陳祥寶，杜玉曉

（廣東工業(yè)大學(xué) 自動(dòng)化學(xué)院，廣州 510006）

據(jù)國(guó)家人口普查公示，中國(guó)的老年化人口在逐年遞增。跌倒已經(jīng)成為造成我國(guó)老年人死亡的首要原因，老年人跌倒死亡率隨年齡的增加急劇上升。此外跌倒后產(chǎn)生的心理影響可能導(dǎo)致抑郁等心理疾病發(fā)生。因此，有必要對(duì)具有高準(zhǔn)確率和高實(shí)時(shí)性的跌倒檢測(cè)算法開(kāi)展研究，以期對(duì)老年人的生活起居[1]進(jìn)行監(jiān)護(hù)。

傳統(tǒng)的跌倒檢測(cè)算法[2]通常采用閾值法判斷。該方法簡(jiǎn)單，實(shí)時(shí)性好，但誤報(bào)率較高，無(wú)法滿足需求。目前，研究較多的跌倒檢測(cè)算法歸屬于支持向量機(jī) SVM（support vector machine），其準(zhǔn)確率高，但由于計(jì)算復(fù)雜所以通常很難保證實(shí)時(shí)性。KNN（k-Nearest Neighbor）算法也稱為K近鄰算法，準(zhǔn)確率略低于SVM，但計(jì)算速度快于SVM。通過(guò)對(duì)相關(guān)文獻(xiàn)的研究，在此提出了基于多傳感器融合[3-4]的跌倒檢測(cè)算法。在硬件平臺(tái)上，采取三軸加速度計(jì)傳感器和三軸陀螺儀傳感器進(jìn)行人體運(yùn)動(dòng)數(shù)據(jù)采集。對(duì)通過(guò)閾值判斷的特征數(shù)據(jù)進(jìn)行二次判定，采用KNN算法進(jìn)行二次跌倒檢測(cè)。該方法只對(duì)高于設(shè)定閾值的人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行二次判定。通過(guò)數(shù)據(jù)驗(yàn)證進(jìn)行閾值設(shè)定，這樣在日?；顒?dòng)[5]中部分劇烈的運(yùn)動(dòng)才會(huì)進(jìn)入二次判斷，運(yùn)用閾值的高效和KNN算法的高準(zhǔn)確度，滿足了在較高的準(zhǔn)確性的情況下達(dá)到較好的實(shí)時(shí)性保障。

1 跌倒檢測(cè)硬件平臺(tái)

硬件部分主要是跌倒檢測(cè)終端，功能主要為實(shí)時(shí)地采集到用戶的運(yùn)動(dòng)信息、所在地理位置等數(shù)據(jù)，通過(guò)GU620的移動(dòng)網(wǎng)絡(luò)，將數(shù)據(jù)傳輸?shù)椒?wù)器數(shù)據(jù)庫(kù)中，再通過(guò)服務(wù)器發(fā)送的用戶及其監(jiān)護(hù)人的手機(jī)，以實(shí)現(xiàn)對(duì)用戶的日常健康進(jìn)行監(jiān)護(hù)。該終端由主控制器、電源管理電路、GU620模塊、六軸傳感器、蜂鳴器、OLED顯示屏、選擇/確定按鈕等組成。其總設(shè)計(jì)如圖1所示。

圖1 跌倒檢測(cè)硬件平臺(tái)Fig.1 Fall detection hardware platform

使用三軸加速度計(jì)傳感器和三軸陀螺儀傳感器采集人體運(yùn)動(dòng)姿態(tài)數(shù)據(jù)，通過(guò)SPI接口傳輸給STM32主控制器；主控制器負(fù)責(zé)并行處理采集數(shù)據(jù)以及閾值和KNN聯(lián)合跌倒檢測(cè)[6]算法判斷。此外，具有GPS/GSM/GPRS通信定位功能的GU620模塊由主控制串口發(fā)送AT命令控制，電源管理模塊為系統(tǒng)的各個(gè)模塊提供供電，并為鋰電池充電。

2 跌倒檢測(cè)算法研究

通過(guò)硬件平臺(tái)的人體運(yùn)動(dòng)數(shù)據(jù)采集，對(duì)采集的數(shù)據(jù)進(jìn)行特征處理[7]，之后對(duì)特征數(shù)據(jù)進(jìn)行閾值法和KNN聯(lián)合的跌倒檢測(cè)算法判定。通過(guò)對(duì)國(guó)內(nèi)外文獻(xiàn)的研究發(fā)現(xiàn)，跌倒檢測(cè)算法的主流研究方向主要有：基于閾值法跌倒檢測(cè)；基于支持向量機(jī)的跌倒檢測(cè)；基于KNN的跌倒檢測(cè)。

這3種方法中，閾值法可以保證實(shí)時(shí)性但誤報(bào)和漏報(bào)率較高；支持向量機(jī)具有較高的準(zhǔn)確性，因計(jì)算復(fù)雜不能保證實(shí)時(shí)性；KNN算法計(jì)算相對(duì)于支持向量機(jī)較為簡(jiǎn)單，準(zhǔn)確性略低于支持向量機(jī)，但計(jì)算時(shí)間比支持向量機(jī)短。故在此提出基于閾值和KNN聯(lián)合判定的算法思想，即采用閾值法進(jìn)行一次判定后，對(duì)滿足閾值的特征數(shù)據(jù)采用KNN再進(jìn)行跌倒檢測(cè)，可以保證實(shí)時(shí)性的情況下具有較高的準(zhǔn)確性。其流程如圖2所示。

圖2 閾值和KNN聯(lián)合判斷流程Fig.2 Joint judgment flow chart of threshold and KNN

2.1 特征處理

特征提取是對(duì)原始采集的數(shù)據(jù)進(jìn)行分析，提取出數(shù)據(jù)所具有的特性特征，可用于表示原始數(shù)據(jù)所代表的含義。對(duì)于所設(shè)計(jì)的基于六軸傳感器[8]的跌倒檢測(cè)系統(tǒng)，跌倒過(guò)程中時(shí)域信號(hào)的特征選擇如下：

（1）三軸加速度計(jì)的合加速度Aas

式中：Aas為三軸合成加速度；Ax，Ay，Az分別為 x，y，z軸的加速度。

（2）三軸陀螺儀的合角速度GR

式中：Gx，Gy，Gz分別為 3 個(gè)軸的角速度，由三軸陀螺儀傳感器采集后經(jīng)濾波處理獲得。GR反映出人體活動(dòng)時(shí)采集端旋轉(zhuǎn)的強(qiáng)烈程度。

（3）信號(hào)幅值面積As

式中：T為1個(gè)時(shí)間窗口。它直觀地表達(dá)運(yùn)動(dòng)狀態(tài)變化的激烈程度，數(shù)值越大，運(yùn)動(dòng)越激烈，而跌倒動(dòng)作比老年人絕大多數(shù)日常動(dòng)作的激烈程度高很多。

2.2 閾值和KNN聯(lián)合判定算法分析

2.2.1 基于閾值法的一次定位

在閾值判定前，先使用三軸加速度計(jì)傳感器和三軸陀螺儀傳感器采集日常行為活動(dòng)數(shù)據(jù)，例如站立、坐下、起立、跑步、跳躍、躺下、上下樓梯、向前跌倒、側(cè)向跌倒、向后跌倒等運(yùn)動(dòng)狀態(tài)。然后對(duì)采集的原始數(shù)據(jù)進(jìn)行上述的特征提取。獲取特征數(shù)據(jù)后再進(jìn)行算法分析。采集數(shù)據(jù)部分波形如圖3所示。

圖3 采集數(shù)據(jù)的部分波形Fig.3 Partial oscillogram of data acquisition

研究表明，在日常行為活動(dòng)中跌倒情形發(fā)生的概率比較低。但是，人體一旦發(fā)生跌倒，會(huì)產(chǎn)生1個(gè)大的加速度峰值[9]，可以依此區(qū)分其他活動(dòng)。根據(jù)多次對(duì)跌倒行為的試驗(yàn)結(jié)果分析，以合成加速度為例，跌倒行為可以分為3個(gè)階段，即失重階段、沖擊階段、反彈階段，其加速度波形如圖4所示。

圖4 前向跌倒加速度波形Fig.4 Forward fall acceleration oscillogram

以沖擊階段通過(guò)多次數(shù)據(jù)測(cè)試建模后進(jìn)行研究設(shè)定閾值。對(duì)一次閾值判定可以較大地區(qū)分跌倒和非跌倒，對(duì)于一些模糊的狀態(tài)再進(jìn)行二次KNN算法進(jìn)行判定。其仿真結(jié)果如5圖所示。

圖5 日?；顒?dòng)加速度峰值波形Fig.5 Daily activity acceleration peak oscillogram

由圖可見(jiàn)，一次閾值判定可以保證在無(wú)漏報(bào)的情形下，較明確區(qū)分跌倒與部分非跌倒日常活動(dòng)。對(duì)于跑步、跳躍等較劇烈的運(yùn)動(dòng)則需進(jìn)入二次KNN算法判斷。

2.2.2 基于KNN算法二次判定

跌倒行為發(fā)生時(shí)的狀態(tài)檢測(cè)和誤判情況存在較強(qiáng)的模糊性，采集的數(shù)據(jù)和參數(shù)適用面相對(duì)較窄，傳統(tǒng)方法是單純通過(guò)判斷人體加速度來(lái)確定算法達(dá)到某一閾值，在此并不可行。為此使用了閾值法結(jié)合KNN分類(lèi)的方法，對(duì)數(shù)據(jù)特征向量進(jìn)行較為精準(zhǔn)的模型匹配，可以更準(zhǔn)確地分辨出跌倒動(dòng)作。

KNN分類(lèi)算法屬于有監(jiān)督[10]的機(jī)器學(xué)習(xí)算法。它采用測(cè)量不同特征值之間的距離方法進(jìn)行分類(lèi)。其思想很簡(jiǎn)單：如果1個(gè)樣本在特征空間中的k個(gè)最相似（即特征空間中最鄰近）的樣本中的大多數(shù)屬于某一個(gè)類(lèi)別，則該樣本也屬于這個(gè)類(lèi)別。

在KNN中，通過(guò)計(jì)算對(duì)象間距離來(lái)作為各個(gè)對(duì)象之間的非相似性指標(biāo)，避免了對(duì)象之間的匹配問(wèn)題。距離一般使用歐氏距離或曼哈頓距離。在此采用歐式距離：

KNN算法需要先對(duì)原始數(shù)據(jù)進(jìn)行特征提取，獲取加速度峰值、角速度峰值、幅值面積峰值，對(duì)特征數(shù)據(jù)進(jìn)行歸一化處理，之后建立訓(xùn)練樣本數(shù)據(jù)庫(kù)，如圖6所示。對(duì)每一個(gè)樣本進(jìn)行標(biāo)簽歸類(lèi)。

圖6 預(yù)處理樣本庫(kù)建立流程Fig.6 Pre processing sample library establishment process

建立樣本庫(kù)后，通過(guò)KNN算法對(duì)樣本庫(kù)的數(shù)據(jù)進(jìn)行歸一化處理，然后再進(jìn)行測(cè)試數(shù)據(jù)判定。對(duì)通過(guò)閾值一次判定的特征數(shù)據(jù)進(jìn)行KNN二次判定[11]，得到判定結(jié)果是否跌倒。其算法流程如圖7所示。

圖7 跌倒檢測(cè)算法流程Fig.7 Fall detection algorithm flow chart

3 實(shí)驗(yàn)結(jié)果與分析

進(jìn)行二次跌倒判定時(shí)，根據(jù)200組跌倒樣本數(shù)據(jù)，800組非跌倒樣本數(shù)據(jù)，總計(jì)1000組樣本數(shù)據(jù)，建立樣本庫(kù)。對(duì)800組測(cè)試數(shù)據(jù)（跌倒特征數(shù)據(jù)150組，非跌倒特征數(shù)據(jù)650組）進(jìn)行二次算法判定。其中，通過(guò)一次閾值判斷的共有437組，即150組跌倒特征數(shù)據(jù)，287組非跌倒特征數(shù)據(jù)。

為了判斷聯(lián)合算法的有效性，將跌倒判斷結(jié)果分為4類(lèi)：

TP—跌倒動(dòng)作檢測(cè)為跌倒；

FP—日常行為檢測(cè)為跌倒；

TN—日常行為檢測(cè)為未跌倒；

FN—跌倒動(dòng)作檢測(cè)為未跌倒。

通過(guò)以下3個(gè)性能指標(biāo)，判斷跌倒檢測(cè)試驗(yàn)結(jié)果的好壞[12]：

準(zhǔn)確率Ac反映所有動(dòng)作被正確檢測(cè)出來(lái)的比例。其表達(dá)式為

漏報(bào)率Fr反映跌倒動(dòng)作未被檢測(cè)出來(lái)的比例。其表達(dá)式為

誤報(bào)率Fp反映日常動(dòng)作被檢測(cè)為跌倒事件的比例。其表達(dá)式為

對(duì)通過(guò)一次判斷的數(shù)據(jù)進(jìn)行二次跌倒檢測(cè)。使用python進(jìn)行KNN算法仿真，測(cè)試結(jié)果見(jiàn)表1。由表可知，k=5時(shí)，準(zhǔn)確率最高，達(dá)到97.6%。仿真結(jié)果如圖8所示。

表1 KNN算法測(cè)試結(jié)果Tab.1 KNN algorithm test results

圖8 KNN算法仿真結(jié)果Fig.8 KNN algorithm simulation results

如圖所示，由于跌倒數(shù)據(jù)和非跌倒數(shù)據(jù)樣本數(shù)不同，當(dāng)k超過(guò)一定值后，取值越大，其漏報(bào)率就越高。這是由于跌倒樣本和非跌倒樣本數(shù)的比例不同所致。使用閾值和KNN進(jìn)行聯(lián)合判定，可以使用閾值進(jìn)行一次判定，對(duì)于大部分非跌倒數(shù)據(jù)進(jìn)行過(guò)濾，減少二次判斷處理數(shù)據(jù)的時(shí)間，保證了實(shí)時(shí)性。對(duì)于通過(guò)一次判定的數(shù)據(jù)進(jìn)行KNN二次判定，以零誤報(bào)和高準(zhǔn)確性為標(biāo)準(zhǔn)進(jìn)行參數(shù)設(shè)定，保證老年人每一次跌倒的狀態(tài)都可以被檢測(cè)出來(lái)，滿足高準(zhǔn)確性和實(shí)時(shí)性。

4 結(jié)語(yǔ)

基于多傳感器的跌倒檢測(cè)算法研究可以有效地檢測(cè)老年人的跌倒事件，為獨(dú)居老人的健康監(jiān)護(hù)提供有效的保障。所提出的基于閾值和KNN聯(lián)合判定的算法能在保證實(shí)時(shí)性的條件下具有較高的準(zhǔn)確性。除了在理論上完成跌倒檢測(cè)仿真效果，在實(shí)際測(cè)試中獲得較高的準(zhǔn)確性，在實(shí)踐上已經(jīng)完成了整體平臺(tái)的搭建，形成了集硬件終端、服務(wù)器、APP定位于一體的智能穿戴式跌倒檢測(cè)產(chǎn)品。

[1]Shoaib M，Dragon R，Ostermann J.View-invariant fall detection for elderly in real home environment[C]//Fourth Pacific-Rim Symposium on Image and Video Technology.IEEE Computer Society，2010：52-57.

[2]Belshaw M，Taati B，Snoek J，et al.Towards a single sensor passive solution for automated fall detection[C]//International Conference of the IEEE Engineering in Medicine and Biology Society（EMBC）.2011：1773-1776.

[3]王剛.基于多傳感器的可穿戴跌倒檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京工業(yè)大學(xué)，2015.

[4]Tracy L，Alex M.An intelligent emergency response system：preliminary development and testing of automated fall detection[J].Journal of Telemedicine&Telecare，2005，11（4）：194-198.

[5]于普林.北京市社區(qū)老年人跌倒?fàn)顩r研究[D].長(zhǎng)沙：中南大學(xué)，2010.

[6]Bourke A K，Pw V D V，Chaya A E，et al.Testing of a longterm fall detection system incorporated into a custom vest for the elderly[C]//International Conference of the IEEE Engineering in Medicine&Biology Society.2013：2844-2847.

[7]李強(qiáng).跌倒檢測(cè)關(guān)鍵技術(shù)的研究與應(yīng)用[D].北京：北京工業(yè)大學(xué)，2013.

[8]Zhao G，Mei Z，Liang D，et al.Exploration and implementation of a pre-impact fall recognition method based on an inertial body sensor network[J].Sensors，2012，12（11）：15338-15355.

[9]Tao S，Kudo M，Nonaka H.Privacy-preserved behavior analysis and fall detection by an infrared ceiling sensor network[J].Sensors，2012，12（12）：16920-16936.

[10]Cheng W.Triaxial accelerometer-based falldetection method using a self-constructing cascade-adaBoost-SVM classifier[J].IEEE JournalofBiomedicaland Health Informatics，2013，17 （2）：411-419.

[11]Kobayashi T.Smoothly structured sparse CCA for partial pattern matching[C]///Proceedings of International Conference on Pattern Recognition（ICPR）.2014：1981-1986.