周 闖，傅珈豫，雷中貴，王志雄,2*

?

老年跌倒檢測技術研究現(xiàn)狀及展望

周 闖1，傅珈豫3，雷中貴1，王志雄1,2*

（1. 上海理工大學 醫(yī)療器械與食品工程學院，上海 200093；2. 上海健康醫(yī)學院，上海 201318； 3. 源珈力醫(yī)療器材國際貿易（上海）有限公司，上海 200000）

跌倒是老年人意外致死的首因，嚴重威脅老年人的身心健康，所以近年來對跌倒檢測的研究一直是熱門領域。當前跌倒檢測主要包含跌倒的事后檢測以及跌倒預測兩類，但都有一定的局限性，因此通過對跌倒事后檢測以及跌倒預測的國內外研究現(xiàn)狀的介紹，討論當前存在的問題并展望未來的發(fā)展方向，以期對該領域的后續(xù)研究有所幫助。

跌倒檢測；跌倒預測；穿戴式設備

0 引言

根據(jù)聯(lián)合國標準，當一個地區(qū)65歲以上人口占總人口的比例達到7%或者60歲以上人口占總人口的比例超過10%，則該地區(qū)為老齡化社會。根據(jù)2017中國統(tǒng)計年鑒，中國2016年65歲以上人口已經占總人口比例10.8%，人數(shù)為15003萬人，中國早已進入了老齡化社會，且老齡化趨勢仍在加劇[1]，所以對社會的養(yǎng)老問題以及老年人的醫(yī)護問題的研究越來越重要。而跌倒是造成老年人發(fā)病和死亡的常見起因，超過1/3的65歲以上老人平均每年至少摔倒一次。65歲以上老人跌倒頻率高且伴隨有骨折、軟組織損傷和腦部傷害等問題，這不僅對老年人的身體健康造成影響，而且會使老年人害怕摔倒，造成心理負擔[2]。

目前對老年人跌倒領域的研究多集中為跌倒的事后檢測，對于跌倒預測的研究則不多。老年人跌倒后如果無人救助又無力自救，會造成長時間保持臥姿，留下后遺癥，嚴重時更會危及生命，以美國為例，65歲以上的老年人平均每年跌倒至少一次，但只有1/40的人會被送往醫(yī)院，而這1/40中又只有一半會在跌倒后的第二年仍然活著[3]。所以對跌倒的事后檢測并輔以報警救助功能很有必要，但同時跌倒的事后檢測又有一定的局限性，因為跌倒已經發(fā)生并造成了傷害，即使事后檢測救助得以成功，即使在救助后身體上的創(chuàng)傷得以恢復，但跌倒留下的陰影卻揮之不去，進而導致抑郁等心理疾病，因此在跌倒事后檢測的基礎上對跌倒的預測防護加以研究很有必要。跌倒預測雖然能避免跌倒對老年人身心的危害，但是人體運動多樣，如何從眾多的日?；顒又袦蚀_預測出跌倒以及如何在盡早的預測跌倒一直是跌倒預測防護系統(tǒng)的研究難點，而準確性和及時性一直是一對矛盾，這也造成了跌倒預測的局限性。

鑒于目前跌倒預測以及跌倒事后檢測存在的問題，未來一套合適的老年人跌倒檢測系統(tǒng)必然是一套防救結合的系統(tǒng)，即將跌倒事后檢測技術較為成熟的優(yōu)點與跌倒預測能夠提前防護的優(yōu)點結合起來，從而提升跌倒檢測系統(tǒng)的可靠性和實用性。因此，以下將從跌倒事后檢測以及跌倒預測兩方面來介紹當前的國內外研究現(xiàn)狀，討論當前存在的問題并展望未來的發(fā)展方向，以期對該領域的后續(xù)研究有所幫助。

1 跌倒全過程分析

人體的跌倒十分復雜多樣，但大致可分為兩類，分別是快速跌倒和緩慢跌倒。快速跌倒多是因為外界原因造成的，例如絆倒。而緩慢跌倒多是因為人體原因造成的，例如虛弱，眩暈等等，在Rubenstein 對老年人跌倒的統(tǒng)計中顯示老年人有22%的跌倒是緩慢的[4]。

對于跌倒過程的劃分，不同的研究者也有不同的劃分，例如Noury N等將跌倒過程分為四段，分別是跌倒前段（Pre -fall phase），關鍵段（Critical phase），跌倒后段（Post-fall phase）以及恢復段（Recovery phase）[5]，而最重要的一段就是關鍵段，在這一段里，人體各種動力學以及生理學特征都會發(fā)生顯著變化，例如加速度，角度，足底壓力，心率等等。對于跌倒事后檢測，研究的過程為跌倒的全過程，而跌倒預測研究的過程為撞擊前的過程，不包括跌倒后段和恢復段。

跌倒的特征主要分為三類，分別是動力特征，生理特征以及環(huán)境特征。動力特征包括速度，加速度，壓力等等，角度（俯仰角，橫滾角等）；角速度等等；生理特征包括心率，肌電等等。環(huán)境特征包括聲音，震動等等。對跌倒的事后檢測或者預測主要是對這些特征一個或幾個的檢測。

2 跌倒事后檢測的研究現(xiàn)狀

對于跌倒事后檢測的分類，此前大多是分為三類，分別是基于視頻圖像的跌倒事后檢測、基于聲音的跌倒事后檢測以及基于穿戴式設備的跌倒事后檢測，但是前兩類事實上可以總結為一類，即基于環(huán)境的跌倒事后檢測，這樣做的原因是，首先基于聲音和基于視頻圖像的跌倒事后檢測都是通過某一環(huán)境中的監(jiān)測設備來獲取跌倒特征，其次基于聲音的跌倒事后檢測由于易受環(huán)境噪聲的影響，準確度相比與其他方式的跌倒檢測差距較大，近年來這方面的研究也越來越少，因而沒必要將其單獨列為一類。綜上本文將跌倒事后檢測分為兩類，分別是基于環(huán)境的跌倒事后檢測以及基于穿戴式設備的跌倒事后檢測。

2.1 基于環(huán)境的跌倒事后檢測

基于環(huán)境的跌倒事后檢測是將檢測設備置于環(huán)境中，并不是像基于穿戴式設備檢測那樣將檢測設備置于人體部位，例如Jia Luen Chua等人使用單個攝像頭拍攝人體運動中的圖像。通過將人體圖像分為頭部，腰部和小腿部三個部分來簡化處理，并計算這三個部分高度和寬度的變化，以此來判斷是否發(fā)生跌倒。實驗結果顯示準確率達到90.5%，誤判率則有10%[6]。

王君澤等人使用微軟推出的kinect紅外體感攝像頭采集人體的深度圖像，利用kinect的骨骼追蹤技術，實時記錄6個關節(jié)點（分別為頭、左肩、右肩、左髖、右髖和兩髖中心）的三維坐標，并用這些坐標計算人體質心的速度和高度，當質心速度和高度超過設定的閾值時，則判斷為跌倒發(fā)生。在400次模擬實驗中報警的準確率達到93%，誤報率為7%[7]。

Popescu M等人采用一定時間內的聲音能量值，作為判定發(fā)生跌倒的特征值。實驗結果準確率達到100%，但誤報率也高達30%，而且實驗次數(shù)較少，所以實驗結果并不足以令人信服[8]。

基于環(huán)境的跌倒事后檢測由于不需要佩戴在人體，所以不存在穿戴舒適性的問題，也不會影響老年人的日?；顒?，而且通過在某個空間（例如家里，醫(yī)院，養(yǎng)老院等等）里增加監(jiān)測設備可以更為準確的檢測跌倒[9]，但是缺點也很明顯，一方面會侵犯老年人的隱私，使老年人產生抵觸心理，另一方面也會受周圍環(huán)境影響，例如攝像死角，物體遮擋，環(huán)境噪聲等等，從而產生漏報。

2.2 基于穿戴式設備的跌倒事后檢測

基于穿戴式設備的跌倒事后檢測，即將檢測設備穿戴或佩戴在身上，例如利用智能手機采集數(shù)據(jù)也可將其歸為其中，手機已經成為當前人們日常生活中必不可少的物件，此前已有基于手機的動作識別研究，如：汪文彬等利用智能手機內的加速度傳感器來設計動作識別系統(tǒng)[10],程衛(wèi)軍等利用手機將穿戴式設備采集的人體運動數(shù)據(jù)傳到監(jiān)測中心來更好的監(jiān)測人體健康[11]，馬程等設計了可連接穿戴設備的老人摔倒遠程智能手機監(jiān)控客戶端,以便在監(jiān)測到老年人在發(fā)生跌倒時可以及時發(fā)送提示信息給家屬,同時發(fā)送位置信息給救助人員，從而避免發(fā)生更嚴重的后果[12]。

由于基于穿戴式設備的跌倒事后檢測要將檢測設備置于人體部位，所以這就牽涉到將檢測設備放在哪個部位或者哪幾個部位才能達到更好的效果。2005年lindeman將三軸加速度傳感器置于耳下，發(fā)現(xiàn)能夠有效將跌倒與日?；顒樱ˋDL）區(qū)分開來，且效果明顯好于將傳感器置于手腕和臀部[13]。2007年A.K. Bourke將三軸加速度傳感器分別置于大腿和軀干，發(fā)現(xiàn)軀干的檢測效果好于大腿[14]。?zdemir AT將九軸傳感器置于人的頭部，胸部，腰部，右腕，大腿，右踝六個節(jié)點，采用k近鄰（KNN），樸素貝葉斯（BDM），支持向量機(SVM)，最小二乘法(LSM)，神經網(wǎng)絡(ANN)，動態(tài)時間規(guī)整(DTW)六種算法，由7名男性，7名女性模擬老年人摔倒，總共做了2520組實驗，得出以下結論：（1）節(jié)點越多，準確度越高；（2）單個節(jié)點時，腰部是最佳的放置區(qū)域；（3）兩個節(jié)點時，頭部和腰部的組合準確度最高；（4）當節(jié)點超過兩個時，準確度只會有微小的提 高[15]，圖1為?zdemir AT的研究中單個節(jié)點時各節(jié)點的平均準確度。雖然以上研究都得出了最佳放置部位，然而結論卻并不相同，但可以肯定的是頭部以及軀干段的胸部和腰部相較于其他部位對跌倒的檢測效果較好，同時頭部，腰部，胸部都能檢測出跌倒，正說明了人體各部位既有一定的獨立性又有一定的相關性。

除了檢測部位的安放問題，還有檢測特征選取的問題，此前大多數(shù)基于穿戴式設備的跌倒檢測都使用三軸加速度傳感器采集加速度數(shù)據(jù)，但是這只對快速跌倒有效，而對于緩慢跌倒則效果不佳，因而近年來對檢測多種跌倒特征的研究越來越多，例如王亞青等人采用三軸加速度計、三軸陀螺儀和三軸磁力計集成的九軸慣性傳感器置于腰部，分別采集加速度，角速度和磁場強度數(shù)據(jù)，進而計算合加速度與合角速度值，再與設定的閾值（合加速度閾值20 m/s2，合角速度閾值2rad/s）比較，從而判斷跌倒是否發(fā)生。實驗結果表明準確率達98%，無漏報，但是該試驗設計的正?；顒樱ˋDL）只有行走，跑步和走變跑，不包括易誤報的躺下和蹲下起立等正常動作[16]。

圖1 單個節(jié)點的平均準確度

文耀鋒使用加速度傳感器和心率檢測設備結合來檢測跌倒，該方案的前提條件是跌倒作為意外事件會使人在跌倒的瞬間產生心率的變化，而且跌倒造成嚴重傷害后，心率會降低。文章使用物理和生理特征進行跌倒檢測，取得了良好的檢測效果[17]。

Guglielmo Cola等將三軸加速度計和氣壓計置于頭部，通過加速度值結合氣壓值來提高跌倒檢測的可靠性，其研究發(fā)現(xiàn)對緩慢跌倒也能夠檢測出來[18]。

基于穿戴式設備的跌倒事后檢測不受空間限制，不侵犯個人隱私，且能夠實時準確的檢測跌倒，因而基于穿戴式設備的跌倒事后檢測一直是跌倒事后檢測領域的研究熱點。目前大多是通過結合不同的跌倒特征來提升檢測的準確度，然而提升準確度還可以通過增加檢測部位來實現(xiàn)，可以說未來通過多部位多特征等的多信息融合方式來檢測跌倒是必然的發(fā)展趨勢。

3 跌倒預測研究現(xiàn)狀

跌倒預測相比跌倒事后檢測難度更大，但是跌倒事后檢測的方法也可以為跌倒預測提供借鑒。目前對跌倒預測的研究不多，大多都是基于穿戴式設備來預測跌倒，這是因為使用穿戴式設備能夠實時獲取運動數(shù)據(jù)，而且可以集成跌倒防護系統(tǒng)，以便在預測跌倒發(fā)生時及時進行防護。跌倒預測的關鍵在于如何提高準確度以及實現(xiàn)較早預測，目前的研究現(xiàn)狀如下。

Wu采用基于軀干的水平和垂直速度的閾值算法實現(xiàn)了對跌倒的預測，結果表明可以在跌倒觸地前300-400 ms時間預測跌倒發(fā)生[19]。

A.K. Bourke 等人使用閾值算法進行跌倒預測，將加速度傳感器、陀螺儀固定在胸口,利用加速度和角速度算出軀干垂直方向的速度,通過試驗設定速度閾值-1.3 m/s2進行跌倒預測，取得了100%的準確度，并能在軀干碰撞前322 ms或者膝蓋碰撞前140 ms預測跌倒[20]。

Nyan等使用三軸加速度計和兩軸陀螺儀來獲取腿部和軀干的角度，利用閾值算法首先判斷腿部角度是否超過閾值（±10°），如果超過，再判斷軀干和腿部的相關系數(shù)是否超過相關系數(shù)閾值（0.99），如果超過則判斷為摔倒。該方法取得了95.2%的靈敏度和100%的特異度，且跌倒前置時間平均為700 ms[21]。

佟麗娜使用三軸加速度計和兩軸角速度計，提出使用時序法來預測跌倒，建立了描述人體跌倒前的隱馬爾可夫模型（HMM），用來評估當前時刻人體跌倒的風險，通過支持向量機對不同運動過程加速度時間序列在模型上的輸出概率劃分閾值，從而實現(xiàn)在跌倒撞擊前200~300 ms內對人體跌倒的預測[22]。

Guangyi Shi等采用置于腰部的九軸慣性傳感器和置于足底的壓力傳感器聯(lián)合起來進行跌倒預測，發(fā)現(xiàn)使用腰部和足部的組合比只使用腰部九軸傳感器具有更高的準確度,跌倒預測準確率為98.565%[23]。

4 討論與展望

對于老年跌倒檢測技術研究現(xiàn)狀的介紹主要是從跌倒事后檢測以及跌倒預測兩方面來分別介紹的，但無論是跌倒事后檢測還是跌倒預測都存在以下問題：（1）現(xiàn)有數(shù)據(jù)多為實驗條件下得到，不能完全反映真實生活中的實際數(shù)據(jù)；（2）模擬實驗標準不統(tǒng)一，各研究者都自行設計模擬實驗，以至于模擬的跌倒動作和日常活動動作不盡相同，這也為不同研究之間的對比造成了困難；（3）由于倫理道德原因，實驗對象多為青年人或者中年人，與老年人的真實情況還有差距。要解決以上問題首先需要社會建立老年人運動數(shù)據(jù)庫，并能夠對研究者開放，其次需要建立統(tǒng)一的實驗標準，以方便對不同檢測方法的比較，最后模擬實驗要接近真實生活，最好實驗者能夠長時間連續(xù)進行數(shù)據(jù)采集。

中國早已進入老齡化社會，對嚴重威脅老年人身心健康的跌倒研究越來越重要，未來完善的老年跌倒防護系統(tǒng)主要有兩個趨勢：第一，老年跌倒檢測系統(tǒng)將會向防救一體發(fā)展，既能實現(xiàn)跌倒預測防護又能實現(xiàn)跌倒事后檢測報警呼救的功能，如果將跌倒預測和跌倒事后報警救助割裂開來，不利于提高老年檢測系統(tǒng)的實用性和安全性；第二，未來通過多部位多特征等的多信息融合方式來進行老年跌倒檢測是另一發(fā)展趨勢。當前對跌倒的事后檢測或者預測在實驗室條件下都有很高的準確度，然而在實際應用中卻遠未達到實驗室的效果[24]，這是因為此前的研究很少將多種數(shù)據(jù)信息融合起來，未來隨著無線通信技術的發(fā)展，使多信息融合成為可能。例如穿戴式人體傳感器網(wǎng)絡（BSN）不僅可以將人體不同部位的不同信息融合起來，還可以實現(xiàn)人體信息與周圍環(huán)境信息的交互[25]，這樣將會大大提高跌倒預測及檢測的準確性和可靠性，同時還可以將老年人的數(shù)據(jù)信息收集起來建立數(shù)據(jù)庫，從而更好的評估老年人的健康狀況。

[1] 國家統(tǒng)計局. 《中國統(tǒng)計年鑒2017》[R]. 北京: 國家統(tǒng)計局, 2017: 2-5小節(jié).

[2] Igual R, Medrano C, Plaza I. Challenges, issues and trends in fall detection systems[J]. Biomedical Engineering Online, 2013, 12(1): 66-66.

[3] Scheffer A C, Schuurmans M J, Van Dijk N, et al. Fear of falling: measurement strategy, prevalence, risk factors and consequences among older persons[J]. Age & Ageing, 2008, 37(1): 19-24.

[4] Rubenstein L Z. Falls in older people: epidemiology, risk factors and strategies for prevention[J]. Age & Ageing, 2006, 35 Suppl 2(supplement 2): ii37.

[5] Noury N, Rumeau P, Bourke A K, et al. A proposal for the classification and evaluation of fall detectors[J]. Irbm, 2008, 29(6): 340-349.

[6] Jia L C, Chang Y C, Lim W K. Intelligent Visual Based Fall Detection Technique for Home Surveillance[C]// International Symposium on Computer, Consumer and Control. IEEE Computer Society, 2012: 183-187.

[7] 王君澤, 朱小龍, 瞿暢. 基于Kinect骨架追蹤的人體摔倒自動檢測[J]. 上海交通大學學報, 2015, 49(9): 1359-1365.

[8] Popescu M, Li Y, Skubic M, et al. An acoustic fall detector system that uses sound height information to reduce the false alarm rate.[C]// Engineering in Medicine and Biology Society, 2008. Embs 2008. International Conference of the IEEE. IEEE, 2008: 4628-4631.

[9] Jia L C, Chang Y C, Lim W K. Intelligent Visual Based Fall Detection Technique for Home Surveillance[C]//International Symposium on Computer, Consumer and Control. IEEE Computer Society, 2012: 183-187.

[10] 汪文彬, 馬玉春, 尹建. 基于加速度傳感器的智能手機動作識別系統(tǒng)的設計與實現(xiàn)[J]. 軟件, 2015(2): 10-13.

[11] 程衛(wèi)軍, 艾中良. 一種基于智能手機的可穿戴設備安全架構[J]. 軟件, 2015, 36(11): 105-107.

[12] 馬程, 魏怡卓, 曹瑜,等. 老人意外跌倒遠程智能監(jiān)控系統(tǒng)的設計與實現(xiàn)[J]. 軟件, 2018(3).

[13] Lindemann U, Hock A, Stuber M, et al. Evaluation of a fall detector based on accelerometers: a pilot study.[J]. Medical & Biological Engineering & Computing, 2005, 43(5): 548-551.

[14] Bourke A K, O'Brien J V, Lyons G M. Evaluation of a threshold-based tri-axial accelerometer fall detection algorithm.[J]. Gait & Posture, 2007, 26(2): 194-199.

[15] ?zdemir AT. An Analysis on Sensor Locations of the Human Body for Wearable Fall Detection Devices: Principles and Practice[J]. Sensors, 2016, 16(8): 1161.

[16] 王亞青, 張文濤, 趙國如. 基于九軸慣性傳感器的跌倒監(jiān)測系統(tǒng)的研究[J]. 微型機與應用, 2014(14): 67-70.

[17] 文耀鋒. 一種實時的跌倒姿態(tài)檢測和心率監(jiān)護系統(tǒng)的研究[D]. 浙江大學, 2008.

[18] Cola G, Avvenuti M, Piazza P, et al. Fall Detection Using a Head-Worn Barometer[C]// International Conference on Wireless Mobile Communication and Healthcare. Springer, Cham, 2016: 217-224.

[19] Wu G. Distinguishing fall activities from normal activities by velocity characteristics[J]. Journal of Biomechanics, 2000, 33(11): 1497-500.

[20] Bourke A K, O'Donovan K J, Olaighin G. The identification of vertical velocity profiles using an inertial sensor to investigate pre-impact detection of falls[J]. Medical Engineering & Physics, 2008, 30(7): 937.

[21] Nyan M N, Tay F E, Mah M Z. Application of motion analysis system in pre-impact fall detection[J]. Journal of Biomechanics, 2008, 41(10): 2297-2304.

[22] ] 佟麗娜. 基于力學量信息獲取系統(tǒng)的人體摔倒過程識別方法研究[D]. 中國科學技術大學, 2011.

[23] Shi G, Zhang J, Dong C, et al. Fall detection system based on inertial mems sensors: Analysis design and realization[C]// IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems. IEEE, 2015: 1834-1839.

[24] Bagalà F, Becker C, Cappello A, et al. Evaluation of Accelerometer-Based Fall Detection Algorithms on Real-World Falls[J]. Plos One, 2012, 7(5): e37062.

[25] 韓世鵬, Olatunji Mumini Omisore, 王磊. 關于穿戴式人體傳感器網(wǎng)絡的研究思考[J]. 中國科學院院刊, 2017, 32(12): 1322-1329.

Current Status and Prospects in the Eldly Fall Detection Research

ZHOU Chuang1, FU Jia-yu3, LEI Zhong-gui1, WANG Zhi-xiong1,2*

(1. Department of Medical Devices and Food Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China;2. Shanghai University of Medicine & Health Sciences, Shanghai 201318, China; 3. Yuan Jiali Medical Equipment International Trade (Shanghai) Co. LTD, Shanghai 200000, China)

Fall is the leading cause of accidental death in the elderly, which seriously threatens the physical and mental health of the elderly. Therefore, research on fall detection has been a hot field in recent years. The current fall detection mainly includes two types, respectively, post-fall detection and pre-fall detection, but they all have certain limitations. This paper introduces the current domestic and international research status from the aspects of post-fall detection and pre-fall detection, discusses current problems and looks forward to the future development direction, with a hope to helping the follow-up research in this field.

Post-fall detection; Pre-fall detection; Wearable device

TP277

A

10.3969/j.issn.1003-6970.2018.10.022

周闖，上海理工大學碩士研究生，研究方向：生物醫(yī)學工程醫(yī)療器械方向；傅珈豫，源珈力醫(yī)療器材(上海)有限公司工程師，研究方向：醫(yī)療器械方向；雷中貴，上海理工大學碩士研究生，研究方向：生物醫(yī)學工程醫(yī)療器械方向。

王志雄，上海理工大學副教授，上海健康醫(yī)學院副教授，日本國立大阪大學副教授，研究方向：生物醫(yī)學工程生物醫(yī)療方向。

周闖，傅珈豫，雷中貴，等. 老年跌倒檢測技術研究現(xiàn)狀及展望[J]. 軟件，2018，39（10）：111-115