李美惠

（1.中國科學(xué)院深圳先進(jìn)研究院廣東深圳518055；2.武漢郵電科學(xué)研究院湖北武漢430070）

Android跌倒檢測系統(tǒng)的實(shí)現(xiàn)

李美惠1，2

（1.中國科學(xué)院深圳先進(jìn)研究院廣東深圳518055；2.武漢郵電科學(xué)研究院湖北武漢430070）

基于減輕老年人跌倒危害的目的，以及時(shí)有效的進(jìn)行跌倒檢測和跌倒救助，設(shè)計(jì)并實(shí)現(xiàn)了一款基于Android智能手機(jī)的跌倒檢測系統(tǒng)，實(shí)時(shí)采集人體日常行為數(shù)據(jù)，對數(shù)據(jù)進(jìn)行研究分析，提出了一種支持向量機(jī)（SVM）和決策樹相組合的跌倒檢測算法，該算法既能簡單快捷的進(jìn)行手機(jī)日常跌倒監(jiān)護(hù)，又能準(zhǔn)確有效的進(jìn)行跌倒檢測判斷。采用兩次跌倒檢測判斷的方法，在日常行為通過SVM算法判斷是跌倒行為時(shí)，再進(jìn)行第二次決策樹跌倒判斷，優(yōu)化了日常跌倒檢測，使準(zhǔn)確率達(dá)到99%。

跌倒檢測；數(shù)據(jù)采集；SVM；決策樹

意外跌倒是現(xiàn)今社會中危害老年人健康生活的主要因素［1-2］。為此，早在20世紀(jì)八九十年代，國內(nèi)外許多研究結(jié)構(gòu)和高校就在不斷研究和實(shí)驗(yàn)跌倒檢測方法，并且取得了較好的成效［3］。隨著社會發(fā)展，手機(jī)成為人們生活必備品，且Android智能手機(jī)占市場手機(jī)的65%以上，基于Android智能手機(jī)的跌倒檢測系統(tǒng)的研發(fā)應(yīng)運(yùn)而生。但目前的部分手機(jī)跌倒檢測系統(tǒng)中，跌倒檢測算法簡單單一，不能夠準(zhǔn)確、及時(shí)、有效的進(jìn)行跌倒檢測，考慮到手機(jī)的主體功能和電池內(nèi)存的消耗問題，跌倒檢測算法過于復(fù)雜、難于實(shí)現(xiàn)、功耗大、準(zhǔn)確度和靈敏度低等，都會造成嚴(yán)重的影響。文中提出了支持向量機(jī)SVM和決策樹相結(jié)合的跌倒檢測算法，先以SVM算法對日常行為進(jìn)行預(yù)判，再采用決策樹對預(yù)判結(jié)果進(jìn)行二次分析判斷，這樣很好的適應(yīng)了手機(jī)載體，并有效提高了跌倒檢測的及時(shí)性、準(zhǔn)確性和靈敏度。

1　跌倒檢測方法研究

跌倒檢測算法種類眾多，目前常用于手機(jī)、易于實(shí)現(xiàn)的跌倒檢測算法主要是支持向量機(jī)SVM的檢測算法和基于模式識別的決策樹算法［4］，但這兩種算法在單一使用時(shí)，不能同時(shí)滿足跌倒檢測的準(zhǔn)確率、靈敏度和及時(shí)性，基于SVM的方法太過單一，容易產(chǎn)生跌倒行為的錯判或漏判，而決策樹則過程復(fù)雜、難于實(shí)現(xiàn)，應(yīng)用時(shí)耗電耗內(nèi)存，不能很好的適應(yīng)手機(jī)載體。

針對這兩個算法的優(yōu)劣勢，文中采用兩次檢測的方法：第一次檢驗(yàn)采用算法簡單、計(jì)算量小的SVM閾值算法，如果判斷可能發(fā)生摔倒，再啟動第二次較為精確但是過程復(fù)雜的決策樹算法，檢測流程如圖1所示。

1.1基于SVM的跌倒預(yù)檢測

所謂SVM，就是支持向量機(jī)（Support Vector Machine）的判定方式。普通的跌倒檢測是簡單的二類分類問題：跌倒行為和日常行為，SVM分類方法就是采用線性界面將這兩類行為分開，從而初步判斷出跌倒行為，達(dá)到跌倒預(yù)檢測的效果，簡化日常跌倒檢測過程，節(jié)省系統(tǒng)資源。

顯然，此類判決分類界面有無數(shù)多個，即所選取的線性判別函數(shù)（y=ax+b）也有無窮多個，如圖2所示，其中，最優(yōu)分類界面與最靠近的樣本點(diǎn)距離都達(dá)到最大，能夠最好的將兩類樣本進(jìn)行分類，是最佳判別分類界面，分類界面1則是最簡分類界面，這些分類界面都能做到很好的判別分類。

圖1　跌倒檢測流程圖

圖2SVM模型圖

在跌倒判斷的過程中，由于手機(jī)佩戴的隨意性和跌倒方向的隨機(jī)性，SVM判斷算法中不能進(jìn)行單方向的分類判斷，基于三維數(shù)據(jù)的采集，在此引進(jìn)信號向量模svm（signal vector module）概念：

采用線性SVM的算法進(jìn)行跌倒檢測，易于實(shí)現(xiàn)，能夠快速的做出分類判斷，反應(yīng)時(shí)間快，但會存在嚴(yán)重的誤判、漏判，準(zhǔn)確率和靈敏度難以平衡，故作為日常行為檢測，區(qū)分出跌倒行為與類跌倒行為，再由決策樹進(jìn)行精確判斷。

1.2基于決策樹的跌倒精確判斷

決策樹又叫分類樹，由結(jié)點(diǎn)和連接在結(jié)點(diǎn)上的樹枝組成的。最上面的結(jié)點(diǎn)定義為根結(jié)點(diǎn)，它包括了所有的分類訓(xùn)練數(shù)據(jù)，最底部的結(jié)點(diǎn)是樹葉，表示最后的分類結(jié)果，除去樹葉的其他所有結(jié)點(diǎn)被定義為決策點(diǎn)，在這些決策點(diǎn)上，數(shù)據(jù)會基于某種屬性來進(jìn)行分類判斷［5］。

跌倒預(yù)檢測后，將預(yù)檢測出的跌倒行為再進(jìn)行決策樹判斷，根據(jù)不同的屬性對該行為做進(jìn)一步的分析，實(shí)現(xiàn)跌倒精確判斷。如圖3所示，在跌倒檢測中，分別對x、y、z軸3個方向的加速度進(jìn)行決策判斷，最終確定跌倒行為。

決策樹作為一種多過程決策的方法，通過多級多值分析，對數(shù)據(jù)進(jìn)行分類判斷，最終確定跌倒行為，準(zhǔn)確率高，但是過程復(fù)雜，難于實(shí)現(xiàn)。系統(tǒng)先對日常行為進(jìn)行預(yù)檢測，由預(yù)檢測出的跌倒行為來觸發(fā)決策樹判斷，在簡化跌倒檢測系統(tǒng)的基礎(chǔ)上，提高了跌倒判斷的準(zhǔn)確率。

圖3　決策樹模型圖

2　系統(tǒng)實(shí)現(xiàn)與結(jié)果分析

基于以上跌倒檢測研究方法，在HUAWEI B199的Android手機(jī)上進(jìn)行系統(tǒng)設(shè)計(jì)，實(shí)現(xiàn)數(shù)據(jù)采集，并對采集的數(shù)據(jù)進(jìn)行跌倒判斷。

2.1數(shù)據(jù)采集

調(diào)用Android智能手機(jī)中內(nèi)置的加速度傳感器、陀螺儀和方向傳感器，對行為數(shù)據(jù)進(jìn)行數(shù)據(jù)采集。

加速度傳感器能夠感測出移動設(shè)備在三維空間中的加速度值A(chǔ)ccx、Accy、Accz，根據(jù)這三個參數(shù)值來判斷物體的加速度及運(yùn)動方式。3個坐標(biāo)軸方向如圖4所示。

但在應(yīng)用中，通過手機(jī)Sensor獲得的加速度值是設(shè)備以地球?yàn)閰⒄瘴锏募铀俣仍贉p去重力加速度后的值，也就是說，當(dāng)手機(jī)設(shè)備靜止或者勻速運(yùn)動的時(shí)候，它本身也會有一個為抵御自由落體運(yùn)動的垂直向上的加速度g'，該加速度g'值投影到設(shè)備坐標(biāo)系中的x、y、z軸上，就是正常顯示的三個參數(shù)分量值［6］。

圖4　手機(jī)上的x、y、z坐標(biāo)軸

陀螺儀就是一款低功耗的3軸角速度傳感器，能夠測量沿一個軸或幾個軸運(yùn)動的角速度，單位是rad/s。從手機(jī)中得到的陀螺儀輸出值分別是X、Y、Z軸上的旋轉(zhuǎn)角速度Gryx、Gryy、Gryz。手機(jī)內(nèi)置方向傳感器就能夠用于采集人體運(yùn)動時(shí)的方向角變化，然后反饋三維的方向角度變化值Orix、Oriy、Oriz，方向與角速度方向?qū)?yīng)［7-8］。

日常生活中，人的行為活動是復(fù)雜的，有行走、跑步、上樓梯、坐下、起立、跳躍等［9］。在進(jìn)行算法設(shè)計(jì)前，先進(jìn)行軟件設(shè)計(jì)，調(diào)用手機(jī)內(nèi)置的傳感器API接口，實(shí)現(xiàn)在手機(jī)上進(jìn)行各類行為活動的數(shù)據(jù)采集，以及對采集數(shù)據(jù)的保存。

圖5　手機(jī)上傳感器數(shù)據(jù)采集波形顯示

圖5為快步行走時(shí)手機(jī)采集實(shí)時(shí)數(shù)據(jù)的界面顯示，圖（a）中為三維加速度的波形顯示，圖（b）中分別為此時(shí)的合加速度和三維方向角的變化曲線。在數(shù)據(jù)波形顯示的同時(shí)，將采集到的數(shù)據(jù)進(jìn)行實(shí)時(shí)記錄，生成數(shù)據(jù)文檔，存儲在手機(jī)中。

在該跌倒檢測系統(tǒng)的設(shè)計(jì)過程中，分別對50例實(shí)驗(yàn)者進(jìn)行“行走-跑步-上樓梯-坐下-起立-跳躍-跌倒”一系列行為的數(shù)據(jù)采集，如表1，數(shù)據(jù)采集間隔為0.2s，對數(shù)據(jù)建檔，然后進(jìn)行數(shù)據(jù)分析、建模，以供進(jìn)行算法設(shè)計(jì)。

表1　跌倒檢測實(shí)驗(yàn)操作

2.2跌倒檢測

對采集的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)研究和對比分析，可以提取到跌倒判斷的svm閾值和加速度、角速度特征量?？紤]到跌倒方向的隨機(jī)性，在跌倒數(shù)據(jù)分析的過程中，不能僅僅對一個方向的數(shù)據(jù)進(jìn)行分析判斷，采用信號向量模的概念對數(shù)據(jù)進(jìn)行處理。

將數(shù)據(jù)采集實(shí)驗(yàn)過程中的數(shù)據(jù)進(jìn)行整理，提取數(shù)據(jù)進(jìn)行具體觀察和分析。圖6、圖7、圖8分別為人體在一系列的實(shí)驗(yàn)運(yùn)動過程中的角速度、加速度和方向角的變化曲線圖。

變化曲線中的6個區(qū)間依次分別為行走、跑步、上樓梯、坐下起立、跳躍和摔倒6個過程，從圖中可以看出，行走、跑步、上樓梯與跌倒行為的區(qū)分度很大，而跳躍行為與跌倒行為的區(qū)分度則很小，判斷有一定的難度，必須要經(jīng)過二次跌倒檢測，進(jìn)行區(qū)分。

圖6　角速度向量模曲線

圖7　加速度向量模曲線

圖8　方向角變化曲線

采用加速度的信號向量模作為SVM模型算法的基本量，做日常行為跌倒判斷，對比加速度的波形變化圖，跌倒沖擊點(diǎn)的加速度值為27.07m2/s，跳躍過程中的最大加速度值為18.24m2/s，選擇23m2/s定為SVM模型核函數(shù)的規(guī)整值，可以進(jìn)行跌倒行為的初步檢測，排除與跌倒行為區(qū)分度較大的日常運(yùn)動行為。

第一次跌倒檢測判斷之后，再采用加速度、角速度或方向角等單一屬性的決策樹判斷來進(jìn)行跌倒檢測比較片面，不能準(zhǔn)確有效的將跌倒行為從類跌倒行為中檢測出來，此時(shí)決策樹的節(jié)點(diǎn)應(yīng)分別采用Acc、Gry、Ori 3個屬性逐級判斷，針對加速度，還要保證跌倒行為的加速度向量模變化域，與跳躍行為不同，跌倒過程中，加速度不會有0值，根據(jù)實(shí)驗(yàn)數(shù)據(jù)，最小值設(shè)定為4m2/s。通過Acc、Gry、Ori 3個屬性建立決策樹模型，進(jìn)行二次跌倒檢測。

2.3結(jié)果分析

50位實(shí)驗(yàn)者依據(jù)日常生活習(xí)慣，同時(shí)將采用SVM算法、決策樹算法和組合算法進(jìn)行跌倒檢測的三部手機(jī)固定在身體的右下方（模擬上衣右下方口袋）進(jìn)行實(shí)驗(yàn)。每位實(shí)驗(yàn)者分別有兩個實(shí)驗(yàn)過程：有跌倒行為的實(shí)驗(yàn)過程和沒有跌倒行為的實(shí)驗(yàn)過程，記錄手機(jī)預(yù)警報(bào)警情況，對100例實(shí)驗(yàn)結(jié)果進(jìn)行分析，對比3種算法結(jié)果，如圖9所示。

在100例實(shí)驗(yàn)過程中，有50例為跌倒行為，50例非跌倒行為，將非跌倒行為判斷為跌倒行為進(jìn)行報(bào)警是誤判，將跌倒行為判斷成為非跌倒行為未進(jìn)行報(bào)警則為漏判，準(zhǔn)確判斷跌倒行為則為正判。根據(jù)圖9的記錄結(jié)果，很明顯，單一采用SVM算法，有嚴(yán)重的誤判和漏判情況，跌倒檢測效果并不理想；而SVM+決策樹的跌倒檢測算法與決策樹算法相比，雖然誤判的情況有所增加，但減少了漏判情況，相較而言，漏判比誤判情況要嚴(yán)重得多，有可能會造成生命危險(xiǎn)，故SVM+決策樹的算法要比單一的決策樹有優(yōu)勢。并且SVM+決策樹的檢測算法，在日常監(jiān)測過程中，判斷過程更加簡單，計(jì)算更加快捷，還能為手機(jī)省電，減少內(nèi)存消耗。

圖9　跌倒檢測算法對比

3　結(jié)束語

文中設(shè)計(jì)了一種基于Android的實(shí)時(shí)跌倒檢測系統(tǒng)，應(yīng)用手機(jī)中的內(nèi)置傳感器采集人體行為數(shù)據(jù)，對數(shù)據(jù)進(jìn)行分析研究，在原跌倒檢測算法基礎(chǔ)上提出了基于SVM和決策樹相組合的跌倒檢測算法，進(jìn)行實(shí)驗(yàn)研究。通過采用該算法，能夠?qū)崿F(xiàn)準(zhǔn)確、有效的跌倒檢測和判斷，在保證跌倒檢測準(zhǔn)確率的情況下，使手機(jī)跌倒檢測功能更好的適應(yīng)了手機(jī)載體，簡化了日常跌倒檢測過程，并且在兩層算法間提供了預(yù)警系統(tǒng)，實(shí)現(xiàn)了更加人性化的實(shí)時(shí)跌倒監(jiān)護(hù)。

［1］中華人民共和國衛(wèi)生部編.2010年中國衛(wèi)生統(tǒng)計(jì)年鑒［M］，北京:中國協(xié)和醫(yī)科大學(xué)出版社，2010.

［2］程旸，老年人活動監(jiān)測系統(tǒng)研究［D］.天津:天津大學(xué)，2009.

［3］趙祥欣.基于三維加速度傳感器的跌倒監(jiān)測研究［D］.杭州：浙江大學(xué)，2008.

［4］孫即祥.現(xiàn)代模式識別.第二版［M］.北京：高等教育出版社，2008

［5］Lee R Y W，Carlisle A J.Detection of falls using accelerometers and mobile phonetechnology［J］.Age and ageing，2011，40（6）:690-696.

［6］Sposaro F，Tyson G，iFall.an Android application for fall monitoring and response［C］.Engineering in Medicine and Biology Society，2009.EMBC 2009.Annual International Conference of the DEEE.IEEE，2009:6119-6122.

［7］Dai J，Bai X，Yang Z，et al.PerFallD:A pervasive fall detectionsystemusingmobilephones［C］//Pervasive ComputingandCommunicationsWorkshops（PERCOM Workshops），2010 8th IEEE International Conference on.IEEE，2010:292-297.

［8］Zhou M，Wang S，Chen Y，et al.An Activity Transition Based Fall Detection Model on Mobile Devices.Human Centric Technology and Service in Smart Space［C］.Springer Netherlands，2012:1-8.

［9］J.Dai，X.Bai，Z.Yang，Z.Shen and D.Xuan，Mobile phone-based pervasive fall detection［C］.Personal and Ubiquitous Computing.2010：633-643.

Implementation of Android-based fall-detecting system

LI Mei-hui1，2
（1.Chinese Academy of Sciences，Shenzhen Institutes of Advanced Technology，Shenzhen 518055，China；2.Wuhan Research Institute of Post and Telecommunications，Wuhan 430070，China）

In order topromptly fall detection and fall relief of old people，a fall detection system based on Android phones is designed and implemented.By collecting real-time sensor data and analyzing the data，a fall detection algorithm based on Supported Vector Machine and Decision Tree is proposed.The algorithm can be simple and quick for mobile phone daily monitoring，and can accurately and effectively detect the fall.There are two steps to fall detect，the daily behavior of the first SVM algorithm is used to detect the daily behavior，while fall，and then the second Decision Tree fall detect，in this way it effectively optimize the detection and improve the accuracy to 99%.

fall detection；data collection；SVM；decision tree

TN92

A

1674－6236（2016）17-0051-04

2015-08-24稿件編號：201508125

李美惠（1990—），女，湖北荊州人，碩士研究生。研究方向：健康醫(yī)療客戶端、老年人跌倒檢測和智能平臺的開發(fā)。