孫濟舟，于大泳

（上海理工大學 機械工程學院，上海 200093）

0 引言

人口老齡化已經(jīng)成為世界各國普遍存在的社會問題，隨著年齡增長，身體機能開始逐步衰退，感官和認知能力逐漸喪失，容易因功能受損造成死亡。據(jù)世界衛(wèi)生組織統(tǒng)計，世界各地每年估計有64.6 萬人因跌倒受傷而死亡，其中65 歲以上的老人占比最大。及時發(fā)現(xiàn)跌倒并提供醫(yī)療救援能控制傷勢進一步發(fā)展，對于老年人的身體健康和生命安全而言，具有重要意義。因此需要在老年人容易跌倒的場所進行準確、有效的跌倒檢測。

由于不同跌倒方式對身體造成的傷害不同。從站立高度跌倒時，若骨盆與地面發(fā)生碰撞，極易造成髖部骨折和脊柱壓縮性骨折。其中，髖部骨折會引起呼吸系統(tǒng)感染、泌尿系統(tǒng)感染、深靜脈血栓、急性腎衰竭等并發(fā)癥從而危及生命。相對于常規(guī)治療，手術(shù)治療能減輕部分并發(fā)癥對傷者的影響，使傷者能更快恢復(fù)活動能力，從而節(jié)省高昂的治療費用并縮短治療周期。老年人在彎曲膝蓋時，容易因肌肉力量退化無法支撐身體而失去平衡，生活中較為常見的有蹲下時跌倒、起身時跌倒等。蹲下時向后跌倒臀部與地面發(fā)生碰撞，髖部骨折的風險較高，而起身時向前跌倒通常膝蓋、大腿、手肘等部位著地，該部位骨折后容易愈合，不會產(chǎn)生直接危及生命的并發(fā)癥，救援緊急程度較低。因此，檢測跌倒的同時，識別跌倒方式有助于確定撞擊部位并估計該部位的受損程度，以此決定是否需要緊急救治。

目前已有多種方法實現(xiàn)跌倒檢測，并能區(qū)分跌倒事件與日?；顒?。當?shù)箼z測系統(tǒng)工作時，通過穿戴式傳感器或環(huán)境傳感器采集被監(jiān)測對象的運動狀態(tài)和生命體征數(shù)據(jù)，然后從數(shù)據(jù)中提取能夠被計算機識別的數(shù)字特征用于判斷是否跌倒。在各種環(huán)境傳感器中，雷達傳感器不會影響用戶日?；顒?，能充分保護用戶的隱私，因此有大量學者深入研究基于雷達傳感器的跌倒檢測方法。

跌倒事件一般具有先突然加速，后緩慢減速的特征。為了能檢測速度的變化特征，通過雷達進行跌倒檢測時，通常要先對原始數(shù)據(jù)進行適當轉(zhuǎn)換和預(yù)處理，然后提取攜帶速度信息的數(shù)字特征。例如通過頻譜圖表示利用短時傅里葉變換、小波變換等方法獲取的雷達接收信號能量在時頻域內(nèi)的分布規(guī)律，然后從圖中提取頻率幅值、頻率比值、持續(xù)時間等特征作為分類算法的輸入，或利用圖像處理技術(shù)將頻譜圖轉(zhuǎn)換為二值圖像或灰度圖像后進行下一步分析。除速度變化外，目標在運動過程中的距離變化也可作為跌倒的判斷依據(jù)，Baird 等利用位置信息實現(xiàn)了人體姿勢分類，但僅限于站立、坐下、躺下三種姿勢，并未涉及跌倒。Sun 等通過快速傅里葉變換獲取目標的距離和角度信息，將其作為跌倒的判斷依據(jù)，但未進行跌倒方式識別。Erol 等綜合考慮了速度和距離信息，使算法辨識效果優(yōu)于將速度作為單一依據(jù)的算法。近年來，各種機器學習方法被廣泛應(yīng)用于動作識別和分類中，決策樹、支持向量機、人工神經(jīng)網(wǎng)絡(luò)等智能算法均能實現(xiàn)跌倒判斷，但并未對跌倒方式進行識別。

由于不同跌倒方式造成的損傷決定了醫(yī)療救援的緊急程度，因此有必要在檢測發(fā)生跌倒事件后，判斷被監(jiān)測對象的跌倒方式，并持續(xù)跟蹤跌倒后的身體活動?；诖耍疚奶岢鲆环N簡單、有效的實時跌倒檢測和跌倒方式識別算法，通過毫米波雷達獲取目標的位置信息，采用平滑濾波算法和分段線性擬合方法處理原始數(shù)據(jù)，綜合考慮人體跌倒時在高度方向和水平方向的位置變化規(guī)律及兩者之間的對應(yīng)關(guān)系，基于多個閾值在檢測到跌倒行為后對跌倒方式進行識別，若發(fā)現(xiàn)目標損傷情況嚴重無法行動，則立即發(fā)出警報。

1 跌倒檢測和跌倒方式識別算法

毫米波雷達通過通用異步收發(fā)傳輸器（Universal Asynchronous Receiver∕Transmitter，UART）將采集的點云數(shù)據(jù)和目標信息輸入計算機進行跌倒檢測。其中，點云數(shù)據(jù)包含所有散射點的位置和速度，目標信息包含被監(jiān)測對象的位置、速度和加速度。為方便描述各散射點和目標的位置信息，建立固連于雷達的坐標系如圖1 所示。其中Z 軸、Y軸分別表示高度方向和水平方向。散射點和目標位置依據(jù)位于原點的距離和角度確定，即由極坐標進行描述，因此需要將散射點和目標坐標由直角坐標轉(zhuǎn)換為極坐標。此外，雷達在安裝時存在一定的俯仰角，需要先對位置向量進行繞X 軸的旋轉(zhuǎn)變換，再將變換后的位置坐標作為跌倒檢測算法的輸入。

Fig.1 Radar coordinate system圖1 雷達坐標系

在實際生活中，老人的行為通常由一系列動作構(gòu)成。為了實現(xiàn)實時監(jiān)測，系統(tǒng)將每秒讀取目標的位置坐標并進行數(shù)據(jù)處理，根據(jù)位置坐標的變化分割動作序列，根據(jù)閾值判斷當前動作是否為跌倒行為，若識別為跌倒行為則進一步判斷跌倒方式，一旦確認目標跌倒且無法行動時，則立即發(fā)出警報；若為非跌倒行為則判斷當前動作屬于何種日常行為。每次判斷后將已記錄的數(shù)據(jù)從緩存中清除，直至被監(jiān)測對象的狀態(tài)趨于穩(wěn)定后開始進行下一個動作判斷。

跌倒檢測和分類的流程如圖2 所示，在開始判斷跌倒行為前，需要通過均值濾波對離散數(shù)據(jù)進行平滑處理并計算目標的靜止時間，當檢測目標倒地一段時間后，對采集的數(shù)據(jù)進行擬合并求解擬合函數(shù)中的待定參數(shù)。

其中，

t

代表時間，

t

、

t

、

t

分別為第一、第二和第三階段的終止時刻，

p

、

p

、

p

分別為

t

、

t

、

t

時刻目標的位置，

k

、

k

分別為第一、第四階段曲線的斜率。

Fig.2 Flow of detection and classification圖2 檢測和分類流程

其中，

s

是第

k

次迭代的試探步長，

Δ

是第

k

次迭代的信賴域半徑。

信賴域反射算法的迭代過程如下：

Step5：調(diào)整信賴域半徑

Δ

求取未知向量

X

后，利用向量參數(shù)計算被監(jiān)測對象在高度、水平方向的平均速度和水平距離變化量，作為后續(xù)檢測和識別的依據(jù)。

（1）跌倒行為檢測：若高度、水平方向的平均速度均超過基礎(chǔ)閾值則判定為跌倒；若其中任意一個方向的平均速度未超出基礎(chǔ)閾值則判定為非跌倒，同時利用水平距離變化量區(qū)分蹲下、躺下、趴下行為。

（2）跌倒方式識別：在檢測跌倒行為后，若位置變化階段內(nèi)出現(xiàn)高度方向的平均速度小于零，水平方向的平均速度約等于零，則判定為蹲下時跌倒；若整個位置的變化階段中高度方向的平均速度均小于零，水平方向平均速度均大于零，則判定為起身時跌倒；若高度方向的平均速度超出進階閾值，則判定為行走時跌倒。

2 實驗和數(shù)據(jù)采集

老年人因身體平衡能力、穩(wěn)定性和協(xié)調(diào)性下降，在家中活動時可能會發(fā)生跌倒，因此有必要在真實居住環(huán)境中進行實驗，室內(nèi)環(huán)境如圖3-圖4 所示。在雷達傳感器的檢測范圍內(nèi)布置座椅、餐桌、櫥柜等家具，實驗針對僅有一位老人在監(jiān)測區(qū)域內(nèi)活動的情形，目的是為了驗證檢測方法能否實時、準確、有效地檢測跌倒，并在此基礎(chǔ)上進一步識別跌倒方式。

Fig.3 Experimental environment圖3 實驗環(huán)境

實驗使用的設(shè)備主要包括：計算機、IWR6843AOP 雷達傳感器、用于安裝固定雷達傳感器的支架、數(shù)據(jù)線和帆布墊。雷達的調(diào)諧頻率為60～64GHz，增益為5dBi，總共有3個發(fā)射天線和4個接收天線，方位面和俯仰面的視野范圍均為±60°，角度分辨率均為29°。為了使雷達檢測范圍盡可能覆蓋被監(jiān)測對象全身，將雷達傳感器的安裝高度調(diào)整至2m 左右，俯仰角約為30°。

Table 1 Experimental actions表1 實驗動作

選擇6 名實驗對象，2 位年輕人和4 位中年人（2 名男性和2 名女性）。設(shè)計實驗動作如表1 所示，除蹲下外所有動作均沿著遠離雷達的方向進行，蹲下、躺下、趴下的高度變化量與跌倒較為相近，而行走時跌倒、蹲下時跌倒、起身時跌倒為常見的跌倒方式。為保證實驗對象的安全，在空曠區(qū)域進行實驗，跌倒過程中身體并未與家具或其他物品發(fā)生碰撞，圖4 為同一實驗對象模仿老人不同跌倒行為時的場景。

3 數(shù)據(jù)處理結(jié)果與分析

圖5-圖7 分別表示同一實驗對象行走時跌倒、蹲下時跌倒和起身時跌倒的實時數(shù)據(jù)和處理結(jié)果，即實時更新的位置坐標隨時間的變化曲線（藍色曲線）和當目標倒地一段時間后繪制的擬合函數(shù)曲線（紅色曲線）（彩圖掃OSID 碼可見，下同）。圖5-圖7 表明信賴域反射算法擬合的結(jié)果能準確顯示目標的運動規(guī)律，通過計算位置變化階段的斜率可取得目標高度、水平方向的平均速度，另外位置恒定階段截距的差值能反映目標位置的變化量。

如圖5-圖7 所示，跌倒相對于蹲下、躺下、趴下等日常行為而言，在高度方向上具有較大的平均速度，因此將高度方向的平均速度是否超出閾值作為判斷跌倒的依據(jù)。實驗結(jié)果表明，部分實驗對象在蹲下時高度方向的平均速度非常接近甚至超過跌倒時的平均速度，這將導(dǎo)致跌倒檢測算法誤判，因此需要綜合考慮高度和水平方向位置的變化。

通常情況下，跌倒時高度方向和水平方向均存在較大的平均速度；躺下或趴下時水平方向的平均速度比跌倒時??；蹲下時水平方向的平均速度比躺下或趴下時小。因此，將高度和水平方向的平均速度同時超出閾值作為判斷跌倒的依據(jù)將更可靠。

Fig.4 Experimental actions圖4 實驗動作

Fig.5 Real-time data recording and processing of falls while walking圖5 行走時跌倒的實時數(shù)據(jù)記錄與處理

Fig.6 Real-time data recording and processing of falls while crouching圖6 蹲下時跌倒的實時數(shù)據(jù)記錄與處理

Fig.7 Real-time data recording and processing of falls while rising圖7 起身時跌倒的實時數(shù)據(jù)記錄與處理

Fig.8 Position change patterns of daily activities圖8 日常活動的位置變化規(guī)律

如圖6 所示，蹲下時跌倒在位置變化階段，存在高度方向平均速度小于零而水平方向平均速度約等于零的區(qū)間。如圖7 所示，起身時跌倒在位置變化階段內(nèi)高度方向平均速度始終小于零，而水平方向平均速度始終大于零。通過實驗驗證綜合考慮跌倒時人體在高度和水平方向的運動可更好識別跌倒方式。

圖8 顯示了同一實驗對象從站立狀態(tài)蹲下、躺下、趴下時高度和水平方向位置坐標的變化規(guī)律，其中灰色圓點代表雷達由UART 接口傳送到計算機的初始數(shù)據(jù)，藍色曲線代表平滑濾波后的數(shù)據(jù)，紅色曲線代表分段線性擬合后的數(shù)據(jù)。由圖8 可見，蹲下、躺下、趴下在高度方向上的位置變化規(guī)律非常接近，但蹲下時的最大水平距離變化量明顯小于躺下或趴下，因此可依據(jù)水平距離變化量識別蹲下行為。

抽取60%的樣本數(shù)據(jù)用于確定高度方向和水平方向平均速度的基礎(chǔ)閾值，在0～1 范圍內(nèi)以0.01 的步長進行遍歷，使平均速度高于閾值的跌倒樣本數(shù)與平均速度低于閾值的非跌倒樣本數(shù)之和最大，余下樣本將用于檢驗跌倒檢測算法的準確性和有效性。

Fig.9 Sample data圖9 樣本數(shù)據(jù)

同理可確定平均速度進階閾值和水平距離變化量閾值，如圖9 所示。實驗表明，當僅以高度方向的平均速度超出閾值作為判斷依據(jù)時，檢測準確率為80.8%；當以高度方向和水平方向的平均速度同時超出閾值作為判斷依據(jù)時，檢測準確率為95.4%。

如圖10 所示，混淆矩陣清晰、直觀地反映了跌倒檢測算法分類的準確性。其中，類別1～3 分別為行走時跌倒、蹲下時跌倒和起身時跌倒，類別4 為蹲下，類別5 為躺下和趴下。當僅考慮高度方向平均速度時，行走時跌倒檢測率為100%；由于蹲下時跌倒和起身時跌倒的平均速度較接近，因此分類效果較差，準確率分別為50%與45%。當同時考慮高度方向和水平方向的平均速度及水平距離變化量時，行走時跌倒檢測率為100%；蹲下時跌倒和起身時跌倒的分類效果顯著提高，準確率分別為85.71%與80%，但仍可能被誤認為躺下或趴下，同理躺下或趴下也可能被誤認為蹲下時跌倒或起身時跌倒，但日?；顒颖徽`認為跌倒的可能性明顯降低。相對于單獨考慮高度變化的判斷方法，綜合考慮被監(jiān)測對象高度方向和水平方向的平均速度及水平距離變化量，使跌倒檢測和跌倒識別的準確率分別提升14.6%與23.5%。

Fig.10 Confusion matrices of classification algorithms圖10 分類算法的混淆矩陣

4 結(jié)語

本文提出的跌倒檢測和跌倒方式識別方法簡單有效，通過提取位移和平均速度等特征作為分類依據(jù)，可有效區(qū)分高度變化和跌倒相近的日?；顒优c跌倒事件，減少了誤判，在一定程度上避免了醫(yī)療資源的浪費。而且，本文方法能在發(fā)生跌倒事件時進一步識別被監(jiān)測對象的跌倒方式，有助于判斷跌倒時身體的撞擊部位和損傷程度。在本文涉及的跌倒方式中行走時跌倒造成的損傷最嚴重，該類樣本被100%識別，即在最需要緊急救治的情況下，不會發(fā)生誤判或漏判。

由于實驗過程中充分考慮了實驗對象的安全，所有實驗動作均在空曠區(qū)域?qū)崿F(xiàn)，未涉及與環(huán)境中其他物體發(fā)生碰撞的情況，然而在真實的跌倒過程中人處于失控狀態(tài)，極可能與其他物體發(fā)生碰撞而產(chǎn)生不規(guī)則運動，因此需要進行特殊實驗，未來將在后續(xù)研究中仔細探究其對檢測效果的影響。此外，還將設(shè)計更多高度方向平均速度與跌倒相近的實驗動作以測試分類算法的可靠性。