徒鵬佳,李軍懷,2,王懷軍,2,姬文超,2,王 侃,2

1(西安理工大學 計算機科學與工程學院,西安 710048)

2(陜西省網(wǎng)絡計算與安全重點實驗室,西安 710048)

隨著社會老齡化的加速邁進,人們越來越關(guān)注老年人的健康生活,尤其是跌倒問題.相關(guān)調(diào)查表明,老年人群體中因跌倒而導致傷殘及死亡的人數(shù)比例一直在增加,并且很多老年人因跌倒而死亡的原因并非跌倒本身,而是因為其跌倒后沒有得到及時救治,因此研究有效的跌倒檢測方法對于保障老年人的健康生活具有重要意義.

目前,研究開發(fā)人體跌倒檢測系統(tǒng)方面的技術(shù)較多,比如Wang等[1]和沈秉乾等[2]學者均通過加速度傳感器對人體運動信號采集和分析判斷是否發(fā)生跌倒,其優(yōu)點是算法簡單,但因其僅使用加速度進行檢測導致精確度較低,且無法對一些特定的姿態(tài)進行判定.Qu[3]通過對加速度與合差分加速度等特征設定閾值來判斷是否發(fā)生跌倒,但特征數(shù)據(jù)仍較單一.后來諸多學者對單一化的數(shù)據(jù)以及復雜計算問題進行了研究,如Mazurek等人[4]通過紅外深度傳感器獲取各方向上坐標變化速率的均值、方差、標準差等特征,通過樸素貝葉斯算法完成決策,實現(xiàn)跌倒檢測方案.文獻[5]通過加速度數(shù)據(jù)提取對跌倒行為敏感的時域及頻域特征,利用奇異值分解方法降維特征和重構(gòu)跌倒特征,采用支持向量機分類器檢測跌倒行為,實驗結(jié)果具有較高靈敏度和特異度.王榮等[6]引入姿態(tài)角這一數(shù)據(jù)作為輔助,通過加速度數(shù)據(jù)和姿態(tài)角數(shù)據(jù)共同對跌倒狀態(tài)進行判定,但由于姿態(tài)角需要通過計算加速度獲取,因此算法比較復雜且計算量較大,進而也導致檢測系統(tǒng)的實用性難以保證.基于此,有學者對姿態(tài)角和加速度做進一步處理分析以提高檢測精度,如He等[7]結(jié)合姿態(tài)角和加速度作為特征量,通過卡爾曼濾波對數(shù)據(jù)進行去噪與融合,同時應用滑動窗口和貝葉斯網(wǎng)絡分類器實現(xiàn)穿戴式跌倒檢測系統(tǒng),該系統(tǒng)的跌倒檢測率較高,但只實現(xiàn)了前后向跌倒和側(cè)向跌倒.文獻[8]使用加速度傳感器獲取數(shù)據(jù)生成離散變量,同時采用Ameva算法實現(xiàn)對老年人日?；顒幼R別和跌倒檢測系統(tǒng).雖然上述研究方法均能實現(xiàn)跌倒檢測,但對精準的具體跌倒方位判定還沒有進行深一步研究,全面的跌倒方位判定可更好地對可能受傷部位進行快速預診斷以縮短救治時間.

鑒于此,本文致力于跌倒方位精確判定,提出了一種基于拉班空間的跌倒方位檢測方法.首先利用慣性傳感器對人體運動數(shù)據(jù)進行采集,將原始數(shù)據(jù)轉(zhuǎn)換并以姿態(tài)角法表示; 然后引入滑動平均濾波算法對其進行降噪融合,確定動作區(qū)分閾值; 同時結(jié)合拉班舞譜空間表示方法,建立基于閾值的跌倒檢測及方位判定模型,并進行實驗驗證.

1 跌倒檢測方法

跌倒是指突發(fā)、不自主、非故意的體位改變,倒在地上或更低的平面上[9],跌倒包括兩種: (1) 從一個平面到另一個平面的跌倒; (2) 同一平面的跌倒.導致人體發(fā)生跌倒的原因通常不是單方面的,而是一個綜合因素的結(jié)果.自身原因和環(huán)境因素都會導致身體失去平衡發(fā)生跌倒,且大多數(shù)跌倒事件發(fā)生在站立狀態(tài).跌倒過程的持續(xù)時間一般在2 s左右,跌倒的發(fā)生伴隨著人體姿態(tài)的改變,人體姿態(tài)是指身體各個部位位置的相對關(guān)系,人體由于突發(fā)原因而無法繼續(xù)保持平衡,跌倒事件便可能發(fā)生,身體會向某個方向倒下,是一系列作用對身體的結(jié)果.

1.1 拉班空間

拉班舞譜作為廣泛記錄舞蹈的方法,具有同步記錄舞蹈動作時間、空間和力效等特性,能夠客觀反映肢體角度變化、空間路線甚至能量流動和動作主旨,因此已被應用于人類學、運動學、物理治療等多個領(lǐng)域[10].而結(jié)構(gòu)描述作為拉班舞譜中使用最為廣泛的形式,可以從身體、空間、時間、動力等多個層面體現(xiàn)身體運動,其表達形式主要是方向符號,因此研究保存舞蹈的主要目的是生成以方向符號為代表的基本動作的拉班舞譜.其本質(zhì)是將動作還原到人體最本真的運動方式,這不僅是對位置的簡單描述,更重要的是對動作取向與動態(tài)的描述,使得舞者對動作與動作之間的轉(zhuǎn)換關(guān)系更加了解.同樣,人體發(fā)生跌倒,需具體描述跌倒動作與跌倒方位之間的關(guān)系,不同的跌倒動作與跌倒方位對身體機理的反應存在差異性.如果只是籠統(tǒng)地說明跌倒方位是向前、向后、向左以及向右,這根本不能全面詳細說明跌倒動作與跌倒方位之間的關(guān)系.

現(xiàn)有的跌倒檢測方法大多考慮向前、向后、向左、向右四種跌倒方位,并未考慮較精準的各種斜側(cè)跌倒情況.拉班舞譜對于空間的記錄方式,主要是通過將人體自身空間在豎直方向分為上中下三段,每一段以九個方位來分解水平方向,因此需要用27個方向符號指示空間方位.本文選取拉班空間中段作為跌倒檢測及方位判定依據(jù),如圖1所示,具體分布是以45度為間隔并加上位置原點,將中段水平運動空間分為9個子空間,將跌倒分為向前趴下、向左前側(cè)跌、向左側(cè)跌、向左后側(cè)跌、向后躺下、向右前側(cè)跌、向右側(cè)跌、向右后側(cè)跌以及原位站立9種姿態(tài),其中將除去原位的另外8種方位作為本文的跌倒方位判斷依據(jù).

1.2 跌倒方位檢測算法

為了區(qū)分老年人跌倒和日?；顒觾煞N動作類型,并考慮到其跌倒主要發(fā)生在室內(nèi)環(huán)境中.本文先通過慣性傳感器獲取兩種不同類型活動數(shù)據(jù),再將捕捉到的動作數(shù)據(jù)使用歐拉角法表示為姿態(tài)角,然后引入舞蹈記錄方法拉班舞譜體現(xiàn)人體運動空間變化,并采用滑動平均濾波算法對姿態(tài)角去噪,以及通過多次實驗分析并確定姿態(tài)閾值,對比判斷是否發(fā)生跌倒,最后根據(jù)姿態(tài)角判定不同跌倒方位.

圖1 拉班空間

1.2.1 姿態(tài)角計算

本文通過慣性傳感器采集人體動作數(shù)據(jù).慣性傳感器具有攜帶輕便、侵入性低等特點,可精準追蹤并捕捉身體動作數(shù)據(jù),同時具有三維分析功能.在日常生活中人體行為隨機性比較大而且復雜,因此,選擇合適的采集部位對于增強數(shù)據(jù)的代表性具有重要意義.從運動生物力學方面來說,人體的各種動作需要重心來支撐,男子的重心大約在身高的56%處,女子大約在身高的55%處,即腰部最靠近人體的重心位置.Kangas[11]等人的研究結(jié)果表明,人體的腰部或者頸部的加速度信息最能反映人體的軀干的運動狀態(tài).根據(jù)Zdemir等人[12]使用單個傳感器檢測不同動作時的準確率,當傳感器佩戴在腰部時,檢測準確率可達98.42%,而在頭部及胸部的準確率分別為96.61%和96.50%.從而可知當使用單個傳感器進行動作檢測,傳感器位于腰部時,不僅能夠區(qū)分動作類型且檢測準確率更高.經(jīng)上述分析,同時考慮到穿戴舒適性,本文將腰部作為傳感器采集節(jié)點,搭建傳感器動作捕捉平臺獲取人體動作行為數(shù)據(jù),最后根據(jù)傳感器放置位置方向采用世界坐標對人體活動建模.

本文直接獲取的是以人為載體的姿態(tài)坐標,而跌倒檢測需要的是世界坐標表示的姿態(tài)角,因此需對其進行轉(zhuǎn)換.在數(shù)學中,不同的坐標系之間存在一定的位置關(guān)系,這種位置關(guān)系可用變換矩陣來表示,如圖2所示,姿態(tài)坐標在世界坐標下的空間姿態(tài)可看作是依次繞航向角、俯仰角和橫滾角作基本旋轉(zhuǎn)后復合的結(jié)果,因此可以通過變換矩陣來對姿態(tài)坐標進行轉(zhuǎn)換處理,其中所用的姿態(tài)描述方法為歐拉角法,該方法易于理解且操作簡便.具體操作過程如下文.

圖2 坐標轉(zhuǎn)換圖

首先,將初始姿態(tài)坐標與世界坐標重合,姿態(tài)坐標分別繞世界坐標的Z軸、X軸和Y軸旋轉(zhuǎn),依次得到旋轉(zhuǎn)矩陣為:

式中,R、P、Y分別是roll、pitch、yaw的旋轉(zhuǎn)矩陣,繞ZXY軸旋轉(zhuǎn),旋轉(zhuǎn)角為r、p、y.依據(jù)正交矩陣的性質(zhì),可得到如下的旋轉(zhuǎn)矩陣N.

求得姿態(tài)變換矩陣N后,為了求取人體的姿態(tài)角,需要對其進行進一步變換,其結(jié)果為:

1.2.2 動作差異分析

為判斷跌倒事件的發(fā)生,首先獲取老年人日常行為活動與跌倒動作的姿態(tài)角,對老年人動作行為進行差異分析,以區(qū)分日常行為與跌倒動作.通過隨機采集人體日?；顒觿幼骱偷箘幼鞯淖藨B(tài)角數(shù)據(jù),每種動作循環(huán)30次,截取部分特定動作序列并統(tǒng)計結(jié)果,以姿態(tài)角中的橫滾角(roll)為例,結(jié)果如圖3所示.

圖3 不同行為動作角度分布

圖3展示了各種動作姿態(tài)角的分布情況,其中橫軸0到60 s為日常行為動作,而60至120 s是兩個連續(xù)跌倒動作.由圖3可知,跌倒動作與日常行為動作的姿態(tài)角分布具有明顯差別.為了更好地描述兩類動作間的差異性,本文通過建立姿態(tài)角閾值區(qū)間模型來對跌倒動作進行精確判斷,具體實現(xiàn)過程為: 將采集到的兩類動作數(shù)據(jù)進行對比分析,選取適當閾值區(qū)間.其結(jié)果如圖3中橫向虛線所示.此外,為了驗證閾值選取的合理性,并考慮到閾值對于其檢測性能的影響,本文選取日常行為活動中姿態(tài)角的最大值和最小值為閾值區(qū)間[+20°,+48°],該閾值區(qū)間與跌倒動作的角度分布均沒有重疊部分,既避免了因閾值區(qū)間過大而可能會出現(xiàn)將某種跌倒動作誤判為某種日常行為動作的情況,又避免了因閾值區(qū)間過小而可能會將某種日常行為動作誤判為某種跌倒動作,該區(qū)間也能夠全面地表征跌倒動作姿態(tài)角的變化范圍.通過設定上述姿態(tài)角的區(qū)間閾值,實際模擬人體隨機跌倒過程,其結(jié)果如圖4所示.從圖4中可以看到實驗者在第200到350 s之間時,其橫滾角超出了閾值范圍,也說明了該實驗者已發(fā)生跌倒,而其與實際情況相一致.該結(jié)果進一步說明了本實驗中閾值選取的合理性與可行性.

圖4 跌倒曲線圖

以上步驟完成了跌倒事件的檢測,在此基礎上結(jié)合拉班空間確定具體跌倒方位,對比實驗中各個跌倒方位姿態(tài)角變化范圍.如圖5所示,以橫滾角(roll)為例,曲線從平緩到發(fā)生明顯變化的跌倒瞬間,各個方位的跌倒動作姿態(tài)角變化范圍有較大差異,故以姿態(tài)角變化范圍作為跌倒方位的判斷依據(jù).通過多次實驗結(jié)果分析分別得到了8種不同跌倒方位的判定閾值.

圖5 不同跌倒方位roll角變化圖

1.2.3 跌倒檢測及方位判定算法

人體發(fā)生跌倒時,三種姿態(tài)角都會在短時間內(nèi)發(fā)生不同程度的浮動變化,通過對捕捉到的跌倒動作數(shù)據(jù)進行分析,分別選取了傾斜角(pitch)和橫滾角(roll)作為跌倒檢測以及方位判斷依據(jù),算法如下:

(1) 計算獲取三個姿態(tài)角,判斷pitch或roll是否超過閾值.

(2) 當連續(xù)1 s時間內(nèi)pitch或roll超過閾值,認為人體姿態(tài)出現(xiàn)疑似跌倒狀態(tài),但還不能判定測試者已跌倒,先預報警.

(3) 延時采集2 s時間數(shù)據(jù),對姿態(tài)角進行二次檢測.該步驟的必要性在于判斷測試者是否處于異常姿態(tài)的終態(tài),即倒地.當測試者一直倒地時,人體相對地面靜止,姿態(tài)角將一直處于異常狀態(tài),這時就會判定測試者已跌倒,進行報警.

(4) 記錄跌倒姿態(tài)角值,判定具體跌倒方位,最后依據(jù)跌倒方位預診可能受傷部位,達到及時精準救治目的.

該算法流程如圖6所示.

圖6 算法流程圖

2 實驗驗證與分析

2.1 實驗設計

為了驗證本文提出的基于拉班空間的跌倒方位檢測方法的合理性與有效性,測試分為兩組: 一組是日常正行為活動實驗,包含行走、坐下和彎腰; 另一組是模擬意外跌倒實驗,測試者進行多種跌倒測試,具體包括向前趴下、向左前側(cè)跌、向左側(cè)跌、向左后側(cè)跌、向后躺下、向右前側(cè)跌、向右側(cè)跌、向右后側(cè)跌等8種可能跌倒姿態(tài),每組實驗30次.

2.2 實驗結(jié)果

圖7(a)為人體正常行走時姿態(tài)角變化情況,圖中三個姿態(tài)角的檢測結(jié)果由于受噪聲的影響不夠準確.目前對于運動捕捉數(shù)據(jù)中噪聲的處理大多采用卡爾曼濾波算法,因此本文首先通過卡爾曼濾波對運動捕捉數(shù)據(jù)進行去噪,濾波結(jié)果如圖7(b)所示,與圖7(a)中原本曲線趨勢偏差較大,無法正確表現(xiàn)原始運動,因此該方法并不適用于本文數(shù)據(jù)集.還有學者采用滑動平均卡爾曼濾波算法[13]處理動作數(shù)據(jù),該算法是在卡爾曼濾波的基礎上進一步對數(shù)據(jù)進行滑動平均處理,但本文在使用該方法處理后發(fā)現(xiàn)結(jié)果仍與原始數(shù)據(jù)偏差較大,如圖7(c)所示.本文以數(shù)據(jù)信號的特點作為切入點,由于本文數(shù)據(jù)是連續(xù)且非線性的,而且數(shù)據(jù)曲線連續(xù)波峰波谷起伏時的幅度是基本一致的.考慮到滑動平均濾波方法在濾波過程中,能夠有效處理小范圍連續(xù)起伏數(shù)據(jù),且算法簡便,計算量小.因此本文采用滑動平均濾波算法進行數(shù)據(jù)降噪,處理結(jié)果見圖7(d),經(jīng)滑動平均濾波處理后,頻繁隨機起伏的數(shù)據(jù)被濾除,圖形曲線更加平滑,特別對干擾數(shù)據(jù)具有較好的效果,可有效地降低信號的波動幅度.因此,本文選用滑動平均濾波處理后的結(jié)果分析日常行為和不同跌倒方位的姿態(tài)變化.

對每一種跌倒動作進行30次實驗模擬,使用滑動平均濾波算法對數(shù)據(jù)處理和分析,可以得到如圖8所示的人體不同跌倒運動狀態(tài)的姿態(tài)角變化情況.

從圖8中不難發(fā)現(xiàn),人體在跌倒發(fā)生的瞬間,姿態(tài)角的變化趨勢、浮動范圍以及穩(wěn)定后的狀態(tài)與日常動作存在顯著差異,并且不同的跌倒方位姿態(tài)角的變化趨勢以及浮動范圍也存在差異.說明人體的姿態(tài)角變化范圍隨著不同的跌倒方位而不同,因此姿態(tài)角可用于區(qū)分不同跌倒活動狀態(tài).以前側(cè)跌倒為例,從第130 s起測試者發(fā)生跌倒,185 s時橫滾角(roll)達到并超過+25°的閾值.第210 s時測試者處于臥倒終態(tài),此時橫滾角將始終處于+120°.從橫滾角開始變化到保持終態(tài)時間超過了1 s,此時進行預報警.算法對姿態(tài)角進行二次檢測后,發(fā)現(xiàn)直到2 s后測試者還處于臥倒終態(tài),故此時確認橫滾角處于異常值,立即進行報警.

圖7 不同濾波處理前后對比圖

圖8 不同跌倒方位曲線圖

本文共對日常生活行為和不同跌倒狀態(tài)進行了330次測試,成功330次,檢測正確率達100%.如見表1所示,本文方法可準確識別前、后、左、右、左前、左后、右前、右后8種跌倒方位,具有較好的識別率.

表1 實驗結(jié)果

3 結(jié)束語

隨著社會老齡化的加速邁進,人們越來越關(guān)注老年人的健康生活,特別對于居家養(yǎng)老的老年人日?；顒又械沟谋O(jiān)測與預警問題的研究和應用具有很好的實際意義.本文提出了一種基于拉班空間的跌倒方位檢測方法,用歐拉角法表示不同的跌倒數(shù)據(jù),同時引入滑動平均濾波算法對數(shù)據(jù)降噪和融合,選取日常生活狀態(tài)的姿態(tài)角作為該系統(tǒng)的閾值,設計實現(xiàn)了以姿態(tài)角為判斷標準的檢測跌倒方法,并通過人體日?；顒有袨楹?種不同跌倒方位進行實驗驗證,表明該方法具有較好的實際應用價值.