陳 瑋 周 晴 曹桂濤

1(華東師范大學(xué)教育信息技術(shù)學(xué)系 上海 200062)2(上海浦東發(fā)展銀行上海分行 上海 200000)3(華東師范大學(xué)計(jì)算機(jī)科學(xué)與軟件工程學(xué)院 上海 200062)

?

基于SVM和閾值分析法的摔倒檢測(cè)系統(tǒng)

陳 瑋1周 晴2曹桂濤3*

1(華東師范大學(xué)教育信息技術(shù)學(xué)系 上海 200062)2(上海浦東發(fā)展銀行上海分行 上海 200000)3(華東師范大學(xué)計(jì)算機(jī)科學(xué)與軟件工程學(xué)院 上海 200062)

隨著我國(guó)人口老齡化的快速發(fā)展，老年人口呈現(xiàn)出高齡化、空巢化的趨勢(shì)。當(dāng)老年人在家中發(fā)生意外跌倒而未能及時(shí)獲得救助時(shí)，會(huì)給老年人造成嚴(yán)重的身心傷害。針對(duì)這個(gè)問題，設(shè)計(jì)并實(shí)現(xiàn)老年人摔倒檢測(cè)系統(tǒng)。 該系統(tǒng)以嵌入式微處理器K60核心開發(fā)板作為處理內(nèi)核，加速度傳感器MMA7660FC采集人體三軸加速度信息，ENC-03陀螺儀采集兩軸角速度信息。通過基于支持向量機(jī)(SVM)和閾值分析法的摔倒檢測(cè)算法判斷是否摔倒，在摔倒時(shí)能自動(dòng)地發(fā)送摔倒報(bào)警信息。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)能有效地區(qū)分摔倒和其他日常生活行為，算法準(zhǔn)確度高、實(shí)時(shí)性高。

加速度傳感器 陀螺儀 支持向量機(jī) 閾值分析法 摔倒檢測(cè)

0 引 言

當(dāng)前我國(guó)人口老齡化、高齡化、空巢化、獨(dú)居化趨勢(shì)延續(xù)，針對(duì)老年人的照料和護(hù)理問題就顯得日益突出。而在所有關(guān)心的問題中，其中一個(gè)關(guān)鍵的問題是如何預(yù)防和及時(shí)發(fā)現(xiàn)老人摔倒等意外事故。相關(guān)研究表明，摔倒會(huì)給高齡者的生理和心理上帶來不同程度的傷害，盡管有時(shí)跌倒不會(huì)使人受傷，但是如果沒有及時(shí)發(fā)現(xiàn)并救助，47%的跌倒者無法自己站立起來，而且這段不能移動(dòng)的時(shí)間會(huì)給他們的健康帶來傷害[1]。如果能及時(shí)發(fā)現(xiàn)老年人的摔倒并進(jìn)行及時(shí)有效的救護(hù)，就會(huì)大大降低摔倒對(duì)老年人的傷害，并減輕家庭的醫(yī)療費(fèi)用負(fù)擔(dān)及國(guó)家的醫(yī)療資源壓力。目前，研究開發(fā)的摔倒檢測(cè)系統(tǒng)方面的技術(shù)有以下幾種：① 基于視頻圖像的摔倒檢測(cè)，基于視頻圖像分析，雖然這種技術(shù)的準(zhǔn)確度高，但是這種檢測(cè)設(shè)備成本花費(fèi)高，適用于范圍小的居家環(huán)境，容易牽扯隱私問題[2]； ② 基于手機(jī)傳感器的摔倒檢測(cè)，基于手機(jī)自帶加速度傳感器和方向傳感器，雖然攜帶方便，但是需要經(jīng)常充電，才能夠滿足長(zhǎng)時(shí)間的摔倒檢測(cè)[3]；③ 基于聲頻信號(hào)的摔倒檢測(cè)，只適用于安靜、范圍小的居家環(huán)境，受外界噪聲影響明顯，如果地板鋪上了毛毯，那么將不容易辨別聲頻信號(hào)的差別，通用性弱[4]；④ 基于可穿戴式傳感器的摔倒檢測(cè)，通過傳感器獲取人體運(yùn)動(dòng)信息數(shù)據(jù)[5-6]，該技術(shù)不易對(duì)使用者的日常生活造成干擾，實(shí)時(shí)性和準(zhǔn)確度高，已經(jīng)成為目前研究的趨勢(shì)。通常使用的傳感器是三軸加速度傳感器，例如安徽理工大學(xué)的學(xué)者提出的基于三軸加速度傳感器的老人摔倒檢測(cè)[7]和安徽工業(yè)大學(xué)的學(xué)者提出的基于MMA7660加速度傳感器的老人跌倒檢測(cè)裝置[8]都僅是選用加速度傳感器獲取摔倒特征數(shù)據(jù)，存在容易將坐下、蹲下、上下樓等這系列動(dòng)作劇烈的日?；顒?dòng)誤判為摔倒的問題。最近“一種六軸運(yùn)動(dòng)處理組件的老人跌倒檢測(cè)裝置”技術(shù)被提出，蘭州理工大學(xué)的學(xué)者運(yùn)用一種新型的 MEMS 傳感器 MPU6050，它整合了三軸陀螺儀和三軸加速器能同時(shí)對(duì)三軸加速度及三軸角速度進(jìn)行檢測(cè)[9]。然而沒有將人體摔倒過程中的身體姿態(tài)的改變過程作為摔倒判斷特征，容易造成將人快速躺下等日?；顒?dòng)行為誤判為摔倒的情況。北京工業(yè)大學(xué)的學(xué)者提出了基于三軸加速度傳感器及陀螺儀的老年人摔倒識(shí)別，其中基于閾值分析法的摔倒識(shí)別算法將特定部位的合加速度和豎軸偏離的合偏轉(zhuǎn)角作為摔倒識(shí)別的閾值[10]。但是人體運(yùn)動(dòng)行為過程中具有一定程度的復(fù)雜性與隨機(jī)性，僅僅是采取單一的加速度值作為判斷人體首次摔倒撞擊和撞擊結(jié)束的運(yùn)動(dòng)行為閾值，容易造成誤判，而且沒有體現(xiàn)人體摔倒過程中角速度產(chǎn)生峰值這個(gè)特點(diǎn)。

針對(duì)上述問題，大多數(shù)誤判樣本中的瞬時(shí)線速度與摔倒樣本相當(dāng)，但是其角速度的峰值點(diǎn)存在較大的差值。所以本文進(jìn)行了基于三軸加速傳感器和兩軸角速度傳感器的摔倒檢測(cè)系統(tǒng)的硬件設(shè)計(jì)，選取人體質(zhì)量分布中占據(jù)大比例且活動(dòng)頻繁的上軀干腰間部位作為設(shè)備佩戴位置，盡可能地減少對(duì)用戶平日生活活動(dòng)的干擾。并提出了支持向量機(jī)(SVM)和閾值分析法的摔倒檢測(cè)算法，將人體三軸合加速度、兩軸合角速度和軀干偏離豎直方向的傾斜角作為摔倒行為判斷閾值。實(shí)驗(yàn)結(jié)果顯示，該檢測(cè)系統(tǒng)實(shí)時(shí)性好、檢測(cè)精度高，能準(zhǔn)確地區(qū)分摔倒和其他日常生活行為，當(dāng)檢測(cè)到摔倒時(shí)，會(huì)自動(dòng)發(fā)送摔倒報(bào)警信息，并且一定程度上成功避免了上述的誤判情況。

1 摔倒檢測(cè)系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)結(jié)構(gòu)

摔倒檢測(cè)系統(tǒng)的硬件由三軸加速度值采集模塊、兩軸角速度值采集模塊、數(shù)據(jù)處理模塊、無線數(shù)據(jù)傳輸模塊組成，三軸加速度值采集模塊通過加速度傳感器獲取人體上軀干部位的繞X、Y、Z軸的加速度變化數(shù)據(jù)，兩軸角速度值采集模塊通過角速度傳感器獲取以人體豎直方向?yàn)檩S繞前后左右的兩軸的角速度變化數(shù)據(jù)。數(shù)據(jù)處理模塊將采集到的加角速度值進(jìn)行數(shù)據(jù)解析，結(jié)合摔倒檢測(cè)算法判斷是否摔倒，如果判斷為摔倒則通過無線數(shù)據(jù)傳輸模塊將摔倒報(bào)警信息發(fā)送到附近醫(yī)院和家屬的手機(jī)上，系統(tǒng)結(jié)構(gòu)圖如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)圖

根據(jù)圖1的系統(tǒng)結(jié)構(gòu)，搭建出硬件開發(fā)平臺(tái)如圖2所示，開發(fā)出的可穿戴式摔倒檢測(cè)系統(tǒng)信息采集端佩戴在人體腰部如圖3所示。

圖2 硬件開發(fā)平臺(tái)

圖3 摔倒檢測(cè)系統(tǒng)信息采集端

1.2 三軸加速度值采集模塊

本文采用三軸加速度傳感器MMA7660FC采集人體運(yùn)動(dòng)狀態(tài)下的三軸加速度，檢測(cè)出傾斜、運(yùn)動(dòng)、定位、振動(dòng)和撞擊力下產(chǎn)生的變化，輸出人在運(yùn)動(dòng)情況下產(chǎn)生的X、Y、Z三軸加速度信息。MMA7660FC是通過12C數(shù)字輸出結(jié)果的，其輸出的格式是X、Y、Z三軸各輸出一個(gè)6位數(shù)字，表示當(dāng)前測(cè)量得到的加速度值。

1.3 兩軸角速度值采集模塊

為采集兩軸角速度值的信息和變化情況，本文選擇ENC-03陀螺儀，輸出模擬電壓信號(hào)。電壓值與角速度值成正比關(guān)系，靜止時(shí)ENC-03RC OUT引腳輸出電壓是1.35 V，單位角加速度對(duì)應(yīng)的電壓變化：0.67 mv/deg/sec,陀螺儀每秒向正方向偏轉(zhuǎn)1度，則輸出電壓會(huì)加上0.67 mV，每秒向負(fù)方向偏離1度，則輸出電壓需減掉0.67 mV。所以在計(jì)算陀螺儀數(shù)據(jù)的時(shí)候，利用下列公式來計(jì)算角速度：

(1)

其中V代表陀螺儀的輸出電壓，V0表示陀螺儀靜止時(shí)輸出電壓1.35 V，計(jì)算得出的角速度單位是deg/s。

1.4 無線數(shù)據(jù)傳輸模塊

為了實(shí)現(xiàn)報(bào)警信息的傳輸和嵌入式設(shè)備通過UART 接口與WIFI網(wǎng)絡(luò)中的設(shè)備進(jìn)行數(shù)據(jù)交換。本文選用ST-MW-08S芯片，其UART接口最高頻率達(dá)到115 200 B，并且有可編寫程序來操控的透明串口，用于數(shù)據(jù)傳輸；有簡(jiǎn)單數(shù)據(jù)傳輸模式，即UDP 數(shù)據(jù)傳輸模式；也有可靠數(shù)據(jù)傳輸模式，即TCP 服務(wù)器模式和TCP 客戶端模式，100%保證數(shù)據(jù)在網(wǎng)絡(luò)中的可靠傳輸，無線數(shù)據(jù)傳輸模塊是通過UART協(xié)議來發(fā)送警告信號(hào)。

1.5 數(shù)據(jù)處理模塊

數(shù)據(jù)處理模塊采用的主控模塊是Freescale的K60開發(fā)板。K60開發(fā)板搭載ARM Cortex-M4處理器，32位ARM Cortex-M4內(nèi)核，2個(gè)I2C總線接口等多種串口，外設(shè)包含了8-12位ADC單元，USART接口等多種總線接口，還有標(biāo)準(zhǔn)的JTAG測(cè)試/調(diào)試接口。陀螺儀和三軸加速度傳感器分別通過ADC接口和I2C接口與微處理器通信。實(shí)現(xiàn)數(shù)據(jù)處理模塊的軟件環(huán)境是IAR Embedded Workbench for ARM 6.30，在該開發(fā)環(huán)境下，編寫程序用于加速度傳感器MMA7660FC、ENC-03陀螺儀采集數(shù)據(jù)的解析、校準(zhǔn)，以及實(shí)現(xiàn)摔倒檢測(cè)算法和摔倒報(bào)警信息發(fā)送程序。然后通過JTAG仿真器J-Link下載到K60開發(fā)板，識(shí)別人體摔倒和發(fā)送摔倒報(bào)警信號(hào)，圖4給出了K60開發(fā)板同無線數(shù)據(jù)傳輸模塊、各個(gè)傳感器的電路連接圖[11]。

圖4 電路連接圖

2 摔倒檢測(cè)算法設(shè)計(jì)

本文的摔倒檢測(cè)算法如圖5所示。

圖5 摔倒檢測(cè)算法流程

具體的步驟如下：

(1) 系統(tǒng)進(jìn)行初始化，讀取當(dāng)前時(shí)刻t的人體三軸加速度值、兩軸角速度值，并計(jì)算這些時(shí)刻的合加速度值Vt、合角速度值St和t-1、t時(shí)刻的人體傾斜角度Wt-1、Wt。定義兩個(gè)數(shù)據(jù)存儲(chǔ)空間F1和F2，F(xiàn)1以滑動(dòng)窗口的方式存儲(chǔ)從當(dāng)前時(shí)刻t開始的連續(xù)三個(gè)采樣時(shí)間的合加速度值，F(xiàn)2以滑動(dòng)窗口方式存儲(chǔ)當(dāng)前時(shí)刻t的合角速度值和t-1、t時(shí)刻的傾斜角度,即F1={Vt,Vt+1,Vt+2},F2={St,Wt-1,Wt}。當(dāng)采集到新的數(shù)據(jù)時(shí)，滑動(dòng)窗口向前移動(dòng)，釋放最早的數(shù)據(jù)存儲(chǔ)空間，存儲(chǔ)新的數(shù)據(jù)。

(2) 將當(dāng)前的存儲(chǔ)數(shù)據(jù)空間F1作為特征樣本，通過支持向量機(jī)檢測(cè)該時(shí)刻是否發(fā)生摔倒事件，如果判斷為摔倒行為類別，則進(jìn)入下一個(gè)步驟，如果判斷為其他平日活動(dòng)行為類別，則返回步驟(1)。

(3) 讀取當(dāng)前的存儲(chǔ)數(shù)據(jù)空間F2的合角速度值St，同摔倒合角速度閾值進(jìn)行比較，如果大于閾值，則進(jìn)入下一個(gè)步驟，否則返回步驟(1)。

(4) 獲取當(dāng)前時(shí)刻t1上一個(gè)采樣時(shí)間的人體傾斜角度Wt1-1。

(5) 繼續(xù)檢測(cè)當(dāng)前時(shí)刻t1下一個(gè)采樣時(shí)間的合角速度值，即是St1+1，然后和摔倒合角速度閾值進(jìn)行比較，用以判斷人體是否還處于撞擊狀態(tài)，如果St1+1大于摔倒合角速度閾值，說明撞擊還未結(jié)束，繼續(xù)步驟(5)檢測(cè)，否則進(jìn)入下一個(gè)步驟。

(6) 如果撞擊結(jié)束,記錄首次撞擊結(jié)束的時(shí)刻Z,信息獲取過程繼續(xù)，繼續(xù)讀取Z時(shí)刻下一個(gè)采樣時(shí)間的人體傾斜角度Wz+1。

(7) 假如Wz+1大于人體摔倒傾斜角度閾值而且Wt1-1小于或者等于人體摔倒傾斜角度閾值，那么判斷摔倒事件發(fā)生，否則返回步驟(1)繼續(xù)檢測(cè)。

2.1 基于支持向量機(jī)的摔倒檢測(cè)

本文通過支持向量機(jī)(SVM)把人體平日活動(dòng)的行為過程與人體摔倒過程區(qū)分出來[12]：運(yùn)用支持向量機(jī)構(gòu)造分類器將訓(xùn)練樣本集分為如下HF和HS兩類互不相交的集合，其中HF∩HS=φ，其中φ為空集。

HF:摔倒行為類別數(shù)據(jù)樣本集，由150次摔倒行為過程(包括向前摔倒、向后摔倒、向左摔倒、向右摔倒、行走過程中摔倒)數(shù)據(jù)樣本組合而成。

HS:其他平日活動(dòng)行為類別數(shù)據(jù)樣本集，由200次平日活動(dòng)過程(包括行走、跑步、蹲下、坐下、下樓)數(shù)據(jù)樣本組合而成。

區(qū)分摔倒行為過程與其他平日活動(dòng)行為過程的特征之一是人體在摔倒的過程中撞擊低水平平面或者地面產(chǎn)生的加速度峰值。因而首先獲取摔倒行為類別數(shù)據(jù)樣本集HF里各個(gè)數(shù)據(jù)樣本的三軸加速度，然后計(jì)算出合加速度，計(jì)算公式如下，其中a、b、c分別為X、Y、Z軸加速度。

(2)

如果人失重后跌倒在地面上受到的沖擊是振動(dòng)型的，那么可能會(huì)出現(xiàn)多個(gè)合加速度峰值，摔倒過程可能歷經(jīng)1～3秒鐘。所以然后從各個(gè)數(shù)據(jù)樣本的合加速度篩選中合加速度峰值Vt1，并取得峰值點(diǎn)的連續(xù)三個(gè)時(shí)間段的合加速度值{Vt1,Vt1+1,Vt1+2}，將其記錄為Hb。接著計(jì)算其他平日活動(dòng)行為類別數(shù)據(jù)樣本集的合加速度，然后從各個(gè)數(shù)據(jù)樣本的合加速度篩選中合加速度峰值Vt2，并取得峰值點(diǎn)的連續(xù)三個(gè)時(shí)間段的合加速度值{Vt2,Vt2+1,Vt2+2}，將其記錄為Hc，因?yàn)槭欠謩e從兩類樣本HF和HS篩選出Hb和Hc，所以它們兩者之間是獨(dú)立的。假設(shè)Hb和Hc是線性可分的，那么可以通過SVM方法確定出最優(yōu)分類界面[13]，但是如果這兩類數(shù)據(jù)是非線性可分的，首先將原始空間數(shù)據(jù)映射到特征空間，然后選擇合理的核函數(shù)之一，本文選擇多項(xiàng)式核函數(shù)。

2.2 基于兩軸合角速度閾值的摔到檢測(cè)

在區(qū)分摔倒和平日活動(dòng)過程中線加速度的變化特征，運(yùn)用基于支持向量機(jī)的方法基本準(zhǔn)確,但是人在快速蹲下、坐下等過程中，合加速度峰值可能接近甚至等同于摔倒的合加速度峰值，因此僅是基于支持向量機(jī)方法的摔倒判定是不夠的。摔倒情形下加速度和角速度的峰值振幅比較明顯，實(shí)驗(yàn)表明蹲下、坐下等一系列平日活動(dòng)合角速度最大值也不會(huì)超過56 deg/s，而跌倒時(shí)合角速度最大值一般都超過62 deg/s。摔倒的時(shí)候人體胸腰部位偏離與地面垂直方向的俯仰角、側(cè)傾角角速度(Sx,Sy)的峰值振幅發(fā)生明顯變化。所以在支持向量機(jī)方法的基礎(chǔ)上增加閾值分析方法,取兩軸合角速度作為判斷摔倒的閾值，合角速度公式如下：

(3)

首先依據(jù)摔倒行為類別數(shù)據(jù)樣本集HF計(jì)算和篩選出合角速度峰值Smax，并記錄為集合Lmax，給定樣本數(shù)據(jù)集合為{Qi}。接著根據(jù)其他平日活動(dòng)行為類別數(shù)據(jù)樣本集HS計(jì)算和篩選出合角速度峰值Rmax，并記錄為集合Pmax，假設(shè)集合Lmax和集合Pmax線性可分，那么可以通過SVM方法確定出最優(yōu)分類界面，集合Lmax類中元素和集合Pmax類中的元素皆為合角速度值，計(jì)算出最優(yōu)分類超平面為：Q=62 deg/s，即人體摔倒合角速度閾值的取值是62 deg/s。

2.3 基于人體傾斜角度閾值的摔倒檢測(cè)

在集合Lmax和集合Pmax非線性可分的情況，即人在進(jìn)行快速行走、跑步、快速下樓等劇烈活動(dòng)的過程，合角速度峰值有可能等同于或甚至超過人體摔倒過程中合角速度峰值，而且也沒有體現(xiàn)人體在摔倒過程中傾斜角度比較大的特點(diǎn)[13]。所以在基于支持向量機(jī)和人體合角速度閾值判斷的摔倒識(shí)別方法基礎(chǔ)上，加上人體傾斜角度(身體軀干相對(duì)于地面垂直方向的角度)閾值判斷方法，它是檢測(cè)摔倒方面的一項(xiàng)重要依據(jù)，計(jì)算公式如下：

(4)

其中a(t)、b(t)、c(t)是t時(shí)刻的X、Y、Z軸上的加速度值，G為重力加速度。

如摔倒合角速度閾值的計(jì)算方法一樣，計(jì)算出人體摔倒傾斜角度閾值是60度。

3 實(shí) 驗(yàn)

為了驗(yàn)證摔倒檢測(cè)系統(tǒng)和算法的準(zhǔn)確性和可靠性，本次研究請(qǐng)了五名青年在日常生活模擬的情境內(nèi)做了前向行走、跑步、坐下、蹲下、快速上樓和下樓、向前摔倒、向右摔倒、左側(cè)摔倒、右側(cè)摔倒、行走過程中摔倒等一系列實(shí)際應(yīng)用場(chǎng)景的動(dòng)作檢測(cè)。為了驗(yàn)證摔倒檢測(cè)算法的準(zhǔn)確性，本文選擇了精確度指標(biāo)[14]，用來檢驗(yàn)摔到和非摔倒動(dòng)作的識(shí)別率，最后的計(jì)算結(jié)果都達(dá)到100%。出于安全考慮，本實(shí)驗(yàn)未請(qǐng)老年人參與實(shí)驗(yàn)。

3.1 摔倒相似動(dòng)作檢測(cè)

坐下、蹲下這些日常動(dòng)作和摔倒動(dòng)作類似，以蹲下活動(dòng)場(chǎng)景為例，圖6是蹲下過程中傳感器獲取的數(shù)據(jù)信息結(jié)果圖，其中采樣頻率是每秒5個(gè)樣本。為了更好地顯示動(dòng)作變化特征，選取時(shí)間長(zhǎng)度為10秒的采樣數(shù)據(jù)，加速度值單位是G，角速度值的單位是deg/s。從圖中可以看出，當(dāng)人蹲下的時(shí)候，會(huì)導(dǎo)致人體線加速度曲線振幅，傳感器數(shù)據(jù)發(fā)生明顯變化，有時(shí)候在蹲下的過程中瞬間的合加速度幾乎屬于摔倒過程的合加速度數(shù)據(jù)類別，即使蹲下動(dòng)作場(chǎng)景能順利地進(jìn)行到本文提出的摔倒檢測(cè)算法里的步驟(3)。但從圖中可以看出蹲下的過程中X、Y軸的角速度峰值的絕對(duì)值都不超過70 deg/s，所以當(dāng)進(jìn)行到算法中步驟(3)，判斷此場(chǎng)景的合角速度不超過摔倒合角度閾值62 deg/s，返回算法步驟(1)，無法檢測(cè)為摔倒事件。這個(gè)蹲下行為過程說明了摔倒檢測(cè)算法的準(zhǔn)確性。

圖6 蹲下實(shí)驗(yàn)結(jié)果圖

3.2 快速動(dòng)作檢測(cè)

快速下樓、快速向前行走、跑步都是平日活動(dòng)場(chǎng)景，以快速下樓場(chǎng)景為例，圖7是快速下樓過程中傳感器數(shù)據(jù)的變化圖。快速下樓這種劇烈運(yùn)動(dòng)的合加速度、合角速度有可能超過摔倒時(shí)的線加角速度。從獲取的信息數(shù)據(jù)圖可以看出，合加速度峰值屬于摔倒過程的合加速度數(shù)據(jù)類別，合角速度峰值是63.63 deg/s超過了本文算法設(shè)定的合角速度閾值62 deg/s，即使快速下樓的動(dòng)作場(chǎng)景能順利地進(jìn)行到本文提出的摔倒檢測(cè)算法里的步驟(6)，但是計(jì)算得到的身體軀干傾斜角不滿足摔倒行為的傾斜角判斷標(biāo)準(zhǔn)，所以無法判斷為摔倒事件。這個(gè)快速下樓的行為過程也說明了摔倒檢測(cè)算法的準(zhǔn)確性。

圖7 快速下樓實(shí)驗(yàn)結(jié)果圖

3.3 不同方向摔倒檢測(cè)

向前摔倒、向后摔倒、左側(cè)摔倒、右側(cè)摔倒、行走過程中前向摔倒都是摔倒場(chǎng)景，以行走過程中前向摔倒為例，圖8是人行走過程中前向摔倒時(shí)的傳感器獲取數(shù)據(jù)信息結(jié)果圖。根據(jù)上述摔倒檢測(cè)算法，行走過程摔倒的合加速度峰值點(diǎn)的連續(xù)三個(gè)采樣時(shí)間段的合加速度值屬于基于支持向量機(jī)方法劃分出的摔倒特征樣本。合角速度峰值超過算法設(shè)定的摔倒合角速度閾值，沖擊結(jié)束后人體傾斜角度等于76度，超過摔倒檢測(cè)算法設(shè)置的人體摔倒傾斜角度閾值60度，故系統(tǒng)判斷為摔倒事件發(fā)生，并發(fā)出警報(bào)信號(hào)。

圖8 行走過程前向摔倒實(shí)驗(yàn)結(jié)果圖

4 結(jié) 語(yǔ)

本文進(jìn)行了基于三軸加速傳感器和兩軸角速度傳感器的摔倒檢測(cè)系統(tǒng)的硬件設(shè)計(jì)，并設(shè)計(jì)與實(shí)現(xiàn)支持向量機(jī)(SVM)和閾值分析法的摔倒檢測(cè)算法。對(duì)人體日常行為和向前摔倒、向后摔倒、向左摔倒、向右摔倒、行走過程中摔倒等一系列活動(dòng)場(chǎng)景進(jìn)行實(shí)驗(yàn)檢測(cè)。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能準(zhǔn)確地區(qū)分摔倒和其他日常生活行為。當(dāng)檢測(cè)到摔倒時(shí)，系統(tǒng)自動(dòng)發(fā)送摔倒報(bào)警信息，并且一定程度上避免了引言中提到的誤判情況，證明了本摔倒檢測(cè)系統(tǒng)可靠性高、算法準(zhǔn)確度高。此系統(tǒng)適用于獨(dú)居老人，它對(duì)于應(yīng)對(duì)獨(dú)居老人數(shù)量及其日常護(hù)理需求日益增多的形勢(shì)具有重要的現(xiàn)實(shí)意義。

[1] 李婷.養(yǎng)老院老人跌倒相關(guān)知識(shí)認(rèn)知的調(diào)查研究[D].沈陽(yáng):中國(guó)醫(yī)科大學(xué),2013.

[2] Vaidehi V, Ganapathy K, Mohan K, et al. Video based automatic fall detection in indoor environment[C]// International Conference on Recent Trends in Information Technology. IEEE, 2011:1016-1020.

[3] Cheng W C, Jhan D M. Triaxial accelerometer-based fall detection method using a self-constructing cascade-adaBoost-svm classifier[J]. Biomedical & Health Informatics IEEE Journal of, 2013, 17(2):411-419.

[4] Zigel Y, Litvak D, Gannot I. A method for automatic fall detection of elderly people using floor vibrations and sound-proof of concept on human mimicking doll falls[J]. IEEE Transactions on Biomedical Engineering, 2009, 56(12):2858-2867.

[5] Chen J, Kwong K, Chang D, et al. Wearable sensors for reliable fall detection[C]// Engineering in Medicine and Biology Society, 2005. Ieee-Embs 2005. International Conference of the. IEEE, 2005:3551-3554.

[6] Maglogiannis I, Ioannou C, Tsanakas P. Fall detection and activity identification using wearable and hand-held devices[J]. Integrated Computer Aided Engineering, 2016, 23(2):161-172.

[7] 崔英輝,詹林. 基于三軸加速度傳感器的老人摔倒檢測(cè)[J]. 現(xiàn)代電子技術(shù),2013,36(3):130-132.

[8] 章小兵,祝寅. 基于MMA7660加速度傳感器的老人跌倒檢測(cè)裝置[J]. 中國(guó)新通信,2013(1):71-72.

[9] 李戰(zhàn)明,王曉萌. 基于新型MEMS傳感器的老年人跌倒檢測(cè)系統(tǒng)設(shè)計(jì)[J]. 工業(yè)儀表與自動(dòng)化裝置,2013(4):52-55.

[10] 吳天昊.基于3軸加速度傳感器及陀螺儀的老年人摔倒識(shí)別[D].北京工業(yè)大學(xué),2013.

[11] 周晴.人體運(yùn)動(dòng)檢測(cè)系統(tǒng)設(shè)計(jì)與摔倒預(yù)測(cè)方法研究[D].華東師范大學(xué),2014.

[12] Marseguerra M. Early Detection of gradual concept drifts by text categorization and support vector machine techniques: the trio algorithm[J]. Reliability Engineering & System Safety, 2014, 129:1-9.

[13] 佟麗娜. 基于力學(xué)量信息獲取系統(tǒng)的人體摔倒過程識(shí)別方法研究[D].中國(guó)科學(xué)技術(shù)大學(xué),2011.

[14] Noury N, Fleury A, Rumeau P, et al. Fall detection - principles and methods[C]// Conference: International Conference of the IEEE Engineering in Medicine & Biology Society IEEE Engineering in Medicine & Biology Society Conference. 2007:1663-1666.

FALL DETECTION SYSTEM BASED ON SVM AND THRESHOLD ANALYSIS

Chen Wei1Zhou Qing2Cao Guitao3*

1(DepartmentofEducationInformationTechnology,EastChinaNormalUniversity,Shanghai200062,China)2(ShanghaiBranch,ShanghaiPudongDevelopmentBank,Shanghai200000,China)3(SchoolofComputerScienceandSoftwareEngineering,EastChinaNormalUniversity,Shanghai200062,China)

With the rapid development of aging population, China’s population gradually shows the trend of aging and empty nest phenomenon. Once if the aged fall to the ground, they haven’t been discovered soon enough and take reasonable measures immediately; it would bring serious physical and psychological harm to them. In order to solve this problem, we design and implement the fall detection system for the elderly. The system uses the embedded microprocessor K60 core development board as the processing core, the accelerometer MMA7660FC collects the three-axis acceleration information of human body, and the ENC-03 gyroscope gathers the angular velocity information of the two axes. A fall detection algorithm based on SVM and threshold analysis is used to judge whether the old man falls down or not, and it can automatically send the falling alarm information when falling. Experimental results show that the system can effectively distinguish between falls and other daily life behaviour. The algorithm has high accuracy and high real-time performance.

Accelerometer Gyroscope Support vector machine Threshold analysis Fall detection

2016-07-16。國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃項(xiàng)目(2011CB707104)。陳瑋，碩士生，主研領(lǐng)域：嵌入式系統(tǒng)設(shè)計(jì)和模式識(shí)別。周晴，碩士生。曹桂濤，副教授。

TP391.4

A

10.3969/j.issn.1000-386x.2017.07.034