王鐵雁

（廈門(mén)市美亞柏科信息股份有限公司，福建 廈門(mén) 361000）

概述

跌倒是老年人常見(jiàn)傷害原因，嚴(yán)重影響健康安全和生活質(zhì)量。跌倒的危害不僅在于導(dǎo)致嚴(yán)重?fù)p傷，還在于跌倒時(shí)得不到及時(shí)救治，造成二次傷害[1]。因此，如何高效便捷地檢測(cè)跌倒事故是亟待解決的社會(huì)問(wèn)題。

現(xiàn)有跌倒檢測(cè)方法主要包括基于圖像、基于環(huán)境感知及基于可穿戴設(shè)備的檢測(cè)方法[2-3]。圖像檢測(cè)法由視頻監(jiān)視器對(duì)人體進(jìn)行實(shí)時(shí)監(jiān)測(cè)，通過(guò)人體姿態(tài)特征屬性建模分析來(lái)檢測(cè)跌倒。該方法準(zhǔn)確率較高，但特征提取易受圖像噪聲、光線影響，算法魯棒性較差，且不能保證用戶隱私。環(huán)境感知檢測(cè)法通過(guò)安裝在人體活動(dòng)區(qū)域的壓力、震動(dòng)和聲音等傳感器進(jìn)行跌倒檢測(cè)，但該方法僅限于特定環(huán)境，裝置安裝復(fù)雜，資金投入大，難以普及[4]。可穿戴設(shè)備檢測(cè)法通過(guò)佩戴的傳感器采集人體運(yùn)動(dòng)信息進(jìn)行姿態(tài)分析，不受環(huán)境限制，精度也較高，對(duì)老年人限制最小[2]。其中，智能手機(jī)普及廣泛，價(jià)格適宜，便于攜帶，配置了可提供跌倒監(jiān)測(cè)數(shù)據(jù)的加速度計(jì)和陀螺儀等傳感器[3,5]，是一款理想的可穿戴跌倒監(jiān)測(cè)設(shè)備。

數(shù)據(jù)處理方面，目前國(guó)內(nèi)外普遍采用機(jī)器學(xué)習(xí)算法進(jìn)行跌倒檢測(cè)建模，有較多研究成果[6]，但基于智能手機(jī)的跌倒檢測(cè)方法研究還較少。國(guó)際上Usmani 等人比較了多種機(jī)器學(xué)習(xí)算法的跌倒檢測(cè)模型后指出，綜合傳感器類型、放置位置等多因素，支持向量機(jī)（Support Vector Machine，簡(jiǎn)稱SVM）綜合性能較優(yōu)，能達(dá)到很高準(zhǔn)確率[6]。國(guó)內(nèi)李美惠指出跌倒檢測(cè)是典型二分類問(wèn)題（將跌倒和日常行為區(qū)分），SVM是解決該問(wèn)題的有效算法[7]。SVM的基本思想是找出一個(gè)特定的劃分超平面，該平面在劃分?jǐn)?shù)據(jù)集時(shí)使幾何間隔盡量最大（圖1），具有較好識(shí)別效果和實(shí)用性。因此，本研究基于智能手機(jī)傳感器數(shù)據(jù)和SVM 進(jìn)行跌倒檢測(cè)方法開(kāi)發(fā)和驗(yàn)證。

圖1 支持向量機(jī)原理圖

1 跌倒過(guò)程分析

跌倒是人體在失控狀況下由直立向傾倒姿態(tài)的轉(zhuǎn)變過(guò)程。過(guò)程中人體最顯著的變化是速度的變化，可由加速度傳感器捕獲[5]。因此，本研究通過(guò)手機(jī)內(nèi)置三軸加速度計(jì)來(lái)采集數(shù)據(jù)。由于事先無(wú)法預(yù)知跌倒方向，因此采用三軸加速度的合加速度（A）作為指標(biāo)，計(jì)算如下：

式中：ax，ay，az分別為X,Y,Z 軸方向加速度。

對(duì)典型跌倒過(guò)程分析（圖2），可發(fā)現(xiàn)不同類型跌倒在時(shí)間維度上有相同變化特征，可分為三個(gè)階段：

圖2 典型跌倒過(guò)程分析（以向后跌倒為例）

（1） 跌倒起始階段：人體傾斜，加速度急劇下降，形成一個(gè)低谷，人體處于失重階段。

（2） 跌倒碰地階段：人體開(kāi)始接觸地面，支承力大于重力，合力加速度與速度方向相反，在極短時(shí)間內(nèi)速度減少為零，加速度劇增，速度為零時(shí)加速度最大，人體處于超重階段。

（3） 跌倒完成階段：由于人體具有彈性，且各部分非同時(shí)接觸地面，可能造成人體加速度快速且有起伏地減少，最后保持在參考基準(zhǔn)值（即重力加速度）。

對(duì)坐下、行走、慢跑、上樓、下樓及站起等日常行為分析可知：相對(duì)跌倒，坐下的加速度變化幅度較??；行走及慢跑的加速度變化類似多個(gè)跌倒過(guò)程疊加組合，但變化較短；上樓行為無(wú)加速度急劇減少階段，且接觸地面后波形劇烈減少；下樓動(dòng)作中接觸地面后加速度變化較??；站起動(dòng)作加速度變化與跌倒相反。因而，這些日?；顒?dòng)與跌倒能較好區(qū)分。

2 研究方法

2.1 特征提取

根據(jù)跌倒的三個(gè)典型階段，本研究選取下落時(shí)間、撞擊時(shí)間和加速度變化值作為特征指標(biāo)，分別對(duì)應(yīng)跌倒三個(gè)階段的主要特征。下落時(shí)間指加速度顯著下降到加速度出現(xiàn)最小值的時(shí)間，是失重狀態(tài)結(jié)束的標(biāo)志。撞擊時(shí)間指人體下落接觸地面后，垂直向下的速度減少為零，加速度劇烈增加出現(xiàn)最大值的時(shí)間，標(biāo)志第一次撞擊地面的結(jié)束時(shí)刻。跌倒后，人體各部位不同時(shí)著地，會(huì)小幅度彈起和落下，直到靜止，這導(dǎo)致加速度出現(xiàn)快速起伏減少現(xiàn)象，加速度變化相對(duì)于行走和慢跑等活動(dòng)小很多。

2.2 模型建立

本研究在線性SVM 基礎(chǔ)上引入拉格朗日函數(shù)，考慮松弛變量，構(gòu)造SVM模型如下：

為解決數(shù)據(jù)非線性問(wèn)題，在SVM中引入核函數(shù)，將數(shù)據(jù)映射到高維特征空間，使之能線性分類。由于徑向基函數(shù)校準(zhǔn)過(guò)程快速，方便調(diào)節(jié)，采用其作為核函數(shù)，公式如下:

接下來(lái)使用Matlab 平臺(tái)編寫(xiě)程序，采用最小序列優(yōu)化算法構(gòu)造判別函數(shù)，如下：

本研究定義跌倒行為為正值（+1），非跌倒行為為負(fù)值（-1），分類界面為：

2.3 實(shí)驗(yàn)數(shù)據(jù)收集與分析

考慮到老年人身體不便及不同年齡群體跌倒行為具有相似特征，本研究招募了10 名大學(xué)生志愿者參與模擬實(shí)驗(yàn)收集數(shù)據(jù)。實(shí)驗(yàn)中，參與者均將測(cè)試手機(jī)（華為P9）置于右側(cè)褲袋，分別針對(duì)4 種跌倒（前后左右跌倒）和8 種日常行為（坐下、站起、上樓、下樓、彎腰、躺下、正常行走和慢跑）進(jìn)行模擬（圖3）。每種行為重復(fù)4 次，共收集了480 組數(shù)據(jù)（包括日常行為320組，跌倒行為160 組）。

圖3 實(shí)驗(yàn)數(shù)據(jù)收集示例

通過(guò)手機(jī)加速度計(jì)的時(shí)序數(shù)據(jù)提取特征值，進(jìn)行歸一化處理，消除不同特征量綱差異問(wèn)題。隨機(jī)選擇80%數(shù)據(jù)作為訓(xùn)練集，剩余數(shù)據(jù)為測(cè)試集，并基于10折交叉驗(yàn)證法觀測(cè)模型泛化能力。采用準(zhǔn)確率、精準(zhǔn)率、特異性、靈敏度及混淆矩陣等參數(shù)評(píng)估模型性能。

2.4 測(cè)試結(jié)果

結(jié)果（表1）表明，模型準(zhǔn)確率為94.8%，精確率為90.9%，靈敏度為93.8%，特異性為95.3%。模型測(cè)試集混淆矩陣如圖4 所示，可以看出跌倒檢測(cè)算法綜合性能較好。跌倒和日常行為檢測(cè)的精確率分別為90.9%和96.8%?？偟膩?lái)說(shuō)，本研究提出的跌倒檢測(cè)模型可較準(zhǔn)確地識(shí)別跌倒行為。

表1 模型測(cè)試集實(shí)驗(yàn)結(jié)果

圖4 跌倒檢測(cè)模型測(cè)試集混淆矩陣

2.5 應(yīng)用探討

利用智能手機(jī)實(shí)現(xiàn)跌倒檢測(cè)具有很大發(fā)展?jié)摿Α１狙芯拷Y(jié)果表明智能手機(jī)內(nèi)置傳感器能支持有效的跌倒識(shí)別。在此基礎(chǔ)上還可進(jìn)一步集成手機(jī)及時(shí)通訊與定位功能，形成具備實(shí)時(shí)跌倒檢測(cè)和快速救助通信的跌倒檢測(cè)報(bào)警系統(tǒng)（圖5）。當(dāng)?shù)拱l(fā)生時(shí)，及時(shí)報(bào)警，結(jié)合GPS 定位，實(shí)現(xiàn)快速救助。

圖5 智能手機(jī)跌倒檢測(cè)與報(bào)警系統(tǒng)

3 結(jié)論

本研究提出了一種基于智能手機(jī)和機(jī)器學(xué)習(xí)的跌倒檢測(cè)模型，并基于實(shí)證數(shù)據(jù)對(duì)模型進(jìn)行了訓(xùn)練和驗(yàn)證。結(jié)果表明，該跌倒檢測(cè)模型準(zhǔn)確率較高，綜合性能較好，具有一定場(chǎng)景適用性，可向現(xiàn)實(shí)應(yīng)用進(jìn)行遷移。然而，本研究訓(xùn)練樣本不大，特征指標(biāo)也有限，未來(lái)研究可結(jié)合動(dòng)力學(xué)和位移等其他模態(tài)數(shù)據(jù)，基于大樣本數(shù)據(jù)來(lái)提高跌倒檢測(cè)方法的有效性。