭安全监控系统进行了比较。结果表明，基于 WSN 技术的家庭安全监控系统可以提高监控的全面性。
2 安全监控系统的应用方法
随着信息技术的不断进步，人们的生活与通信技术紧密相连。信息技术改变了人们的生活方式，居住环境也发生了巨大的变化。传统的住宅通信设备简单，只能实现住宅楼之间的简单通信。由于通信技术落后，传统居民无法实现家庭安全监控，导致传统住宅安全信息难以及时传递给人们。智能化技术在不断发展，智能家居可以实现住宅楼与住宅楼之间的智能通信。
人和家居环境。通过监控系统，可以对房屋进行实时安全监控，营造安全舒适的家居环境。家居安全监控系统的结构模型如图 1 所示。
图 1 描述了家庭安全监控的结构模型。通过监控设备，获取家庭主要安全信息，包括厨房、卧室、走廊、阳台、客厅、电梯等。通过互联网，整合家居各部分的监控信息，实现家居安全的远程监控。
安防监控系统是由大量监控器组成的网络系统，通过整合分析各个监控器的信息，实现多元化的智能安防监控
家庭安全监控系统涵盖的范围很广，包括防盗安全、防火、防电等。例如，如果家中出现异常情况，可以及时通知主人。室内有毒气体的成分和含量可以自动检测。传统的家居安全监控系统依靠传感设备实现对单一家居设备的安全监控。传统的家居安全监控系统可以监控家居环境的各个子系统，但无法实现多个家居子系统之间的关联。
2.1 WSN 技术
物联网是指利用各种传感设备获取外部环境信息，借助通信协议实现采集信息的交换，达到信息交换的作用
WSN 是一种分布式传感器网络。在 WSN 中，网络节点终端可以获取外部环境信息，并能将所有获取的信息互联互通 [13,14]。WSN 的结构模型如图 2 所示。
图 2 描述了 WSN 的结构模型。WSN 包括传感器节点和汇节点。传感器节点可以安装在家庭环境的每个角落。根据传感器的特性，可以实现对不同家庭信息的监控。汇聚节点可以对多个传感器节点获取的数据进行收集和整理，有利于对 WSN 数据进行综合分析。
图 1：家庭安全监控系统的结构模型。
图 2：WSN 的结构模型。
无线传感器节点本身是一个小型嵌入式系统，具有一定的存储和处理能力。然而，最重要的是获取外部环境信息。无线传感器节点除了自身获取信息外，还可以存储和转发周围节点转发的信息。
汇节点具有很强的存储和通信能力。通过与多个传感器节点连接，可以实现传感器之间的信息通信，还可以监控传感器节点的状态。对收集到的数据信息进行整合，最后上传资源数据。
传感器节点的结构模型如图 3 所示。
图 3 描述了传感器节点的结构模型。传感器节点在结构上分为三个模块，即数据采集区、数据处理区和数据传输区。
WSN 通过设置统一的通信协议，实现不同传感器节点之间的信息交换和资源共享 [15]。物理层提供非常简单的调制信号。网络层执行路由选择。传输层执行数据流传输控制。应用层将收集到的信息传输给用户。WSN 是由众多传感器节点组成的网络结构，具有数据监测、控制和通信功能。由于 WSN 中存在大量节点信息，因此需要更高质量的传输协议。WSN 与普通的无线特设网络有很大不同。WSN 的节点覆盖范围更广，可以实现更大范围的家庭安全监控。WSN 具有节点自组织能力。它可以根据家庭监控的需要进行自我调整，可靠性较高，可以准确地收集和处理复杂的数据。
WSN 具有分布式结构，可以对家庭环境进行全方位的实时监控，为家庭安全监控提供准确的信息。
2.2 ZigBee 通信技术
WSN 技术的核心是通信技术，无线通信是不同传感器节点之间进行信息交换的基础[16]。近年来，通信技术发展迅速。
图 3：传感器节点的结构模型。
传统的蓝牙技术虽然可以实现数据间的无线通信，但成本高、传输速率低。
ZigBee 是一种低成本、低复杂度的通信技术，ZigBee 形成的通信结构与 WSN 非常相似，可以很好地应用于 WSN [17]。作为一种新型通信技术，ZigBee 具有以下特点。
通信频段灵活，可在多个频段进行信息通信，响应速度快，可及时响应实时信息。ZigBee 的网络容量巨大，可以支持一万多个节点的信息通信，保证了通信信息的大覆盖面。ZigBee 的通信过程非常安全。在数据传输过程中，有三层数据校验机制，确保信息传输无误。
在家庭安全监控系统中，信息采集需要依靠传感器，而不同传感器的工作频段是不同的。为了保证家庭安全监控信息的正常通信，ZigBee 可以将原始信号分成多个子信号，并自适应地分配信号频段，以保证较高的信号识别精度。
WSN 以 ZigBee 通信技术为核心，可实现家庭安全监控。ZigBee 通信技术和其他通信技术的特点如表 1 所示。
表 1 比较了 ZigBee 通信技术与其他通信技术的特点。与蓝牙和无线局域网相比，ZigBee 通信技术响应速度更快、传输距离更远、使用成本更低，可有效应用于实时监控领域。
在家庭安全监控系统中，影响房屋安全的因素有很多。传感器覆盖范围广。基于 ZigBee 通信的 WSN 应结合家庭环境因素设计传感器节点的分布，从而提高整个家庭安全监控系统的可扩展性和实时监控数据的全面性。
人工智能是计算机科学的一个分支，它模拟人脑处理复杂事务的逻辑，对复杂问题进行智能研究。人工智能技术发展越来越快，在数据智能处理、图像识别、机器人等领域有着广泛的应用
人工神经网络是人工智能技术中常用的一种方法。经过对模型数据的训练和学习，它具有超强的数据识别和分析能力[20]。人工神经网络的结构模型如图 4 所示。
图 4 描述了人工神经网络的结构模型。它具有三层结构，可实现对安全监测数据的智能分析。
人工神经网络是模仿动物神经网络的行为特征，进行分布式并行信息处理的算法数学模型。根据系统的复杂程度，人工神经网络可以通过调整大量内部节点之间的关系来处理信息。人工神经网络可用于分析家庭安全监控系统中的数据，从而做出智能安全决策。
神经网络的收敛结果和收敛性有两种。收敛结果是指神经网络计算出的结果一般为 1 或 0。收敛性可以理解为是否能产生 1 或 0，或者产生 1 或 0 后的概率是多少。
表 1：ZigBee 通信技术与其他通信技术的特点比较
通信技术 |
无线局域网 |
Bluetooth | ZigBee |
| 应用领域 | 在线智能设备 | 短距离信息传输 |
实时监控 |
| 响应速度 | Slow | Slow | Fast |
| 传输距离 | Far away | Near | Far |
| Use cost | High | Higher | Low |
图 4：人工神经网络的结构模型。
通过神经网络进行计算。人工神经网络的时间复杂度决定了模型的训练/预测时间。
在家庭安全监控系统中，传感器获得的数据集是
其中
式 (1) 的处理结果经激活函数处理后得出：
其中，函数
在家居安全监控系统中，往往需要根据家居环境信息对安全状况进行预测和分析，以便及时应对发生的危险。反向传播神经网络具有正向信息传输和反向误差反馈两种模式，可以对非线性数据进行优化和预测。将反向传播神经网络应用于家庭安全监控系统时，误差可表示为
其中
根据误差的大小调整神经网络的结构
其中，
当误差达到可接受范围时，表明训练后的反向神经网络具有出色的安全监控能力。具体过程如下：
其中
人工智能技术具有出色的信息优化能力。人工智能可以对安全监控系统获取的数据进行智能分析，有效提高安全监控效果。
3 安全监控系统的应用实验
3.1 安全监控系统评价体系的构建
智能家居安防监控可以实时获取家具的环境信息，远程操作智能设备，监控家中人员。其中
表 2：住户安全监测和评估指标
|
Index |
|
Percentage | ||||
| 1 | 响应时间 | 36 | 18 | ||||
| 2 | 监测稳定性 | 44 | 22 | ||||
| 3 | Monitoring | 56 | 28 | ||||
| comprehensiveness | |||||||
| 4 | 监测准确性 | 64 | 32 |
本文将 WSN 技术应用于家庭安全监控系统。为了有效分析基于 WSN 的家庭安全监控系统与传统家庭安全监控系统的性能对比，本文对 250 名专业安全监控人员进行了问卷调查，主要分析了他们认为可以评价家庭安全监控效果的指标。共发放问卷 250 份，其中有效问卷 200 份，无效问卷 50 份，无效问卷的原因是调查人员没有提供数据答案，或者答案内容与调查内容无关。住户安全监测评价指标见表 2。
表 2 介绍了住户安全监测和评估指标。共计算了四项评估指标，包括响应时间、监测稳定性、监测全面性和监测准确性。监测准确性的最高百分比为 32。监测全面性的最高百分比为 28，响应时间的最低百分比为 18。
为了更好地反映家庭安全监控的效果，有必要对家庭环境中的重点部位进行监控。本文随机抽取了 50 栋房屋进行实验。家庭监控的重点区域如表 3 所示。
表 3 介绍了住户监测的关键领域。家庭监测共有七个关键领域
表 3：住户监测的主要领域
| 序列号 | Region | 传感器占空比 (%) |
| 1 | Shower room | 16 |
| 2 | Bedroom | 14 |
| 3 | 客厅 | 10 |
| 4 | Kitchen | 24 |
| 5 | Balcony | 11 |
| 6 | Stair case | 7 |
| 7 | Grocery | 18 |
其中厨房区域的传感器比例高达
3.2 安全监控系统应用的实验设计
对照组采用传统的家庭安全监控系统，传感器数量较少，传感器之间没有数据交换。实验组将基于人工智能的 WSN 技术应用于家庭安全监控系统。两种家庭安全监控方法的比较要点如下：响应时间、监控稳定性、监控全面性和监控准确性。为了全面比较传统家庭安全监控系统和本文系统的监控效果，本文设置了多组迭代实验，以消除测量误差。
家庭安全监控系统在运行过程中，由于自身系统和家庭环境因素的影响，可能会出现一些数据测量误差。因此，本文设置了迭代实验，通过多次迭代实验来消除误差。最终结果为多次迭代结果的平均值。
在居家安全监控过程中，居家安全监控的效果受到居住区域的影响。因此，本文将实验住宅分为大型住宅环境和小型住宅环境。大型住宅环境的面积大于或等于 120 平方米，小型住宅环境的面积小于 120 平方米。
4 安全监控系统的应用成果
4.1 响应时间
响应时间是指从获取数据到系统做出响应的时间。响应时间可以大大提高家居安全监控的性能。当家居环境复杂时，家居安全监控系统需要及时响应，以确保家居环境的安全。家居安全监控系统的响应时间
比较了基于人工智能 WSN 技术的监控系统和传统的家庭安全监控系统。比较结果如图 5 所示。
图 5a 描述了两种家庭安全监控系统在大规模家庭环境中的响应时间对比。其中，传统家庭安全监控系统的响应时间在第二次时达到最小值
(一）WSN 技术上的人工智能可以有效缩短系统的响应时间，提高家庭安全监控的效率。家庭安全监控系统与人们的生命安全息息相关，尽可能短的响应时间有助于及时发出家庭安全警报。
4.2 监测稳定性
监控稳定性是指家居安全监控系统的抗干扰能力，在家居环境发生变化或传感器设备长时间工作时，是否具有稳定的家居安全监控能力。通过测试家居安全监控系统在不同等级噪声数据下的稳定性，可以将噪声数据比设定为 10 到
图 6a 描述了两种家庭安全监控系统在大规模家庭环境下的监控稳定性对比。传统家庭安全监控系统的监控稳定性在第二次达到最小值
图 5：响应时间比较结果：(a) 大规模家庭环境的响应时间，(b) 小规模家庭环境的响应时间。
(b) 环境。
(a)
(b)
图 6：稳定性监测结果对比：（a）大规模家庭环境稳定性监测；（b）小规模家庭环境稳定性监测。
因此，将 WSN 技术应用到家庭安全监控系统中，可以大大提高家庭监控系统的监控稳定性。
4.3 监测的全面性
家居环境一般比较复杂，造成家居危害的因素很多。厨房、浴室等区域需要全面监控。基于人工智能 WSN 技术的家庭安全监控系统与传统的家庭安全监控系统进行了综合比较。对比结果如图 7 所示。大型家居环境的房屋面积为
(a)
(b)
图 7：监测全面性比较结果：(a) 大规模住户环境监测全面性；(b) 小规模住户环境监测全面性。
超过 200 平方米。大型家居环境中有 11 个传感器，包括门磁传感器、气体传感器、温度传感器和湿度传感器。小型家居环境的外壳面积在 15 至 30 平方米之间。
图 7a 描述了两种家庭安全监控系统在大规模家庭环境中的综合比较。其中，传统家庭安全监控系统的监控全面性第三次达到最低
(a)
(b)
图 8：监测精度比较结果：(a) 大规模家庭环境的监测精度，(b) 小规模家庭环境的监测精度。
通过建立传感器节点网络，可以改善家庭监控。因此，基于人工智能 WSN 技术的家庭安全监控系统能有效提高家庭安全监控的全面性。
4.4 监测准确性
在家庭安全监控中，安全监控的效果很大程度上取决于家庭监控的准确性。本文比较了基于人工智能 WSN 技术的家庭安全监控系统和传统家庭安全监控系统的监控精度。对比结果如图 8 所示。
图 8a 描述了两种家庭安全监控系统在大规模家庭环境下的监控精度对比。在整个实验过程中，基于人工智能 WSN 技术的家庭安全监控系统的监控精度均高于传统的家庭安全监控系统。其中，传统家庭安全监控系统的监控精度第10次达到
5 结论
家庭安全监控系统具有很强的综合性。智能计算、无线通信和其他技术的设计对于家居安全非常重要。许多家居安全事故都是由于对家居环境的监控不到位造成的。传统的家居监控系统主要采用物联网技术，使用少量传感设备对家居环境进行监控，但整体监控效果较差。本文将 WSN 技术应用到家庭安全监控系统中，通过众多传感器节点形成全方位监控。采用 ZigBee 通信技术提高信息传输效果，采用人工智能对家庭监控数据进行智能分析。本文构建了安全监控系统的评估体系，并将基于人工智能 WSN 技术的家庭安全监控系统与传统的家庭安全监控系统进行了比较。结果表明，基于人工智能 WSN 技术的家庭安全监控系统具有更高的监控稳定性和检测全面性，并有效缩短了系统的响应时间。利用 WSN 技术的家庭安全监控系统大大提高了对家庭环境的监控效果，确保了家庭环境的安全。然而，本文在对两种家居监控系统进行对比时设置的迭代次数较少，无法反映真实的家居安全监控效果。因此，设置更多组家庭监控系统实验迭代，是今后研究的方向。
基金信息：本研究得到海南省自然科学基金项目（项目编号：
利益冲突：作者声明，本手稿中报告的材料与任何金融组织没有利益冲突。
数据可用性声明：由于本研究未生成或分析数据集，因此数据共享不适用于本文。
参考资料
[1] H. Wu，"基于隐马尔可夫模型（HMM）的管道安全监测动态时序识别与知识挖掘方法，
[2] H. Wang，"以列车为中心的 CBTC 系统的安全监控"，IET Intell.Transp.Syst.》，第 12 卷第 8 期，第 931-938 页，2018 年。
[3] N. Adamo，"大坝安全：J. Earth Sci.11, no. 1, pp.
[4] A. B. Chavhan 和 D. M. Bhoi，"Pharmacovigillance：Pharmacovigillance: Drug Safety Monitoring," Asian J. Pharm.9, no. 1, pp.
[5] M. Abdulkarem，"用于结构健康监测的无线传感器网络：技术、挑战和未来方向的当代回顾"，《结构健康监测》，第 19 卷，第 1 期。Health Monit.3, pp.
[6] A. D. Salman, O. I. Khalaf, and G. M. Abdulsahib, "An adaptive intelligent alarm system for wireless sensor network," Indonesian J. Electr.Eng.Comput.Sci.》，第 15 卷，第 1 期，第 142-147 页，2019 年。
[7] Md.Islam and A. Rahaman, "Development of smart healthcare monitoring system in IOT environment," SN Comput.Sci.3, pp.
[8] B. Labella, "Consistency of safety monitoring using routine national databases: results using a quality of care interpretative model," Eur. J. Public.J. Public.Health, vol. 30, no. 6, pp.
[9] G. Liang, Y. Hu, and Q. Li, "Safety monitoring of high arch dams in initial operation period using vector error correction model," Rock.岩石工程》，第 51 卷，第 8 期，2009 年。岩石工程》，第 51 卷第 8 期，第 2469-2481 页，2018 年。
[10] S. Kumar、P. Tiwari 和 M. Zymbler：《物联网是未来技术提升的革命性方法：综述》，《大数据》杂志，第 6 卷第 1 期，第 1-21 页，2019 年。
[11] S. Villamil, C. Hernández, and G. Tarazona, "An overview of internet of things," Telkomnika (Telecommun. Comput. Electron. Control.), vol. 18, no.5, pp.
[12] A. Bashar，"基于传感器云的架构，为物联网应用提供高效数据计算和安全植入，"J. ISMAC，第 2 卷第 2 期，第 96-105 页，2020 年。
[13] W. Haoxiang 和 S. Smys，"无线传感器网络中优化路由选择的软计算策略"，《J. Soft Comput.Paradig.(JSCP），第 2 卷，第 1 期，第 1-12 页，2020 年。
[14] O. I. Khalaf, G. M. Abdulsahib, and B. M. Sabbar, "Optimization of wireless sensor network coverage using the Bee Algorithm," J. Inf.36, no. 2, pp.
[15] R. Priyadarshi, B. Gupta, and A. Anurag, "Deployment techniques in wireless sensor networks: a survey, classification, challenges, and future research issues," J. Supercomput.
[16] X. Feng、F. Yan 和 X. Liu，"面向精准农业的物联网无线通信技术研究"，Wirel.Personal.Commun., vol. 108, no.3, pp.
[17] I. M. A. Nugraha, "Stability data Xbee S2b Zigbee communication on arduino based sumo robot," J. Robot.Control.(JRC), vol. 2, no.3，第 153-160 页，2021 年。
[18] J. He，"人工智能技术在医学中的实际应用"，《自然-医学》，第 25 卷第 1 期，第 30-36 页，2019 年。Med., vol. 25, no. 1, pp.
[19] S. H. Park and K. Han, "Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction," Radiology, vol. 286, no.3，第 800-809 页，2018 年。
[20] A. M. Zador，"纯粹学习的批判以及人工神经网络能从动物大脑中学到什么"，《自然通讯》，第 10 卷，第 1 期，第 1-7 页，2019 年。Commun., vol. 10, no. 1, pp.
通讯作者Ru Jing，海南职业技术学院信息工程系，中国海南海口 571126，电子邮件：rufeng121@163.com
张亚娟海南大学信息工程系
中国海南省海口市职业科技大学，邮编：571126，电子邮箱：zyj020525@hvust.edu.cn
Xiang Ji：海南职业技术学院信息工程系，中国海南海口 571126，电子邮箱：jixiang_david@163.com
胡楠海南职业技术学院工商管理系，中国海南海口 571126，电子邮箱：314279324@qq.com