孫 祥，莊 偉，戴 棟

（1.南京信息工程大學(xué)信息與控制學(xué)院，南京210044；2.南京信息工程大學(xué)計(jì)算機(jī)與軟件學(xué)院，南京210044；3.東南大學(xué)儀器科學(xué)與工程學(xué)院，南京210091）

面向摔倒監(jiān)測(cè)的紐扣型可穿戴式節(jié)點(diǎn)系統(tǒng)*

孫 祥1，莊 偉2*，戴 棟3

（1.南京信息工程大學(xué)信息與控制學(xué)院，南京210044；2.南京信息工程大學(xué)計(jì)算機(jī)與軟件學(xué)院，南京210044；3.東南大學(xué)儀器科學(xué)與工程學(xué)院，南京210091）

摔倒作為世界第二大意外傷害死亡的誘因，已嚴(yán)重威脅到老年人的身心健康，因而摔倒監(jiān)測(cè)日益變得緊迫。摔倒監(jiān)測(cè)的可穿戴式節(jié)點(diǎn)系統(tǒng)的主要目的是監(jiān)測(cè)到摔倒行為并進(jìn)行及時(shí)的報(bào)警，從而可以大大減小由摔倒帶來(lái)的傷害。本系統(tǒng)是基于三軸加速度傳感器采集人體的運(yùn)動(dòng)信號(hào)，利用人體運(yùn)動(dòng)時(shí)加速度特征的改變，提出了一種準(zhǔn)確度高穩(wěn)定性好的SVM分類算法進(jìn)行二元分類，區(qū)別摔倒與日?；顒?dòng)，并將結(jié)果實(shí)時(shí)顯示在Android手機(jī)客戶端。實(shí)驗(yàn)結(jié)果表明，可穿戴式節(jié)點(diǎn)系統(tǒng)能夠較好地實(shí)現(xiàn)摔倒行為的連續(xù)監(jiān)測(cè)，正檢率可達(dá)94.8%。

摔倒監(jiān)測(cè)；加速度傳感器；SVM；可穿戴

摔倒作為世界第二大意外傷害死亡的誘因，目前已經(jīng)成為一個(gè)主要的公共健康問(wèn)題，尤其對(duì)老年人而言。作為日常生活中常見(jiàn)的突發(fā)事件，10%～15%的摔倒將導(dǎo)致老年人嚴(yán)重?fù)p傷，往往會(huì)造成銀發(fā)族老人嚴(yán)重骨折甚至喪失生活自理能力。研發(fā)體積小、重量輕、低成本、低功耗的摔倒監(jiān)測(cè)設(shè)備已成為學(xué)術(shù)界和工業(yè)界共同關(guān)注的熱點(diǎn)［1-2］。

目前國(guó)際上對(duì)于摔倒行為識(shí)別及監(jiān)測(cè)的方法主要分為兩種：一種是基于視覺(jué)信息技術(shù)的摔倒行為識(shí)別。另一種是基于穿戴式傳感器的摔倒行為識(shí)別。前者主要是通過(guò)攝像頭來(lái)完成對(duì)目標(biāo)圖像的捕捉，繼而用圖像處理算法來(lái)判別目標(biāo)姿態(tài)是否為摔倒行為。比如Rougier［3］曾提出一種通過(guò)攝像頭捕捉人體形狀改變摔倒檢測(cè)算法，其局限性在于會(huì)涉及到個(gè)人隱私問(wèn)題且只能完成小范圍的摔倒監(jiān)測(cè)。陳春雨［4］等運(yùn)用三幀差分法通過(guò)對(duì)視頻圖像中目標(biāo)對(duì)象輪廓的提取來(lái)判斷行走于摔倒，但視覺(jué)信息采集裝置成本高、功耗大，且受制于已部署圖像采集裝置的場(chǎng)景。

基于可穿戴式傳感器的摔倒判別主要是通過(guò)加速度計(jì)，陀螺儀等來(lái)獲得人體姿態(tài)信號(hào)。比如Hwang J Y［5］等學(xué)者研制的由加速度計(jì)，傾角傳感器和陀螺儀組成的摔倒監(jiān)測(cè)系統(tǒng)，當(dāng)目標(biāo)對(duì)象胸部角度變化70°時(shí)，該系統(tǒng)即判定摔倒，然而該系統(tǒng)卻沒(méi)考慮在樓梯上滑倒坐下上身傾斜角不變的情況。John A Stankovic［6］等研究人員通過(guò)在大腿和胸部多位置佩戴慣性器件來(lái)提高準(zhǔn)確度，運(yùn)用閾值判定算法來(lái)判別摔倒行為，其準(zhǔn)確率達(dá)到92%，但在實(shí)際生活環(huán)境中，多位置佩戴節(jié)點(diǎn)往往會(huì)給人們的行動(dòng)帶來(lái)不便。

本文提出了基于三軸加速度傳感器單節(jié)點(diǎn)摔倒判別系統(tǒng)，采用SVM算法對(duì)特征值復(fù)雜度低的加速度值的強(qiáng)度值，標(biāo)準(zhǔn)差，協(xié)方差進(jìn)行處理，通過(guò)支持向量機(jī)的二元識(shí)別，即使在訓(xùn)練集較小的情況下也能得到較高的摔倒檢出率。同時(shí)，本系統(tǒng)采用單節(jié)點(diǎn)僅僅佩戴在胸部位置獲取人體姿態(tài)信號(hào)，有效的解決了人體多位置佩戴傳感器帶來(lái)的不便。此外該紐扣型可穿戴節(jié)點(diǎn)系統(tǒng)采用Bluetooth low energy（低功耗藍(lán)牙4.0）進(jìn)行無(wú)線數(shù)據(jù)傳輸，極低的待機(jī)與運(yùn)行功耗使得一粒紐扣電池工作數(shù)月之久，有效地解決了傳統(tǒng)無(wú)線通信功耗大的弊端。最后通過(guò)實(shí)驗(yàn)證明該系統(tǒng)對(duì)摔倒監(jiān)測(cè)具有極高的準(zhǔn)確性和適用性。

1 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

1.1 摔倒監(jiān)測(cè)原理

圖1為摔倒行為分類圖。其中包含圖①（正常日?；顒?dòng)），以及一些常見(jiàn)的摔倒類型，包括圖②（絆倒），圖③（滑倒），圖④（暈倒），圖⑤（撞倒）。摔倒一般可以理解為非預(yù)期性的由于身體失去平衡而使身體由站立或坐立狀態(tài)轉(zhuǎn)變?yōu)樘傻棺藙?shì)的過(guò)程。

圖1 摔倒行為分類示意圖

如圖2所示可以將人站立狀態(tài)抽象為一個(gè)三維坐標(biāo)系，其中X軸所指的方向?yàn)槿梭w左右方向，此方向上的加速度的變化?x，Y軸所指方向?yàn)槿梭w垂直方向，此方向上的加速度的變化?y，Z軸所指方向?yàn)槿梭w前后方向，則加速度的變化?z。當(dāng)人處于站立狀態(tài)時(shí)，X、Z軸方向的加速度都為0，Y軸方向加速度為-gn。合成加速度?=(?x,?y,?z):

摔倒行為往往伴隨著身體姿態(tài)的改變，繼而3個(gè)軸的加速度及其矢量也會(huì)隨之改變，則需要對(duì)摔倒?fàn)顟B(tài)建立模型并提取測(cè)試對(duì)象的加速度特征值，構(gòu)建合理的特征參數(shù)組合，通過(guò)支持向量機(jī)分類器區(qū)分摔倒與非摔倒行為。

圖2 加速度坐標(biāo)定義

1.2 系統(tǒng)框架

該系統(tǒng)如圖3所示，主要包括3部分：其一是數(shù)據(jù)采集，通過(guò)在人體胸部位置佩戴三軸加速度傳感器來(lái)獲取人體姿態(tài)信號(hào)的加速度特征值。其二是數(shù)據(jù)傳輸，通過(guò)低功耗藍(lán)牙進(jìn)行無(wú)線數(shù)據(jù)傳輸。其三是數(shù)據(jù)處理，Android客戶端將無(wú)線傳輸過(guò)來(lái)的數(shù)據(jù)進(jìn)行處理與分析，監(jiān)測(cè)摔倒是否發(fā)生，如有發(fā)生摔倒即刻會(huì)發(fā)送短信求助。

圖3 人體摔倒監(jiān)測(cè)系統(tǒng)

1.3 硬件設(shè)計(jì)

在系統(tǒng)設(shè)計(jì)中，采用以NORDIC公司推出的無(wú)線射頻收發(fā)器nRF51822為主控芯片，支持低功耗藍(lán)牙4.0（Bluerooth Low Energy），工作電壓在1.8 V～3.6 V因而紐扣型電池即可滿足要求。其三軸加速度傳感器采用的是集加速度計(jì)和陀螺儀于一身的運(yùn)動(dòng)處理傳感器MPU6050［7］，16 bit的ADC可滿足測(cè)試精度，將測(cè)量的模擬量轉(zhuǎn)化為可輸出的數(shù)字量。

1.3.1 nRF51822與MPU6050硬件接口

MPU6050與nRF51822之間采用I2C接口通信，總線包括串行數(shù)據(jù)線（SDA）和串行時(shí)鐘線（SDL）。系統(tǒng)系統(tǒng)硬件結(jié)構(gòu)如圖4所示。

圖4 系統(tǒng)硬件結(jié)構(gòu)示意圖

當(dāng)MPU6050連接到nRF51822系統(tǒng)芯片時(shí)，MPU6050作為從設(shè)備，并通過(guò)唯一的地址與之匹配，數(shù)據(jù)傳輸時(shí)從高位到低位依次傳輸，最大總線速率為400 kHz。nRF51822作為主控芯片負(fù)責(zé)向MPU6050寫(xiě)入控制指令，MPU6050作為從設(shè)備負(fù)責(zé)向nRF51822傳輸數(shù)據(jù)。圖5即為對(duì)MPU6050的操作時(shí)序圖。開(kāi)始信號(hào)表示為SCL保持高電平，而SDA由高電平跳變?yōu)榈碗娖?，則表示可以開(kāi)始傳輸數(shù)據(jù)。結(jié)束信號(hào)表示為SCL保持高電平，而SDA由低電平跳變?yōu)楦唠娖?，則表示傳輸數(shù)據(jù)結(jié)束。在I2C數(shù)據(jù)傳輸過(guò)程中，當(dāng)時(shí)鐘線SCL在高電平期間，數(shù)據(jù)線SDA必須保持穩(wěn)定，只有當(dāng)時(shí)鐘線為低電平時(shí)，數(shù)據(jù)線才可以改變電平狀態(tài)。當(dāng)讀取MPU6050寄存器值時(shí)，首先由nRF51822產(chǎn)生一個(gè)開(kāi)始信號(hào)（S），接著發(fā)送從設(shè)備MPU6050的7 bit器件地址和一個(gè)寫(xiě)數(shù)據(jù)位0，等待從設(shè)備產(chǎn)生應(yīng)答信號(hào)（ACK），接收應(yīng)答信號(hào)后主設(shè)備發(fā)送寄存器的地址，從設(shè)備MPU6050產(chǎn)生應(yīng)答信號(hào)后，nRF51822產(chǎn)生一個(gè)開(kāi)始信號(hào)（S）并發(fā)送從設(shè)備MPU6050的7 bit器件地址和一個(gè)讀數(shù)據(jù)位1。MPU6050產(chǎn)生應(yīng)答信號(hào)（ACK）后，即可以向nRF51822不斷發(fā)送加速度數(shù)據(jù)，直到產(chǎn)生結(jié)束信號(hào)（P）數(shù)據(jù)傳輸結(jié)束。

圖5 I2C的通信過(guò)程

1.3.2 通信部分

nRF51822采集人體加速度數(shù)據(jù)并通過(guò)低功耗藍(lán)牙與上位機(jī)實(shí)現(xiàn)無(wú)線通信。nRF51822的工作在2.4 GHz頻段上，加速度數(shù)據(jù)的采樣頻率為50 Hz，因?yàn)槿梭w日?；顒?dòng)的頻率基本在0～20 Hz，因此50 Hz是比較好的采樣頻率，既可以充分采集到人體的運(yùn)動(dòng)信息，也不會(huì)產(chǎn)生冗余數(shù)據(jù)。繼而將采集到的加速度數(shù)據(jù)實(shí)時(shí)的通過(guò)藍(lán)牙無(wú)線傳輸給Android手機(jī)端。

2 摔倒監(jiān)測(cè)算法設(shè)計(jì)

不同于當(dāng)前大部分都是基于閾值技術(shù)的摔倒監(jiān)測(cè)算法，而本文采用機(jī)器學(xué)習(xí)的方法，在Android軟件平臺(tái)上將SVM運(yùn)用到摔倒二元識(shí)別，圖6顯示了摔倒算法的流程。

圖6 摔倒監(jiān)測(cè)算法

2.1 初始化和數(shù)據(jù)采集

系統(tǒng)初始化指的是上位機(jī)和下位機(jī)的初始化，nRF51822負(fù)責(zé)采集MPU6050加速度數(shù)據(jù)。

2.2 數(shù)據(jù)預(yù)處理

通過(guò)摔倒監(jiān)測(cè)的紐扣型可穿戴式節(jié)點(diǎn)系統(tǒng)采集到的原始加速度數(shù)據(jù)不可避免的含有噪聲，包括系統(tǒng)本身運(yùn)行時(shí)噪聲和身體抖動(dòng)噪聲，在數(shù)據(jù)采集階段利用MPU6050自身的5 Hz的低通濾波去除身體抖動(dòng)影響，并通過(guò)卡爾曼濾波去噪。

2.3 滑動(dòng)窗口方法

為了模擬本可穿戴式節(jié)點(diǎn)系統(tǒng)實(shí)時(shí)監(jiān)測(cè)摔倒行為的真實(shí)性，需要對(duì)采集的加速度數(shù)據(jù)運(yùn)用窗口滑動(dòng)技術(shù)，從而進(jìn)行實(shí)時(shí)特征計(jì)算和分類。為了權(quán)衡能耗和摔倒的檢出率，我們選擇窗口寬度為2 000 ms，因?yàn)榇翱趯挾冗^(guò)小，靈敏度將會(huì)降低，窗口寬度過(guò)大，單次迭代計(jì)算復(fù)雜度將會(huì)提升，能耗也隨之增大。圖7為即窗口滑動(dòng)過(guò)程，滑動(dòng)窗口以相同步長(zhǎng)向前滑動(dòng)，并對(duì)滑動(dòng)窗口內(nèi)加速度數(shù)據(jù)提取強(qiáng)度值，標(biāo)準(zhǔn)差，協(xié)方差，并結(jié)合SVM分類器，當(dāng)有摔倒行為發(fā)生，則判斷過(guò)程結(jié)束并定義此行為為摔倒行為。

圖7 滑動(dòng)窗口數(shù)據(jù)分段示意圖

2.4 支持向量機(jī)

支持向量機(jī)SVM（Support Vector Machine）是基于統(tǒng)計(jì)學(xué)理論的一種機(jī)器學(xué)習(xí)方法，廣泛地運(yùn)用于二類分類問(wèn)題［8］。設(shè)給定一個(gè)n維訓(xùn)練樣本{(x1,y1),(x2,y2),…,(xi,yi)}，其中 xi∈Rd為輸入向量，yi∈{-1,1}為輸出向量。假設(shè)這些訓(xùn)練樣本是線性可分的，即存在一個(gè)超平面ω.x+b=0將訓(xùn)練樣本分為兩類：

令分類函數(shù) f(x)=ω.x+b，（其中ω.x為ω和x的內(nèi)積），為確定參數(shù)ω，b旨在更加精確地劃分不同類的點(diǎn)，區(qū)分摔倒與非摔倒，則需要找出最大的分類間隔相當(dāng)于求，繼而采用Lagrange乘除法進(jìn)行求解。則可寫(xiě)成：

求解最優(yōu)化超平面的問(wèn)題等價(jià)于參數(shù)ω，b的優(yōu)化問(wèn)題，最終轉(zhuǎn)化為對(duì)對(duì)偶因子α的求解。為了避免直接在高維上進(jìn)行復(fù)雜的計(jì)算，運(yùn)用RBF函數(shù)，其公式如下：

進(jìn)入滑動(dòng)窗口模塊，提取特征值加速度強(qiáng)度值?、標(biāo)準(zhǔn)差σ，協(xié)方差Λ，并對(duì)這3個(gè)特征值重組，共有7種組合（如表1），依次將這些特征組合進(jìn)行SVM訓(xùn)練，并將數(shù)據(jù)集交叉驗(yàn)證，直到所有的特征組合訓(xùn)練全部結(jié)束，最終輸出SVM摔倒識(shí)別率、特征組合以及參數(shù)γ和C。

表1 特征參數(shù)組合

3 實(shí)驗(yàn)過(guò)程

實(shí)驗(yàn)數(shù)據(jù)采集過(guò)程由多名23歲左右志愿者模擬摔倒和日常行為，整個(gè)實(shí)驗(yàn)過(guò)程統(tǒng)一在實(shí)驗(yàn)者胸部位置佩戴摔倒節(jié)點(diǎn)。

圖8 滑倒（實(shí)驗(yàn)數(shù)據(jù)采集階段）

圖9 暈倒（實(shí)驗(yàn)數(shù)據(jù)采集階段）

圖10 絆倒（實(shí)驗(yàn)數(shù)據(jù)采集階段）

如表2所示，我們總共進(jìn)行了包括絆倒、滑倒、暈倒、撞倒在內(nèi)的111次實(shí)驗(yàn)，并采集了相關(guān)數(shù)據(jù)。同時(shí)也采集了包括可能與摔倒誤判的跑、做操在內(nèi)的150組ADL數(shù)據(jù)。

表2 活動(dòng)類別及總數(shù)

4 實(shí)驗(yàn)結(jié)果

為了評(píng)估本系統(tǒng)的摔倒識(shí)別準(zhǔn)確度，用以下3個(gè)公式作為評(píng)估方式。

其中TP定義為測(cè)試摔倒行為時(shí)正確識(shí)別樣本數(shù)目，F(xiàn)N定義為測(cè)試摔倒行為時(shí)未能識(shí)別樣本數(shù)目，TN定義為測(cè)試日常活動(dòng)時(shí)正確識(shí)別ADL樣本數(shù)目，F(xiàn)P為測(cè)試日?；顒?dòng)時(shí)未能正確識(shí)別ADL樣本數(shù)［9］。

摔倒檢測(cè)和日常活動(dòng)的檢測(cè)情況如表3、表4所示，實(shí)驗(yàn)過(guò)程對(duì)特征值[?,σ,Λ]進(jìn)行了交叉驗(yàn)證，結(jié)果得出最優(yōu)的參數(shù)組合?-σ-Λ，并將最優(yōu)的特征組合進(jìn)行SVM訓(xùn)練，優(yōu)化參數(shù)得出γ和C，當(dāng)C= 500，γ=0.7時(shí)，準(zhǔn)確度可以達(dá)到94.8%。表5顯示了摔倒行為和日常活動(dòng)的檢出率。

表3 測(cè)試摔倒行為結(jié)果

表4 測(cè)試日?；顒?dòng)結(jié)果

表5 摔倒和日?；顒?dòng)檢出率

5 結(jié)論

本可穿戴式摔倒節(jié)點(diǎn)監(jiān)測(cè)系統(tǒng)在低功耗藍(lán)牙傳輸?shù)幕A(chǔ)上通過(guò)單個(gè)加速度傳感器實(shí)時(shí)獲取人體的運(yùn)動(dòng)信號(hào)，在Android客戶端平臺(tái)上將3個(gè)特征值用于SVM分類，從試驗(yàn)結(jié)果可以看出，本系統(tǒng)摔倒監(jiān)測(cè)準(zhǔn)確率可達(dá)94.8%。未來(lái)我們將致力于將智能手機(jī)本身作為可穿戴設(shè)備的摔倒監(jiān)測(cè)裝置，可避免攜帶其他裝置。摔倒發(fā)生時(shí)，運(yùn)用手機(jī)定位與通信功能即可自動(dòng)求助。本實(shí)驗(yàn)的不足之處在于所有的實(shí)驗(yàn)數(shù)據(jù)都是在模擬的環(huán)境中得出的，往往與真實(shí)生活環(huán)境中的老人摔倒存在偏差。

［1］曹玉珍，蔡偉超，程旸.基于MEMS加速度傳感器的人體姿檢測(cè)技術(shù)［J］.納米技術(shù)與精密工程，2010（1）：37-41.

［2］羅堅(jiān)，唐琎，毛芳，等.基于云計(jì)算的可穿戴式老齡人異常行為檢測(cè)系研究［J］.傳感技術(shù)學(xué)報(bào)，2015（8）：1108-1114.

［3］Rougier C，Meunier J，St-Arnaud A，et al.Monocular 3D Head Tracking to Detect Falls of Elderly People［C］//28th Annual Inter?national Conference of the IEEE，2006：6384-6387.

［4］陳春雨，周勝.基于視頻的人體異常行為檢測(cè)與識(shí)別［J］.哈爾濱商業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，6：686-689.

［5］Hwang J Y，Kang J M，Jang Y W，et al.Development of Novel Al?gorithm and Real-time Monitoring Ambulatory System Using Blue?tooth Module for Fall Detection in the Elderly［C］//Proceedings of the 26th Annual International Conference of the IEEE EMBS，San Francisco，2004：2204-2207.

［6］Li Qiang，John A.Stankovic，Mark A.Hanson，et al.Fast Fall De?tection Using Gyroscopes and Accelerometer-Derived Posture Information［C］//Six International Workshop on Wearable and Im?plantable Body Sensor Network，2009：138-143.

［7］陳煒?lè)?，席萬(wàn)強(qiáng)，周峰，等.基于物聯(lián)網(wǎng)技術(shù)的山體滑坡監(jiān)測(cè)及預(yù)警系統(tǒng)設(shè)計(jì)［J］.電子器件，2014，37（2）：279-282.

［8］鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法：支持向量機(jī)［M］.北京出版社，2004.

［9］趙祥欣.基于三維加速度傳感器的跌倒檢測(cè)研究［D］.浙江大學(xué)，2008.

孫 祥（1991-），男，漢族，江蘇淮安人，南京信息工程大學(xué)碩士研究生，研究方向?yàn)闊o(wú)線傳感網(wǎng)，18362097621@163.com；

莊 偉（1980-），男，漢族，江蘇宿遷人，南京信息工程大學(xué)研究生導(dǎo)師，主要從事可穿戴式體感網(wǎng)系統(tǒng)，運(yùn)動(dòng)分析與行為識(shí)別，seujaguar@163.com。

Button Type Wearable Node System for Fall Detection*

SUN Xiang1，ZHUANG Wei2*，DAI Dong3
（1.Institute of Information and Control，Nanjing University of Information Science&Technology，Nanjing 210044，China；2.Institute of Computer and Software，Nanjing University of Information Science&Technology，Nanjing 210044，China；3.Institute of Instrument Science and Engineering，Southeast University，Nanjing 210091，China）

Falls have been the second most cause of accidental injury to death in the world.It has been a serious threat to the physical and mental health of the elders.And fall detection has become increasingly pressing at pres?ent.The main purpose of the wearable node system is to monitor the falling behavior and to carry out timely warn?ing，Thereby greatly reducing the damage caused by the falls.This system is based on the tri-axis acceleration sen?sor which is used to collect the human body motion signal.By using the change of acceleration characteristics of hu?man motion，a new SVM classification algorithm with high accuracy and good stability is proposed so as to classify the falls and ADLs，and the results are Real-time displayed on Android mobile phone client.Tests show that the wearable node system can achieve the continuous monitoring of falling behavior and get a positive rate to 94.8%.

fall detection；tri-axis acceleration sensor；SVM；wearable

TN92

A

1005-9490（2016）06-1482-05

7220

10.3969/j.issn.1005-9490.2016.06.039

項(xiàng)目來(lái)源：國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)項(xiàng)目（20141030010）；江蘇省高校自然科學(xué)基金項(xiàng)目（12KJB510010）；南京信息工程大學(xué)校預(yù)研基金項(xiàng)目（2241091201036）

2015-12-17 修改日期：2016-02-05