王 宇， 周 迎， 王靈靈， 彭小英

(華中科技大學 a. 土木與水利工程學院; b. 國家數(shù)字建造技術(shù)創(chuàng)新中心， 湖北 武漢 430074)

隨著人口老齡化程度的加劇，“空巢老人”居家安全問題成為當下社會關(guān)注的重點。伴隨著年齡的增長，老年人的身體機能逐漸退化，遭受疾病或意外傷害的風險也隨之提高。調(diào)查顯示，跌倒、碰撞等異常行為是老人在室內(nèi)環(huán)境下所受意外傷害的主要類型(80%)，也是其因傷致死的重要原因[1]。因此，開發(fā)室內(nèi)環(huán)境下的異常行為檢測技術(shù)，降低意外傷害對老年人健康的威脅，有助于解決當前社會的養(yǎng)老困境。

現(xiàn)有的檢測技術(shù)，根據(jù)檢測設(shè)備的不同，分為可穿戴式、基于計算機視覺和基于環(huán)境布設(shè)式三類[2]?；诳纱┐髟O(shè)備的檢測技術(shù)通常是將傳感器嵌入衣物或隨身攜帶，采集用戶的運動數(shù)據(jù)，實現(xiàn)對跌倒的檢測。通過加速度計、陀螺儀以及磁力計等傳感器收集佩戴者的身體姿態(tài)信息，檢測是否跌倒[3～7]?；谟嬎銠C視覺的檢測技術(shù)則是使用攝像頭對用戶進行全方位監(jiān)測，從圖像中提取行為特征，實現(xiàn)對跌倒的檢測[8]。主要通過矩形框法[9]、3D橢圓體擬合法[10]以及Kinect[11]等獲取人體的運動信息，包括身體姿態(tài)、頭部運動軌跡等，并采用K近鄰(K-Nearest Neighbor,K-NN)[12]、支持向量機(Support Vector Machine,SVM)[13]、隱馬爾可夫模型(Hidden Markov Model,HMM)[13]以及卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)[14]等機器學習算法構(gòu)建檢測模型，識別跌倒行為?？纱┐髟O(shè)備分類精度高，檢測效果好，但需隨身攜帶，否則易造成數(shù)據(jù)的遺漏。同時，侵入性的檢測影響日常生活，老人對其接受度不高[15]?；谟嬎銠C視覺的檢測技術(shù)起步早，研究成果多，但由于該設(shè)備涉及用戶的隱私，不宜在臥室、衛(wèi)生間等私密空間安裝，缺乏一定的適用性。

相比之下，環(huán)境傳感器不受隱私和佩戴限制，對老人的日?；顒佑绊戄^小。目前已有研究將聲音傳感器、光纖傳感器、RFID(Radio Frequency Identification)等環(huán)境傳感器用于異常行為檢測，但這些方法改造安裝成本高且易受環(huán)境影響，系統(tǒng)檢測精度低。例如，基于紅外陣列傳感器檢測人體狀態(tài)，并結(jié)合強分類器隨機森林算法RF(Random Forest)，實現(xiàn)跌倒的實時監(jiān)測[16]。

綜合考慮老人的接受程度和對生活的干預程度，確保檢測的準確率，本文采用基于環(huán)境布設(shè)傳感器技術(shù)，提出在地毯內(nèi)嵌入壓力傳感器，并在指定位置鋪設(shè)，實現(xiàn)對行為數(shù)據(jù)的采集。此外，當前研究大多把側(cè)重點放在跌倒動作的識別上，而忽略了老人步態(tài)特征這一關(guān)鍵指標。研究表明，步態(tài)異常通常伴隨著跌倒風險的增加[17]，監(jiān)測和分析老年人的步態(tài)特征，有助于及時發(fā)現(xiàn)其異常行為。步態(tài)特征與心力衰竭、認知障礙等多種慢性疾病都有很強的相關(guān)性[18～20]，長期的步態(tài)統(tǒng)計也可以作為一些慢性疾病早期出現(xiàn)的評估依據(jù)。

本研究提出并設(shè)計了一種基于多個壓力傳感器進行室內(nèi)老年人的跌倒檢測和步態(tài)參數(shù)采集的方法和系統(tǒng)實施方案。采用拼接方式將柔性壓力傳感器內(nèi)嵌于地毯之中，同時連接多路復用器和單片機，并在指定區(qū)域布設(shè)，以對行為數(shù)據(jù)進行收集，再通過構(gòu)建支持向量機(SVM)模型最終實現(xiàn)跌倒檢測和步態(tài)參數(shù)獲取。在減少生活干預的同時，確保老人的異常狀態(tài)能夠及時被發(fā)現(xiàn)，構(gòu)建智能、健康的住宅環(huán)境，提高老年人居家生活的安全性和舒適度。

1 異常行為檢測系統(tǒng)的設(shè)計

1.1 系統(tǒng)框架研究

在老人監(jiān)護領(lǐng)域，對老年人日?；顒又械漠惓Ｐ袨檫€沒有嚴格的定義，針對監(jiān)護技術(shù)和設(shè)備的不同，異常行為主要包括突然跌倒，生理參數(shù)不符合標準閾值，長時間駐留異常，活動量異常等[21]。

其中，跌倒是導致老年人傷殘甚至死亡的重要原因。跌倒在我國老年人中的發(fā)生率高，后果嚴重，如果得不到及時救治，極易造成老年人不同程度的傷殘，甚至會危及生命，不僅嚴重影響了老年人的生活質(zhì)量，同時還會給家庭和社會帶來沉重的醫(yī)療負擔。據(jù)統(tǒng)計，我國老年人每年因為跌倒的直接醫(yī)療費用超過50億元[22]。

此外，步態(tài)異常是老年人跌倒常見的危險因素[23]，步長和步速的異常減小通常預示著跌倒風險的增加[24]。收集步態(tài)參數(shù)有利于觀察步態(tài)特征，通過步態(tài)參數(shù)變化趨勢來反映老人步態(tài)的穩(wěn)定性，并根據(jù)步態(tài)異常程度評估老人跌倒的風險，為獨居老人跌倒行為的發(fā)現(xiàn)和預測提供依據(jù)。

考慮到跌倒行為的危害性和步態(tài)參數(shù)的重要性，本研究提出的異常行為檢測系統(tǒng)，將老人在室內(nèi)環(huán)境下突然跌倒的行為判定為異常行為，同時收集步態(tài)參數(shù)作為發(fā)現(xiàn)和預測異常行為的補充。

因此，為了檢測室內(nèi)環(huán)境下老人的異常行為，系統(tǒng)應具有以下功能：

(1)跌倒的識別和預警：對室內(nèi)環(huán)境下老年人的行為活動進行跟蹤和識別，當老人跌倒時，系統(tǒng)會立即提醒用戶。

(2)步態(tài)參數(shù)的計算與存儲：當判定老人處于行走狀態(tài)時，系統(tǒng)會根據(jù)預設(shè)的規(guī)則計算相應的步態(tài)參數(shù)并保存，用于健康狀態(tài)的評估。

(3)檢測過程的可視化：讓監(jiān)護人更加清楚、直觀地了解老人在室內(nèi)的活動情況。

(4)數(shù)據(jù)的自動化收集：面向老年人每天大量的行為活動所產(chǎn)生的數(shù)據(jù)，系統(tǒng)應具備信息的自動收集功能，確保信息的即時性和識別的準確性。

圖1是系統(tǒng)的體系架構(gòu)，由數(shù)據(jù)采集、數(shù)據(jù)分析、結(jié)果顯示三部分組成。根據(jù)相關(guān)文獻以及人體的活動軌跡，室內(nèi)環(huán)境下老年人的主要活動區(qū)域包括臥室、客廳和衛(wèi)生間、廚房[25]。同時，數(shù)據(jù)表明，老人日常生活中在衛(wèi)生間跌倒的次數(shù)最多，床邊跌倒次數(shù)次之[25]。本文采用基于環(huán)境布設(shè)傳感器的技術(shù)，將壓力傳感器嵌入地毯，并鋪設(shè)在客廳、臥室、衛(wèi)生間、廚房各區(qū)域易發(fā)生跌倒的位置，如客廳中間、臥室床邊、衛(wèi)生間淋浴區(qū)以及洗碗池旁，獲取跌倒和姿態(tài)數(shù)據(jù)?？紤]到地毯在衛(wèi)生間的適用性，事先用薄膜對其進行包裹處理，起到防水的效果。使用支持向量機算法構(gòu)建跌倒檢測模型，識別站立、行走和跌倒等行為，并根據(jù)傳感器的布置區(qū)域建立對應坐標系，通過已知坐標位置確定步態(tài)參數(shù)的計算規(guī)則，收集老人的步態(tài)信息。

圖1 體系架構(gòu)

1.2 行為數(shù)據(jù)采集

行為數(shù)據(jù)采集模塊旨在獲取老人在室內(nèi)環(huán)境下的行為數(shù)據(jù)，為系統(tǒng)判定規(guī)則和計算規(guī)則的確定提供樣本集。采集模塊由壓力感知模塊、數(shù)據(jù)獲取模塊和數(shù)據(jù)傳輸模塊三部分組成，如圖2所示。

圖2 行為數(shù)據(jù)采集模塊硬件架構(gòu)

(1)壓力感知模塊

壓力感知模塊由3塊柔性壓力傳感器縱向拼接組成，傳感面積為3×400 mm×400 mm，傳感幅面上分布3×32×32共3072個獨立感應單元，傳感器結(jié)構(gòu)如圖3所示。本系統(tǒng)通過將傳感器嵌入地毯，并布設(shè)在室內(nèi)指定位置，以實現(xiàn)對人體壓力的感知。受力時，傳感單元的電阻會隨壓力的增大而減小，二者之間呈冪函數(shù)關(guān)系。

圖3 柔性壓力傳感器結(jié)構(gòu)/mm

(2)數(shù)據(jù)獲取模塊

采集模塊通過多路復用器控制模擬通道實現(xiàn)行列掃描。從左上角開始，通過分壓電路將位于第x行y列感應單元的電阻值轉(zhuǎn)化為可識別的電壓信號，再經(jīng)過單片機的模數(shù)變換和數(shù)值換算即可得該點的壓力值，并通過變換通道采集傳感器上的所有數(shù)據(jù)。

(3)數(shù)據(jù)傳輸模塊

經(jīng)過模數(shù)轉(zhuǎn)換和數(shù)值換算可得各傳感單元的壓力值，將其傳輸給上位機，實現(xiàn)單片機與電腦的信息交互。

壓力感知模塊的3塊傳感器均按照32×32進行行列掃描，因此單片機傳輸?shù)絇C端的數(shù)據(jù)將是一個96×32的二維數(shù)組。然后，對數(shù)據(jù)進行可視化處理，根據(jù)感應單元所受力的大小，由藍到紅呈現(xiàn)不同的顏色，將壓力數(shù)值轉(zhuǎn)化為更加直觀的壓力圖像。圖4是對感知模塊進行壓力測試時獲得的圖像，其中圖4a是無外力作用時傳感器的壓力圖像，圖4b顯示了人體的站立位置和腳部輪廓。

圖4 壓力圖像

1.3 行為狀態(tài)分析

當采集模塊獲取老人的行為數(shù)據(jù)后，系統(tǒng)會根據(jù)預設(shè)的規(guī)則對其進行行為狀態(tài)的分析。該過程分兩步，跌倒判別和步態(tài)參數(shù)計算?；赟VM的行為檢測模型被用于識別老人的行為類別，并判別是否跌倒；同時，通過傳感網(wǎng)絡(luò)坐標系統(tǒng)的建立，進行步態(tài)參數(shù)的計算和步態(tài)特征的提取。

1.3.1 基于SVM的跌倒檢測模型

進行跌倒判別，首先需要構(gòu)建跌倒監(jiān)測模型。根據(jù)系統(tǒng)的功能要求，選擇常見行為行走、站立、坐著和跌倒，作為SVM模型的輸出變量。其中“坐下”指老年人自然屈膝坐在地毯上休息，該姿勢與老年人跌倒時的壓力狀態(tài)特征具有一定相似度，需要與跌倒行為進行區(qū)分，其發(fā)生通常不判定為意外跌倒，不會進行提醒。圖5為傳感器布設(shè)完成后，在不同行為下進行壓力測試的圖像，紅色矩形框表示包圍受力傳感單元的連接區(qū)域?？芍?，不同行為矩形框的屬性也各不相同。行走的壓力傳感單元個數(shù)最少，跌倒狀態(tài)下最多且集中，因此構(gòu)成的矩形框面積較大。

圖5 不同行為下的壓力圖像

本文將建立SVM分類模型，用于識別老年人的異常行為，圖6是基于SVM構(gòu)建跌倒檢測模型的過程。

圖6 基于SVM的跌倒檢測模型構(gòu)建流程

(1)樣本數(shù)據(jù)的處理

根據(jù)不同行為下傳感器受力的不同，對受力傳感單元所構(gòu)成的矩形框進行特征提取，并選定以下四個指標作為SVM模型的特征變量：受壓的傳感單元個數(shù)N、矩形框的面積S、框內(nèi)受力傳感單元的覆蓋率E、邊長比R。由于各特征值的單位不一，為了減少訓練時間，提升模型的穩(wěn)定性，本文采用離差標準化方法對樣本數(shù)據(jù)進行歸一化處理，使其數(shù)值都處于[0,1]之間。同時，根據(jù)老人的行為類型，確定模型的輸出變量分別為：站立1、坐下2、行走3、跌倒4。

(2)SVM分類模型的構(gòu)建

由于本文特征量較少，訓練樣本適中，因此選用高斯核函數(shù)，并采用K折交叉檢驗法優(yōu)化確定懲罰因子C和核函數(shù)參數(shù)g。

不敏感系數(shù)ε與訓練集的樣本數(shù)量n有關(guān)，對于小樣本數(shù)據(jù)，ε的取值見式(1)，其中σ是樣本的標準差：

(1)

(3)SVM模型訓練和測試

模型訓練即通過算法得到適用于樣本數(shù)據(jù)最佳分類的規(guī)則方程，模型測試是對于其分類或預測能力的檢驗。

跌倒檢測模型的性能評價指標包括虛警率Pfalse、漏檢率Pmissed和正確率Paccuracy，相關(guān)指標計算見式(2)～(4)：

(2)

(3)

(4)

式中：TP為實際跌倒判定為跌倒的樣本數(shù)；FP為實際跌倒判定為非跌倒的樣本數(shù)；TN為實際非跌倒判定為非跌倒的樣本數(shù)；FN為實際非跌倒判定為跌倒的樣本數(shù)。虛警率和漏檢率越低，正確率越高，模型的性能越好。

1.3.2 步態(tài)參數(shù)的計算

計算步態(tài)參數(shù)，需要先確定其計算規(guī)則。根據(jù)系統(tǒng)行為數(shù)據(jù)采集的實現(xiàn)方式，本研究步態(tài)參數(shù)主要選用步長和步寬兩個指標。

在行走狀態(tài)分析階段，SVM模型首先會對老人的行為類型進行判斷，當判定為行走時，系統(tǒng)會根據(jù)其位置還原移動軌跡，并參照軌跡計算步長和步寬，如圖7所示。

圖7 步態(tài)參數(shù)計算思路

移動軌跡的本質(zhì)是根據(jù)用戶行進的時間順序，連接其途經(jīng)關(guān)鍵點形成的線路，即確定移動軌跡的關(guān)鍵就是獲取人體的實時位置。時間數(shù)據(jù)可以通過上位機獲取，而位置信息，本研究提出在傳感器的布置區(qū)域建立地面坐標系，如圖8所示。

圖8 地面?zhèn)鞲凶鴺讼?/p>

當老人在嵌有傳感器的地毯上行走時，傳感單元可以感知到壓力的變化，根據(jù)相鄰兩組壓力圖像確定步行關(guān)鍵點，即可繪制移動軌跡，圖9是行走狀態(tài)下的壓力圖像。

圖9 行走狀態(tài)下的壓力圖像

繪制移動軌跡，最重要的是關(guān)鍵點的選擇，由于步寬和步長的測量基準點都是腳跟，因此選擇矩形框的下邊界中點作為步行關(guān)鍵點，得到移動軌跡如圖10所示。

圖10 移動軌跡

根據(jù)相鄰兩個關(guān)鍵點的坐標即可求出步長和步寬。設(shè)第1個關(guān)鍵點坐標為c1(x1,y1)，第2個步行關(guān)鍵點坐標為c2(x2,y2)，步長L和步寬W的計算見式(5)：

(5)

其中，關(guān)鍵點的坐標表示傳感單元所在的行列位置，因此計算步寬和步長時需引入距離系數(shù)11.5(傳感單元邊長8.5 mm，布置間距3 mm)。

1.4 異常行為檢測流程

本系統(tǒng)通過柔性壓力傳感器獲取老人的行為數(shù)據(jù)，再利用SVM模型和地面?zhèn)鞲凶鴺讼祵ζ湫袨闋顟B(tài)進行分析。系統(tǒng)運行流程如圖11所示。

圖11 檢測系統(tǒng)運行流程

2 異常行為檢測系統(tǒng)的應用

2.1 模型訓練

出于安全考慮，本實驗參考已有跌倒檢測的研究[26～28]，選取了10名青年志愿者作為實驗對象來模擬老人完成相應動作，以獲取行為數(shù)據(jù)。實驗中設(shè)計了站立、坐下、行走以及向前、向后和側(cè)向跌倒等動作，為了更真實的模擬老年人的姿態(tài)，通過讓測試對象佩戴護具、頭盔、沙袋，充分還原老年人四肢僵硬、行動遲緩、視聽能力退化的狀態(tài)[29～31]。

行為數(shù)據(jù)集包含跌倒行為和正常行為，跌倒分為向前、向后、側(cè)向跌倒三種，正常行為包括行走、站立和坐著。在數(shù)據(jù)采集過程中，10名志愿者按照特定姿態(tài)依次完成相應動作，經(jīng)處理后得到362組樣本數(shù)據(jù)，分類詳情如表1,2所示。

表1 跌倒數(shù)據(jù)集分類

表2 正常行為數(shù)據(jù)集分類

根據(jù)1.3.1中確定的指標，壓力數(shù)據(jù)通過matlab可視化處理生成壓力圖像，并提取矩形框的特征值構(gòu)成樣本數(shù)據(jù)值，表3是不同行為數(shù)據(jù)集對應的平均特征值。

表3 數(shù)據(jù)集平均特征值

用所得樣本數(shù)據(jù)訓練SVM模型，其中，k值最小取為2，最大不超過10。設(shè)置初始參數(shù)C=1,g=0，k=2，得到圖12不同C和g下交叉驗證準確率。當k值取4時，系統(tǒng)具有較好的運行速度和分類準確率。最終確定最優(yōu)的C，g取值為1.741,0.871，計算出不敏感系數(shù)ε=0.104。

圖12 不同C和g下交叉驗證準確率

確定最優(yōu)參數(shù)后，將其代入程序得到最終的檢測模型。

2.2 系統(tǒng)實施

本研究在華中科技大學一實驗樓內(nèi)搭建實驗環(huán)境，如圖13所示，在很大程度上對家居環(huán)境進行了還原，并在該環(huán)境中完成實驗數(shù)據(jù)的采集。實驗中，為了確保獲取完整的室內(nèi)行為數(shù)據(jù)，將嵌有壓力傳感器的地毯鋪設(shè)在樓內(nèi)客廳、臥室、廚房和衛(wèi)生間各處。其中，衛(wèi)生間的地毯鋪設(shè)前應事先用防水膜對其進行包裹。由于每個子模塊還需配備多路復用器和單片機，本著滿足實驗要求同時盡可能節(jié)約的原則，分別在臥室床邊、客廳中央、衛(wèi)生間淋浴區(qū)以及廚房的洗碗池旁鋪設(shè)地毯。

圖13 具體布設(shè)方案

2.2.1 跌倒檢測

在傳感器布設(shè)完畢后，需要讓志愿者依次在搭建的實驗環(huán)境中模擬日常生活，完成從早上起床，衛(wèi)生間洗漱，吃早飯到出門的一系列活動，并在地毯鋪設(shè)區(qū)域模擬跌倒。我們從原本的10位志愿者中挑選了2男2女進行實驗，同時，在室內(nèi)布置監(jiān)控攝像頭，對實際行為進行記錄，以便與檢測結(jié)果進行比對。經(jīng)驗證，系統(tǒng)的分類準確率高達95.71%，虛警率為2.38%，漏檢率為0。異常行為檢測系統(tǒng)旨在識別老人在室內(nèi)環(huán)境中跌倒行為并及時提醒用戶，該模型漏檢率為0，能夠準確識別跌倒行為，符合系統(tǒng)設(shè)計的初衷。測試集實際類別和預測類別對比如圖14所示，表4是經(jīng)計算得到的模型性能評價指標。

表4 模型性能評價指標

圖14 實際類別與預測類別測試結(jié)果對比

2.2.2 步態(tài)參數(shù)收集

在實驗過程中，跌倒檢測和步態(tài)參數(shù)收集是交叉進行的。本文對比分析了4名志愿者在行走狀態(tài)下的實際軌跡和繪制軌跡，如圖15所示，進一步驗證軌跡繪制方法和步態(tài)參數(shù)計算規(guī)則的可靠性。

圖15 實際軌跡與繪制軌跡對比

由圖15可知，繪制軌跡與實際軌跡基本吻合，只是由于柔性傳感器的行列引線之間存在拉力，導致采集到的受力感應區(qū)域比實際情況偏大，因而確定的步行關(guān)鍵點存在偏差。

經(jīng)計算，受關(guān)鍵點的影響，步態(tài)參數(shù)存在一定的誤差，但均在1 cm以內(nèi)，步長步寬推算結(jié)果如表5，6所示。

表5 步長推算結(jié)果 mm

表6 步寬推算結(jié)果 mm

研究表明，步速減慢與跌倒風險增加有關(guān)，步速每減慢10 cm/s，跌倒風險增加7%，1.08 m/s可能是區(qū)分跌倒風險的臨界值[28]。同時，步長縮短與跌倒風險也有較強的關(guān)聯(lián)。收集老年人在室內(nèi)環(huán)境下的步態(tài)參數(shù)，根據(jù)步長、步速的變化趨勢分析其步態(tài)的穩(wěn)定性，進一步評估老人跌倒的風險，可以實現(xiàn)獨居老人異常行為的提前預警。

3 結(jié) 語

針對老年人意外傷害頻發(fā)問題，設(shè)計了基于環(huán)境布設(shè)式技術(shù)的老年人異常行為檢測系統(tǒng)，用于家居環(huán)境的適老化改造。該系統(tǒng)將壓力傳感器嵌入地毯并布置在指定區(qū)域獲取行為數(shù)據(jù)，基于SVM構(gòu)建異常行為檢測模型，可以準確實現(xiàn)對老人跌倒的檢測。在確保分類精度的同時，綜合考慮了老人的接受程度和對日常生活的干預程度。研究結(jié)果表明，系統(tǒng)的異常行為識別準確率高達95.71%，虛警率和漏檢率分別為2.38%和0。本文的創(chuàng)新之處在于，不只著眼于跌倒的識別，系統(tǒng)在檢測跌倒的同時還對老人的步態(tài)參數(shù)進行了收集，該數(shù)據(jù)可用于健康評估，實現(xiàn)意外傷害的提前預警。

需要注意的是，本研究的系統(tǒng)實施仍然是基于實驗室模擬居家環(huán)境，與真實的生活環(huán)境存在差距。一方面，為了解決地毯在衛(wèi)生間的適用性，本研究使用了防水薄膜進行包裹后鋪設(shè)，但卻并未對其防水性進行檢驗；同時，在模型訓練與實驗階段，都是通過模擬跌倒來獲取行為數(shù)據(jù)，雖然通過相關(guān)研究中的方法最大限度削減了模擬跌倒造成的影響，但與實際跌倒間仍存在差異性?？紤]到人在不同活動區(qū)域內(nèi)的步態(tài)可能存在差異，例如在廚房和衛(wèi)生間等會步速降低、步頻減少，未來可以將該系統(tǒng)應用到養(yǎng)老院等場景中，采集真實的老年人跌倒數(shù)據(jù)，進一步優(yōu)化檢測模型。

目前，老齡化進程加劇，獨居老人意外傷害發(fā)生率激增，本系統(tǒng)為實時監(jiān)測老年人室內(nèi)環(huán)境下的安全狀態(tài)，構(gòu)建安全的室內(nèi)環(huán)境提供了新的研究方向，在智能健康住宅領(lǐng)域具有較好的應用前景。