陶 帥 常蒙月 汪祖民 呂澤平

1.引言

從國家統(tǒng)計局公布的數(shù)據(jù)顯示，2019年我國65周歲及以上人口占比為12.6%，較2018年的11.9%增長了0.7個百分點，可知我國的老齡化程度逐漸加快[1]。據(jù)報道，我國65歲以上老年人超過1/3每年摔傷1次以上，85歲以上老年人超過2/3每年摔傷2次及以上[2]。如果不能及時反饋和解決跌倒引發(fā)的問題，將會帶來更大的身體損傷，所以積極應(yīng)對因跌倒給老年人帶來的影響是實現(xiàn)健康老齡化的關(guān)鍵。

越來越多的學(xué)者將目光聚焦于跌倒檢測系統(tǒng)的研究，常見的跌倒檢測系統(tǒng)包括基于視覺的跌倒檢測系統(tǒng)、基于環(huán)境的跌倒檢測系統(tǒng)和便攜式可穿戴檢測系統(tǒng)。基于視覺的跌倒檢測系統(tǒng)可以精準獲取和存儲多維度的信息，已經(jīng)廣泛應(yīng)用于臨床、康復(fù)、體健等多個領(lǐng)域，但是它們通常比較昂貴和復(fù)雜，而且圖像數(shù)據(jù)容易受到光照亮度、光線、視點、設(shè)備移動和復(fù)雜背景等因素的干擾，所以基于視覺的系統(tǒng)只能在室內(nèi)或特定場所使用?；诃h(huán)境的跌倒檢測系統(tǒng)不僅可以準確獲取測量數(shù)據(jù)而且人體不用佩戴任何傳感器，比較舒適，但是它也有一些缺點，只能在特定的場所測量且價格昂貴。可穿戴跌倒檢測系統(tǒng)更容易獲取人體各項數(shù)據(jù)信息且沒有時間、空間限制，在監(jiān)控和分析對象穩(wěn)定性方面也非常出色[3]。本文主要介紹應(yīng)用可穿戴設(shè)備進行跌倒檢測的方法，從可穿戴設(shè)備數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理和跌倒判別算法三方面進行綜述，對已有的文獻分類、對比、統(tǒng)計分析并指出未來的工作重點，為初學(xué)者指引方向，同時為相關(guān)行業(yè)后續(xù)的研究工作提供借鑒與參考。

2.跌倒行為分析

跌倒是指突然的、非自覺的、非主觀的姿態(tài)轉(zhuǎn)換，倒在平面上。跌倒行為包括前后垂直跌倒、左右垂直跌倒、前膝著地式跌倒、臀部著地式跌倒、緩慢跌倒等[4]。影響跌倒發(fā)生的因素多種多樣，例如對周邊環(huán)境不熟悉、視力減退、步態(tài)失調(diào)和腦功能失調(diào)等。老年人常出現(xiàn)的蹣跚步態(tài)和因小腦腫瘤、出血或前庭性疾病導(dǎo)致的異常步態(tài)統(tǒng)稱為步態(tài)失調(diào)；老年人常患的心血管疾病，如冠心病、高血壓、腦動脈硬化和心律不齊等導(dǎo)致的腦供血不足常引起腦功能失調(diào)。Porta S[5]等人發(fā)現(xiàn)導(dǎo)致跌倒發(fā)生的因素有性別、年齡和步態(tài)異常等。研究者通常是捕捉跌倒前的體態(tài)變化，然后通過觀察體態(tài)改變的程度檢測跌倒的發(fā)生，例如Fan Y[6]等人通過三軸加速度數(shù)據(jù)分析人體運動姿勢，得到人體各種姿勢的轉(zhuǎn)換信息，檢測跌倒的發(fā)生。Lin C L[7]等人通過分析鑲在眼鏡框上的加速度計和陀螺儀信號，檢測加速度的變化和用戶頭部的方向，檢測跌倒的發(fā)生。Montanini L[8]等人通過鞋子里的力傳感器和加速度計收集數(shù)據(jù)，分析被測者的運動和腳的朝向，檢測跌倒的發(fā)生。孫成開[9]等人提出了一種識別人體運動狀態(tài)的方法，該方法通過對采集的加速度信號預(yù)處理，可以有效快速地識別人體的各種日常活動，例如快慢走、上樓梯、下樓梯和跌倒等。

3.可穿戴跌倒檢測系統(tǒng)的應(yīng)用分析

3.1 數(shù)據(jù)采集

3.1.1 設(shè)備的選取：可穿戴數(shù)據(jù)采集設(shè)備通常有加速度計、氣壓計、陀螺儀、壓力傳感器、磁力計、肌電信號傳感器等。加速度計是通過檢測人體的受力情況來檢測加速度大小的設(shè)備。陀螺儀又稱角速度傳感器，是測量載體角速度的傳感器。壓力傳感器是將捕捉到的壓力值轉(zhuǎn)換成電信號的設(shè)備。氣壓計是測量大氣壓強的儀器。磁力計是衡量磁感應(yīng)大小和方向的儀器。肌電信號傳感器是檢測淺層肌肉肌電信號的儀器。

根據(jù)采集設(shè)備所使用的傳感器種類數(shù)目分類，可穿戴跌倒檢測系統(tǒng)可分為基于單一傳感器[9～28]和多種傳感器[5～8,29～73]相結(jié)合的跌倒檢測系統(tǒng)?；趩我粋鞲衅鞯牡箼z測系統(tǒng)主要使用加速度計進行數(shù)據(jù)采集，根據(jù)合加速度值或三個矢量加速度值檢測跌倒是否發(fā)生。例如，F(xiàn)an Y[6]等人使用加速度計采集三個方向的加速度值分析人體運動姿勢，檢測跌倒的發(fā)生；Qu W[9]等人使用加速度計采集的合加速度值和低復(fù)雜度的跌倒檢測算法評估一組類似跌倒活動中跌倒檢測的準確性；Tong L[10]等人提出使用人體的三軸加速度計數(shù)據(jù)建立隱馬爾可夫模型來檢測和預(yù)測跌倒事件，準確率為100%。多傳感器跌倒檢測系統(tǒng)主要是由三軸加速度計、壓力傳感器、陀螺儀、磁力計、重力傳感器、氣壓計、聲音傳感器等相結(jié)合構(gòu)成，從多個角度分析，檢測跌倒的發(fā)生。例如，Lin C L[7]等人通過分析鑲在眼鏡框上的加速度計和陀螺儀信號，檢測加速度的變化和用戶頭部的方向，檢測跌倒的發(fā)生；Lipsmeier[29]等人利用陀螺儀和加速度計收集角度和加速度數(shù)據(jù)，檢測異常的方法；Pierleoni P[30]等人使用安裝在腰部的慣性單元(三軸加速度計、陀螺儀、磁力計和氣壓計)采集數(shù)據(jù)，將數(shù)據(jù)融合算法和跌倒檢測算法相結(jié)合來檢測跌倒的發(fā)生；Gao X[31]等人構(gòu)建了一個多傳感器系統(tǒng)(其中包括加速度計、光電傳感器和張力傳感器)進行數(shù)據(jù)采集，利用提出的模糊邏輯增強的自適應(yīng)神經(jīng)網(wǎng)絡(luò)分類器進行分類，精確度高達99.8%；Rucco R[32]等人發(fā)現(xiàn)數(shù)據(jù)采集使用最多的是將兩個及以上的傳感器相結(jié)合，加速度計和陀螺儀的結(jié)合是使用頻率最多的數(shù)據(jù)采集設(shè)備。由圖1可知，本文所選文獻使用的傳感器種類和個數(shù)情況，其中使用加速度計進行數(shù)據(jù)采集的文獻篇數(shù)最多，所以加速度是最常用的數(shù)據(jù)采集設(shè)備。由圖2可知，大部分文獻將多種傳感器結(jié)合進行數(shù)據(jù)采集，其中使用最多的是將加速度計和陀螺儀兩種傳感器結(jié)合進行數(shù)據(jù)采集。

圖1 使用不同種類傳感器進行跌倒風(fēng)險研究的文獻數(shù)量

圖2 使用多傳感器與單一傳感器進行研究的文獻數(shù)量

3.1.2 設(shè)備佩戴位置：數(shù)據(jù)采集時，相同的傳感器不同的佩帶位置對應(yīng)的實驗效果是有差異的。在設(shè)計跌倒檢測算法時，采集數(shù)據(jù)的傳感器的佩戴位置是不可以被忽略的。如圖3所示，可穿戴傳感器一般被穿戴在人體的腰部[5,6,11～14,21,22,25,29,30,33～

圖3 傳感器的佩戴位置頻率占比

43,59～62,64]、胸部[6,9,15,23,24,36,44,45～48,59,63,64]、腕部[15,21,29,36,49,50～55,59,64]、足底[6,8,17～20,36,56～58,64]和腿部[6,27,28,59,63,64]等，其中傳感器穿戴在用戶腰部的論文最多，占比為32%。佩戴在腰部的采集模塊所采集的數(shù)據(jù)更能體現(xiàn)人體的運動狀態(tài)，得到的數(shù)據(jù)更具有真實性、全面性。因此，腰部成為采集數(shù)據(jù)最受歡迎的部位。Kangas M[21]等人評估了三種低復(fù)雜度的檢測算法，分別將加速度計置于頭部、腰部和手腕上，結(jié)果表明頭部和腰部比腕部好，考慮到可穿戴產(chǎn)品的可行性，腰部使用更加廣泛。Rucco R[32]等人發(fā)現(xiàn)了可穿戴傳感器類型與位置相關(guān)的主要趨勢，在佩戴加速度計和陀螺儀時使用最多的部位是軀干，因為它在靜態(tài)和動態(tài)穩(wěn)定性中都起著重要作用。Ponce H[59]等人使用UP-fall跌倒數(shù)據(jù)集分析5個可穿戴傳感器和2個相機視點，通過分析發(fā)現(xiàn)腰部的可穿戴式傳感器和相機的側(cè)視點顯示出98.72%的準確率。

3.1.3 采樣率：可穿戴采集模塊的類型不同，適合的采樣率也不相同，相應(yīng)的跌倒檢測系統(tǒng)的設(shè)計方法和性能也不相同。圖4顯示了本文所引論文采樣率的頻數(shù)數(shù)據(jù)，由圖可知，文獻使用的采樣率從10Hz到1000Hz不等，其中采樣率為50Hz的文章最多。采樣率為50Hz時，常用的采集模塊為加速度計[27,29,30,39,60,62,65]。本文所引用的論文中有部分文章沒有標明采樣率，沒有納入本節(jié)的統(tǒng)計。

圖4 采樣率主體分布

3.1.4 研究人群：跌倒檢測實驗的研究對象常分為三個年齡階段：老年、中年和青年。根據(jù)聯(lián)合國世界衛(wèi)生組織規(guī)定：老年是指年齡在60歲以上的人群；中年是指年齡在45歲和60歲之間的人群；青年是指年齡在18歲和45歲之間的人群。常見獲取數(shù)據(jù)集的方式有兩種：一是實時監(jiān)測老年人的日常和跌倒情況獲取數(shù)據(jù)；二是利用中青年人模擬跌倒獲取數(shù)據(jù)。如圖5所示，在本文所引用的文獻中大部分是選取中年和青年人進行模擬實驗獲取數(shù)據(jù)集，只有小部分的實驗是研究老年人的日常活動和跌倒來獲取數(shù)據(jù)集。

圖5 研究人群年齡分布

3.2 預(yù)處理 常見的數(shù)據(jù)預(yù)處理的方法有降噪、歸一化和降維等。原始數(shù)據(jù)通常包括很多噪聲，以加速度數(shù)據(jù)為例，存在隨機噪聲和系統(tǒng)誤差等，所以數(shù)據(jù)處理之前通常需要降噪處理，常見的降噪方法有濾波器降噪和小波降噪兩種。在可穿戴跌倒檢測系統(tǒng)中使用濾波器進行降噪更為常見，因為濾波器降噪更適合此類數(shù)據(jù)且計算量小、時間成本低。常見的降噪濾波器有中值濾波器[21,27]、互補濾波器[7]、高通濾波器[27]、二階Butterworth低通濾波器[60]等。對于多維數(shù)據(jù)來說，不同的量綱對應(yīng)著不同的數(shù)量級，有時差別會比較大，這種情況通常會影響最后的分析結(jié)果，所以需要進行歸一化處理。不同的數(shù)據(jù)類型有不同的歸一化的方法，例如周從根[17]等人將壓力數(shù)據(jù)除以體重來實現(xiàn)數(shù)據(jù)的歸一化。數(shù)據(jù)分析時，數(shù)據(jù)的維度對整個分析過程影響非常大，例如分析的難度、花費的時間和結(jié)果的準確性等，所以在分析過程中需要用較少的變量取代原來較多的變量，使問題得到簡化。有文獻[9,62]用合加速度代替各個方向的加速度實現(xiàn)數(shù)據(jù)降維，還有一種降低數(shù)據(jù)維度的方法是特征選擇，即選擇合適的特征進行統(tǒng)計分析，常見的特征選擇方法有過濾法、包裝法和嵌入法。利用特征選擇方法提取最優(yōu)特征子集進行分類可以在保持在較高分類精度的前提下顯著減少特征數(shù)量。三種特征提取方法的優(yōu)缺點如表1所示。

表1 三種特征選擇方法的優(yōu)缺點

3.3 跌倒評估方法 跌倒評估方法是通過對傳感器采集的數(shù)據(jù)進行處理提取特征值，對特征值進行訓(xùn)練，建立模型，從而判斷是否跌倒的方法。如圖6所示，跌倒評估方法主要包括機器學(xué)習(xí)法[5,8,10,12,13,15,16,19,20,26,28,33,35,36,40～42,44,46～49,53,58,59,61,63,65]、閾值法[6,7,9,11,14,21～25,30,34,37,38,40,45,48,50～52,54,60,62,64,66～71]和將機器學(xué)習(xí)與閾值法相結(jié)合[27,31,39]的方法，其中機器學(xué)習(xí)是使用最廣泛的算法。

3.3.1 閾值法：閾值法使用較多的是先歸納出跌倒信號的數(shù)字特征，再通過對數(shù)字特征設(shè)定合適的閾值來檢測跌倒行為的發(fā)生和根據(jù)誤差的不同結(jié)構(gòu)形式構(gòu)建基礎(chǔ)模型來檢測跌倒?？墒褂玫拈撝底兞慷喾N多樣，例如加速度值、角度值、加速度的峰值和撞擊地面后的速度值等，其中加速度值作為閾值變量使用最多。大多數(shù)的研究是將多種變量同時作為閾值變量檢測跌倒，例如Dumitrache M[25]等人提出了一種基于閾值法的跌倒檢測算法，使用合加速度峰值P、基長B、峰值與基長的比值R1、撞擊后的速度V、V與R1的比值R2和撞擊后的活動水平A作為閾值參數(shù)，檢測跌倒是否發(fā)生，靈敏度為97.05%，特異性為99%。Lee J S[22]等人從智能手機的內(nèi)置加速度計獲取三軸加速度值的特征，確定跌倒和非跌倒的關(guān)鍵閾值，然后提出了一種基于閾值的增強型跌倒檢測方法，它不僅可以將跌倒事件與大多數(shù)日常活動(包括步行、跑步和坐下)區(qū)分開，還可以支持跌倒的四個方向(向前、向后、左側(cè)和右側(cè))。Sorvala A等[60]人提出了用加速度和角速度相結(jié)合的雙閾值方法來檢測跌倒、類似跌倒和日常生活活動，靈敏性為95.6%，特異性達到99.6%。閾值法也有一些局限性，例如根據(jù)數(shù)字特征設(shè)置閾值的方法維度過于單一，忽略了老年人行為的動力學(xué)特征，且受個體影響較大，從而造成誤報率較高。本文列舉了典型的閾值法的參數(shù)及特征值的選擇，如表2所示。

表2 閾值法常用參數(shù)及特征

3.3.2 機器學(xué)習(xí)法：機器學(xué)習(xí)方法是指用一些特殊的公式指導(dǎo)計算機利用已知的數(shù)據(jù)建立出一種能對一些新情況做出預(yù)測模型的方法。常見用于跌倒檢測的機器學(xué)習(xí)算法有支持向量機(SVM)[12,13,19,27,28,33,42,48,59,72]、決策樹(DT)[19,28,35,39,47,59]、K-近鄰(KNN)[12,19,20,28,65,73]、神經(jīng)網(wǎng)絡(luò)(ANN)[12,26,31,36,39～41,48,49,

53,58,61,74,75]、貝葉斯網(wǎng)絡(luò)(BN)[15,28,72]、隨機森林[59,72]、隱馬爾可夫模型[10,16]等，其中支持向量機是跌倒檢測最常用的算法。通過步態(tài)數(shù)據(jù)進行跌倒檢測時，隨機森林是準確性最高的算法，例如Sharif等人[72]將慣性傳感器與機器學(xué)習(xí)算法相結(jié)合來區(qū)分足下垂步態(tài)紊亂和正常行走步態(tài)模式，分別研究隨機森林、支持向量機和樸素貝葉斯分類器的準確率，結(jié)果發(fā)現(xiàn)隨機森林分類器的性能最高，總準確率為93.18%。部分學(xué)者將兩種機器學(xué)習(xí)算法相結(jié)合應(yīng)用到跌倒檢測領(lǐng)域，例如LeMoyne R[49]等人利用可穿戴慣性傳感器數(shù)據(jù)，使用多層感知器和神經(jīng)網(wǎng)絡(luò)作為機器學(xué)習(xí)平臺，對步態(tài)模式進行分類。部分學(xué)者對一些傳統(tǒng)的方法進行改進，將其應(yīng)用在跌倒檢測上，取得了很好的效果。Li Jie[15]等人提出了一種改進的貝葉斯框架的分類器，用于特征選擇和跌倒檢測，提高了原貝葉斯分類器在跌倒檢測方面的準確率。Gao Xueshan[31]等人提出了模糊邏輯增強的自適應(yīng)神經(jīng)網(wǎng)絡(luò)分類器，首先用專家的先驗知識建立模糊規(guī)則，然后用神經(jīng)網(wǎng)絡(luò)驅(qū)動基礎(chǔ)數(shù)據(jù)來確認和優(yōu)化邏輯規(guī)則，并利用了自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)，經(jīng)實驗驗證精確度達到99.8%。還有一部分學(xué)者研究了一些新算法進行跌倒檢測[8,12,13,18,46]，例如趙東輝[18]等人研發(fā)了一種多通道近距離傳感器陣列實時監(jiān)測步態(tài)信息，并融合步行方向意圖向量提出采用步態(tài)偏離度、頻率和軀干傾斜角度作為檢測系統(tǒng)的輸入?yún)?shù)，建立了節(jié)點迭代型模型Petri網(wǎng)系統(tǒng)識別異常步態(tài)，該算法對使用步行康復(fù)機器人過程中異常步態(tài)識別率達到91.2%。本文總結(jié)了跌倒檢測所涉及的人工智能算法并簡述其含義和優(yōu)缺點，如表3所示。

表3 人工智能算法的含義及優(yōu)缺點

3.4 性能評估指標 在跌倒檢測系統(tǒng)中常見的性能評估指標包括敏感性、特異性、準確性等。敏感性指在跌倒的患者中檢測出跌倒的概率，如公式(1)所示；特異性指未跌倒的患者中檢測出未跌倒的概率，如公式(2)所示；準確性指在所有的患者中被正確檢測出的概率，如公式(3)所示。式中的真陽性為正確預(yù)測跌倒患者的數(shù)量即預(yù)測跌倒，實際跌倒；真陰性為正確預(yù)測未跌倒患者的數(shù)量即預(yù)測未跌倒，實際未跌倒；假陽性為錯誤預(yù)測跌倒患者的數(shù)量即預(yù)測跌倒，實際未跌倒；假陰性為錯誤預(yù)測未跌倒患者的數(shù)量即預(yù)測未跌倒，實際跌倒。

4.總結(jié)與展望

基于可穿戴設(shè)備的跌倒檢測系統(tǒng)仍然存在一些挑戰(zhàn)和不足，一是跌倒檢測模型的訓(xùn)練問題。目前大多數(shù)的研究都在固定的場所進行數(shù)據(jù)采集，通過模擬跌倒采集數(shù)據(jù)，而且研究人數(shù)相對較少，數(shù)據(jù)不具有全面性，很多研究都忽略周圍環(huán)境的影響，數(shù)據(jù)準確性低。二是跌倒檢測算法的設(shè)計問題。跌倒檢測設(shè)計的算法多種多樣，不同的傳感器有不同的佩戴位置，不同的采樣率有不同的檢測算法，如何設(shè)計一個能夠適應(yīng)不同數(shù)據(jù)類型的自適應(yīng)跌倒檢測算法，是更加值得思考的問題。本文結(jié)合最新的研究從數(shù)據(jù)的采集、預(yù)處理、跌倒評估方法多方面詳細介紹了可穿戴設(shè)備的跌倒檢測系統(tǒng)的研究現(xiàn)狀和發(fā)展情況。正是因為這些學(xué)術(shù)研究，檢測人體是否發(fā)生跌倒和預(yù)測未來的跌倒風(fēng)險成為現(xiàn)實，正是這些學(xué)術(shù)成果使老年人不用遭受因跌倒發(fā)現(xiàn)不及時帶來的傷痛，使老人晚年生活更幸福。因此，可穿戴跌倒檢測設(shè)備為解決老人跌倒問題做出了巨大的貢獻。