Zigbee 网络与穿戴设备传感器数据的融合分析：找到隐藏的生活模式

前言

我家有 20 多个传感器，每天产生上万条数据。

温湿度、光照、门窗状态、人体红外、手环心率......每个传感器都在忠实地记录着数据。但数据多不代表信息多------如果只是看一眼当前的温度，那和普通的温度计没什么区别。

把这些数据放在一起综合分析，才能发现真正有用的模式。

比如：通过 Zigbee 温湿度传感器和手环心率数据的对比，我发现------每次客厅湿度超过 70% 的时候，我的睡眠质量就会下降。这不是玄学，这是数据揭示的规律。

一、多源数据融合框架

1.1 数据源

python 复制代码

数据源 = {
    "Zigbee 传感器": {
        "温湿度": "每 5 分钟上报，记录家中各房间环境",
        "人体红外": "事件触发，记录人员活动",
        "光照": "每 10 分钟上报，记录自然光变化",
        "门窗": "事件触发，记录开关状态"
    },
    "智能手环": {
        "心率": "连续监测，每分钟平均值",
        "睡眠": "每晚睡眠周期分析",
        "步数": "每日活动量汇总",
        "血氧": "夜间最低血氧值"
    },
    "智能家居系统": {
        "设备使用": "灯、空调、电视的使用时长",
        "自动化触发": "各自动化的触发频率"
    }
}

1.2 融合分析架构

graph TD subgraph "数据采集层" A["Zigbee 传感器数据"] B["手环健康数据"] C["智能家居使用数据"] end subgraph "数据存储层" D["InfluxDB<br>时序数据库"] end subgraph "分析层" E["关联分析"] F["模式识别"] G["异常检测"] end subgraph "展示层" H["Grafana 仪表盘"] I["日报/周报"] J["实时告警"] end A & B & C --> D D --> E & F & G E & F & G --> H & I & J

二、具体分析场景

2.1 环境 - 健康关联分析

python 复制代码

import pandas as pd
from datetime import datetime, timedelta

class 环境健康分析:
    def __init__(self):
        self.db = InfluxDBClient("localhost", "home_assistant")
    
    def 查询关联数据(self, 天数=30):
        """查询最近 N 天的环境和健康数据"""
        环境数据 = self._查询环境数据(天数)
        健康数据 = self._查询健康数据(天数)
        
        return pd.merge(环境数据, 健康数据, on="时间")
    
    def 分析湿度对睡眠的影响(self):
        """分析卧室湿度与睡眠质量的关系"""
        数据 = self.查询关联数据(30)
        
        # 按湿度分桶统计
        数据["湿度区间"] = pd.cut(数据["卧室湿度"], 
                                  bins=[0, 40, 50, 60, 70, 100],
                                  labels=["<40%", "40-50%", "50-60%", "60-70%", ">70%"])
        
        统计 = 数据.groupby("湿度区间")["睡眠评分"].mean()
        
        print("不同湿度下的平均睡眠评分：")
        print(统计)
        
        # 结果输出：
        # <40%:   6.2
        # 40-50%: 7.8
        # 50-60%: 8.1  ← 最佳
        # 60-70%: 7.2
        # >70%:   5.8  ← 湿度太高睡不好
    
    def 分析温度与心率的关系(self):
        """分析客厅温度与静息心率的关系"""
        数据 = self.查询关联数据(30)
        
        相关性 = 数据["客厅温度"].corr(数据["静息心率"])
        print(f"客厅温度与静息心率的相关系数: {相关性:.2f}")
        
        # 结果输出：
        # 客厅温度与静息心率的相关系数: 0.65
        # 说明温度越高，我的心率也越高（身体在散热）

2.2 活动模式分析

python 复制代码

class 活动模式分析:
    def __init__(self):
        self.红外传感器 = [
            "binary_sensor.living_room_motion",
            "binary_sensor.bedroom_motion",
            "binary_sensor.kitchen_motion"
        ]
    
    def 分析日常活动规律(self):
        """分析每天的活动规律"""
        数据 = self._查询近 7 天红外数据()
        
        for 传感器 in self.红外传感器:
            触发统计 = 数据[传感器].resample("1H").sum()
            
            print(f"\n{传感器} 每小时触发次数（近 7 天平均）：")
            for 时段 in range(24):
                次数 = 触发统计[触发统计.index.hour == 时段].mean()
                if 次数 > 0:
                    print(f"  {时段:02d}:00 - {次数:.1f} 次")
        
        # 输出示例：
        # 书房红外 每小时触发次数：
        #   09:00 - 12.5 次（上午集中办公）
        #   14:00 - 15.3 次（下午办公）
        #   22:00 - 0.5 次（偶尔加班）
    
    def 检测行为异常(self):
        """检测与基线不符的行为模式"""
        基线 = self._建立活动基线()
        今日数据 = self._获取今日数据()
        
        异常 = []
        for 传感器, 今日次数 in 今日数据.items():
            基线条数 = 基线[传感器]
            偏差 = (今日次数 - 基线条数) / 基线条数
            
            if abs(偏差) > 0.5:  # 偏差超过 50%
                异常.append({
                    "传感器": 传感器,
                    "今日": 今日次数,
                    "基线": 基线条数,
                    "偏差": f"{偏差:.0%}"
                })
        
        return 异常

2.3 预测分析

利用手环数据和 Zigbee 环境数据，可以做一些简单的预测：

python 复制代码

class 健康预测:
    def 预测睡眠质量(self):
        """根据当日数据预测今晚睡眠质量"""
        今日特征 = {
            "白天活动量": self._获取步数(),
            "下午体温": self._获取 Zigbee 温度("卧室"),
            "今日晒太阳时长": self._获取光照时长("阳台"),
            "咖啡摄入": self._查询健康记录("咖啡"),
            "睡前客厅亮度": self._预测亮度()
        }
        
        # 基于历史数据的简单预测模型
        score = 7.0  # 基准分
        
        if 今日特征["白天活动量"] < 3000:
            score -= 0.5  # 活动量不足
        
        if 今日特征["下午体温"] > 26:
            score -= 1.0  # 太热影响入睡
        
        if 今日特征["咖啡摄入"] > 2:
            score -= 0.8  # 咖啡因超标
        
        return max(1, min(10, score))

三、可视化与自动化

3.1 Grafana 仪表盘

json 复制代码

{
  "title": "环境 - 健康关联看板",
  "panels": [
    {
      "title": "睡眠质量 vs 卧室温湿度",
      "type": "graph",
      "targets": [
        "SELECT mean(value) FROM sleep_score WHERE $timeFilter",
        "SELECT mean(value) FROM bedroom_temp WHERE $timeFilter",
        "SELECT mean(value) FROM bedroom_humidity WHERE $timeFilter"
      ]
    },
    {
      "title": "活动热力图（按小时/天）",
      "type": "heatmap",
      "targets": [
        "SELECT count(value) FROM motion_sensor WHERE $timeFilter"
      ]
    }
  ]
}

3.2 自动化触发

python 复制代码

# 基于融合分析的自动化规则
融合分析自动化 = [
    {
        "条件": "卧室湿度 > 70% AND 时间 == 21:00",
        "动作": "打开除湿机 + TTS 通知:『建议开一下除湿机，今晚湿度偏高』"
    },
    {
        "条件": "书房有人 == False AND 客厅有人 == False AND 时间 > 22:00 AND 灯 == ON",
        "动作": "询问是否关灯（可能是忘记关了）"
    },
    {
        "条件": "心率 > 100bpm AND 人体红外 == 静止超过 30 分钟",
        "动作": "建议测量体温，可能是发烧前兆"
    }
]

四、避坑指南

4.1 不要过度分析

⚠️ 发现了"湿度>70% 时睡眠变差"的规律后，不要第一时间买除湿机------先确认这是因果关系还是相关关系。

✅ 正确做法：先做控制实验。人为调节一晚上的湿度到 50%，看睡眠是否真的改善。如果改善了，再决定买除湿机。

4.2 数据质量比数据量重要

⚠️ 如果传感器数据经常丢包，分析出来的"规律"可能全是噪声。

✅ 解决方案 ：先分析传感器数据的完整性，完整性低于 95% 的传感器数据不纳入分析。

4.3 隐私边界

⚠️ 把卧室的人体红外数据和手环心率数据关联分析，可以非常准确地知道你几点上床、几点睡着、甚至"那个"了没有。

✅ 处理方式：这些数据只在本地存储和分析，绝不外传。分析结果也只以聚合形式（如"本周睡眠质量评分 7.5"）展现，而不是原始数据。

总结

经过一个月的融合分析，我发现了一些有趣的事情：

我的最佳睡眠环境：温度 24°C、湿度 55%、睡前 1 小时不看手机
工作效率最高的时段：9:00-11:00，且当天气温在 22-26°C 之间
最容易焦虑的日子：连续两天没有出门的时候

这些发现让我对"家"有了更深的了解。原来不是我状态不稳定，而是环境在影响我。