余維維 姚 俊 牛同鋒 屈 純 高夢婷

（1.湖北航天化學技術研究所 襄陽 441003）（2.航天化學動力技術重點實驗室 襄陽 441003）（3.湖北省應急救生與安全防護重點實驗室 襄陽 441003）

1 引言

跌倒是老年人傷殘、失能和死亡的主要原因，且是65歲以上老人死亡的首因［1］。截止2018年末，我國60歲以上老年人口達24949萬人，占總?cè)丝诘?7.9%［2］。為保障老人健康，針對老人，尤其是獨居老人，作跌倒安全防護成為迫切需求。

傳統(tǒng)的跌倒識別［3～5］是一種跌倒事后檢測，以自動向監(jiān)護人報警為目的，雖可減少傷者送醫(yī)時間，但不能防止或減輕跌倒傷害。類似于車載安全氣囊，跌倒防護氣囊可在發(fā)生跌倒碰撞前預先識別，并通過氣體發(fā)生器快速產(chǎn)生氣體充滿氣囊，防止跌倒對老人髖關節(jié)和后腦造成嚴重傷害。慣性傳感器（加速度計和/或陀螺儀）體積小，價格便宜，對穿戴者影響小，適合應用于穿戴式跌倒防護設備［6］。國內(nèi)外學者基于此提出了多種跌倒預先識別方法。Tamura［7］等通過直接設定傳感器輸出的加速度和角速度閾值實現(xiàn)跌倒預先識別和氣囊防護，但準確率只有81.8%。為提高準確率，更多研究者通過提取特征后再進行識別。鐘志超［8］通過豎直方向的速度和位移特征設定閾值，取得了94.4%的準確率，但在跳躍和下蹲時存在誤報；Ahn［9］等通過提取合加速度、合角速度、傾角等特征設置聯(lián)合閾值，取得了100%的敏感度，但特異度只有83.9%。Shi［10］等利用SVM二分類實現(xiàn)跌倒預先識別和氣囊防護系統(tǒng)的設計，但沒有考慮防護氣囊實際應用時，跌倒方向的識別問題。跌倒防護主要是針對側(cè)向和后向的跌倒，對于前向跌倒和日?；顒?，若氣囊展開，會導致浪費氣體發(fā)生器和給穿戴者造成不便等問題，這嚴重影響產(chǎn)品的適用性，使其長期停滯在實驗研究階段。因此，識別跌倒方向和保證高準確率對跌倒防護產(chǎn)品尤為重要。

針對閾值法預先識別跌倒準確率不夠高，SVM二分類不能識別跌倒方向，難以滿足跌倒防護產(chǎn)品的適用性要求，本文提出一種結合閾值和SVM多分類的跌倒預先識別方法。

2 數(shù)據(jù)采集和特征提取

2.1 數(shù)據(jù)采集

跌倒數(shù)據(jù)采集系統(tǒng)主要由MEMS傳感器（ICM20689）、微控制器（STM32F410）、供電單元（3.7V鋰電池）和存儲單元組成。為獲取較穩(wěn)定的動作數(shù)據(jù)，同時減少對人體活動的影響，本文將數(shù)據(jù)采集模塊固定于志愿者的腰部。數(shù)據(jù)采集系統(tǒng)及載體坐標系方向如圖1所示。

圖1 數(shù)據(jù)采集系統(tǒng)及載體坐標系方向

傳感器ICM20689含加速度計、陀螺儀和DMP，加速度計輸出三軸加速度：ax，ay，az；陀螺儀輸出三軸角速度：wx，wy，wz；DMP輸出實時規(guī)范化四元數(shù)：q0，q1，q2，q3。采樣頻率為200Hz，根據(jù)數(shù)據(jù)幅值，加速度計和陀螺儀設定測量范圍：±4g（g=9.8m/s2），±250°/s。

因老人采集跌倒數(shù)據(jù)存在危險性，由12名身體無平衡障礙疾病的志愿者模擬老人動作采集，其中跌倒動作的模擬是志愿者站立于易滑動的工裝上，由輔助人員拉動工裝使志愿者失衡跌倒在約20cm厚的護墊上。采集過程如圖2所示。

圖2 數(shù)據(jù)提取過程

樣本動作類型及說明如表1所示，累計獲得樣本375份，其中日常動作231份，跌倒144份。

表1 動作類型及說明

2.2 特征提取

人體活動的頻率基本不超過20Hz，98%的人體活動頻率不會超過10Hz［11］。為降低噪聲信號干擾，在所有樣本數(shù)據(jù)采集完成后，通過截止頻率為8Hz的Butterworth濾波處理消除原始信號的高頻分量來平滑數(shù)據(jù)。

人體在跌倒前出現(xiàn)失重和傾斜是最明顯的特征。合加速度和合角速度可反映人體當前活動劇烈程度，姿態(tài)角可反映人體當前活動偏移正常姿態(tài)的程度。但人體轉(zhuǎn)彎時，wy的變化會對識別造成干擾，故只提取水平合角速度，姿態(tài)角只提取橫滾角（roll）和俯仰角（pitch）。

由于人體傳感器輸出的數(shù)據(jù)是基于載體坐標系的，要獲得人體姿態(tài)角，需要經(jīng)姿態(tài)解算將載體坐標系下的數(shù)據(jù)轉(zhuǎn)換到導航坐標系下［12］。姿態(tài)轉(zhuǎn)換矩陣為

由姿態(tài)轉(zhuǎn)換矩陣，根據(jù)式（3）和式（4）可求得各時刻的姿態(tài)角，其中橫滾角還需根據(jù)表2取真值。

表2 橫滾角真值表

以部分日常動作和跌倒動作為代表，提取特征的數(shù)據(jù)曲線如圖3所示。圖3中跌倒和日常動作曲線的特征變化差異明顯，說明提取的特征用于跌倒預先識別有效。圖3（c）和3（d）不同方向跌倒動作的姿態(tài)角變化明顯不同，說明利用SVM多分類來識別跌倒方向可行。

圖3 部分動作的特征曲線

3 方法

3.1 疑似跌倒預先識別方法

人體跌倒觸地前身體會有跌倒趨勢，提取的特征會達到某個閾值，而日常動作通常只是部分特征值達到閾值，故可通過設置閾值初步預先識別跌倒和日常動作。如圖3（a）坐下起立會出現(xiàn)類似跌倒的明顯失重（小于0.7g），但水平合角速度和傾角變化卻很小；圖3（b）彎腰階段的角度和角速度都比較類似前向跌倒，但合加速度沒有明顯失重（小于0.7g）。根據(jù)跌倒觸地碰撞前的特征變化范圍和日常動作的特征變化范圍，本文設置的特征閾值如表3所示。

表3 疑似跌倒檢測設定的閾值

樣本通過閾值檢測的條件如下：

1）合加速度小于閾值：a(t)

2）水平合角速度大于閾值：w(t)>Wth；

若樣本在某時刻同時滿足三個閾值條件，則判定為疑似跌倒。

跌倒防護產(chǎn)品最重要的是不會漏報跌倒，為保證所有的跌倒動作通過檢測，表3設置的閾值偏低，會導致誤報率上升，需通過SVM分類器進行復檢。

3.2 跌倒預先識別復檢方法

3.2.1 構建SVM分類特征向量

為提升預先識別準確率，通過定長時間窗提取連續(xù)數(shù)據(jù)流構建分類特征向量用于SVM分類。窗口長度會直接影響算法識別性能，而前置時間決定了防護氣囊能否在跌倒碰撞前充氣展開，Aziz［13］等具體研究了窗口長度和前置時間對SVM方法預先識別跌倒的影響效果。本文預定的前置時間為200ms～300ms，根據(jù)文獻［13］的研究結果取窗口長度0.2s，對訓練集的跌倒樣本根據(jù)前置時間取失重段的數(shù)據(jù)流構建分類特征向量，如圖4所示。日常動作樣本不存在前置時間，則以同樣長度的時間窗提取其類似跌倒過程的數(shù)據(jù)流構建分類特征向量，目的是通過易導致誤報的數(shù)據(jù)來訓練分類器，降低誤報率。

時間窗口數(shù)據(jù)記為[Fi-n+1，…，F(xiàn)i-1，F(xiàn)i]，式中Fi為第i次采樣的特征值。對窗口內(nèi)的合加速度、水平合角速度、橫滾角、俯仰角分別求均值、范圍、方差，構建樣本的分類特征向量[x1，…，x12]。

將構建的分類特征向量根據(jù)樣本類別手動添加標簽：日常動作為｛-1｝，前、后、左、右方向跌倒分別為｛0，1，2，3｝，用于后續(xù)SVM分類器的訓練及測試結果的正確率統(tǒng)計。

3.2.2 構建SVM多分類器

跌倒樣本是非線性可分的，設有兩類訓練樣本集：(xi，yi)，式中xi為樣本特征向量，yi∈{+1，-1}，i=1，…，l，l為樣本個數(shù)。SVM處理非線性二分類問題主要原理［14］簡述如下：通過核函數(shù)K(xi，xj)將輸入的特征向量映射到高維空間，并求解最優(yōu)分類超平面使不同樣本分類間隔最大化。最優(yōu)分類面的求解，可歸為求解優(yōu)化問題：

將預處理后的樣本特征向量代入決策函數(shù)計算，即可獲得樣本預測類別。但以上SVM二分類僅可識別跌倒和日常動作，不能實現(xiàn)多分類，通過“一對一”方式構造SVM多分類器，并采用“最多獲勝投票法”（Max-Wins Voting）給出最終決策值。算法原理圖如圖5。

3.2.3 SVM多分類器參數(shù)尋優(yōu)

碧流河水庫配有主空氣壓縮機2臺，其中一臺作為備用；副空氣壓縮機1臺，其工作狀態(tài)為間歇式，即在主空氣壓縮機停止輸氣時，由副空氣壓縮機（氣泵）向管內(nèi)補充氣壓，使系統(tǒng)內(nèi)氣壓保持在0.01～0.05 MPa之間，確保管路系統(tǒng)始終處于有壓狀態(tài)，以防止管內(nèi)產(chǎn)生冰阻現(xiàn)象。還需設置儲氣罐1個，起到緩沖氣壓作用；氣液分離器1個，起到凈化空氣作用。

SVM分類的效果主要決定于懲罰因子C和核函數(shù)參數(shù)γ［15］。然而隨機參數(shù)值不能保證SVM的識別效果，采用網(wǎng)格搜索再交叉驗證的方法對參數(shù)C和γ進行尋優(yōu)。具體步驟如下。

1）選取訓練集：將預處理后的各類跌倒動作和日常動作樣本分別取50%用于訓練。

2）設置參數(shù)的搜索范圍和步長。范圍設置：C∈[2-10，210]，γ∈[2-10，210]；步 長 設 置：C_step=0.4，γ_step=0.4。

3）對訓練集采用5重交叉驗證，并計算分類正確率，求得最高分類準確率對應的參數(shù)對[Cbest，γbest]，并將其作為SVM多分類器的參數(shù)，用于測試集樣本。

3.3 小結

本文預先識別方法的流程如圖6所示，先對樣本數(shù)據(jù)濾波并提取特征，若樣本通過閾值檢測被判定疑似跌倒，則從該時刻開始，調(diào)用已訓練的SVM多分類器對樣本進行復檢，降低誤報并識別跌倒方向。并且疑似跌倒時才調(diào)用SVM算法，避免了不間斷地調(diào)用滑動窗口進行運算，可降低單片機功耗。

圖6 預先識別方法流程圖

跌倒防護系統(tǒng)根據(jù)預測的樣本類別（SVM輸出的決策值：-1，0，1，2，3）作相應反饋，實現(xiàn)側(cè)向和后向跌倒才觸發(fā)氣囊，前向跌倒僅發(fā)出報警，提升跌倒防護產(chǎn)品適用性。

4 結果及討論

為了驗證方法的有效性，取訓練SVM分類器余下的50%樣本（72個跌倒和115個非跌倒）用于測試實驗。測試集樣本的識別結果如圖7所示。

圖7 測試集識別結果

前置時間統(tǒng)計結果（不含被誤報的兩個非跌倒樣本數(shù)據(jù)）如表4所示。

表4 各類型跌倒識別的前置時間

為量化評價算法的識別效果，引入準確率（AC）、敏感度（SE）和特異度（SP）作為評估標準［9］。

式中：TP表示跌倒被正確識別，F(xiàn)N表示跌倒被誤判，TN表示日常動作被正確識別，F(xiàn)P表示日常動作被誤判。根據(jù)測試集識別結果按式（8）計算評估標準，并和相關文獻的方法比較，結果如表5。

表5 本文和相關文獻方法性能比較

根據(jù)測試結果，通過分析和對比可以發(fā)現(xiàn)：從圖7可看出測試集中所有跌倒樣本及13個非跌倒樣本通過了疑似跌倒檢測，說明設置的閾值可保證對跌倒行為無漏報，但存在較高誤報。SVM多分類對誤報的13個日常樣本修正了11個，僅剩兩個樣本仍被誤判為前向跌倒，說明二級檢測可有效降低誤報。SVM多分類對跌倒動作沒有誤判，說明該方法對跌倒動作及其方向的判別有效。從表5來看，相較于文獻［8］和文獻［9］方法，本文在準確率和特異度上都有明顯提升，降低了誤報率，但前置時間分別延遲了108ms和171ms；常溫狀態(tài)下，目前的氣體發(fā)生器技術在120ms左右即可充滿容積10L的防護氣囊，方法平均前置時間為256ms，實時性可以滿足要求。

5 結語

實驗結果證明：本文方法可提前256ms較準確地識別跌倒行為及其方向。該方法兼具跌倒方向識別、高準確率和低功耗的特點，可提升跌倒防護產(chǎn)品的適用性，具有較好的應用前景。接下來的工作是將方法移植到嵌入式系統(tǒng)，結合快速充氣、防護氣囊等模塊實現(xiàn)跌倒預先識別和防護。