吳鵬

摘要：目前，老齡化問題日益嚴重，跌倒問題已經(jīng)成為老人生活中遇到的主要安全問題，如果不能及時發(fā)現(xiàn)老人跌倒，可能會造成很嚴重的后果。針對老人的跌倒檢測已經(jīng)成為研究的焦點，研究者開發(fā)了很多的智能檢測系統(tǒng)。文章針對跌倒檢測系統(tǒng)進行了分析和研究，首先分析了感知層數(shù)據(jù)的獲取方式，接著分析了數(shù)據(jù)處理層采用的智能檢測算法，以期為從事跌倒檢測的相關(guān)研究者提供一定的參考。

關(guān)鍵詞：跌倒檢測；感知層；檢測算法

中圖分類號：TP391.4? 文獻標志碼：A

0 引言

隨著中國經(jīng)濟的快速發(fā)展，人口的出生率逐年下降，老齡化人口數(shù)量卻逐年增加，預計到2050年，中國老齡化人口數(shù)將達到總?cè)丝诘?4.9%，獨居老人居家養(yǎng)老的安全問題成了子女和社會關(guān)注的問題［1］。在常見的老人監(jiān)護中，最容易發(fā)生的一種情況就是意外跌倒。跌倒逐漸成了影響老人健康的主要原因，因此，針對老齡化群體，各種各樣的跌倒檢測系統(tǒng)逐漸成了國內(nèi)外研究的熱點。馬敬奇等［2］提出了基于優(yōu)化的AlphaPose優(yōu)化模型，可以在低成本的硬件平臺上運行和快速檢測老人是否跌倒，實驗結(jié)果表明，該算法在嵌入式平臺上檢測準確率為91.3%，具備較高的參考價值。徐甲棟等［3］使用STM32作為主控制器，通過MEMS傳感器采集姿態(tài)數(shù)據(jù)，設計了一套可穿戴式的實時跌倒檢測系統(tǒng)，通過微信小程序可以看到老人的狀態(tài)和位置等，該系統(tǒng)檢測準確率為97.75%。Giovanni Diraco等利用人體活動時會和雷達產(chǎn)生一組多普勒頻移，設計了一套雷達感應跌倒算法，根據(jù)人體的動作特征來區(qū)分跌倒等行為。本文將針對常見的跌倒檢測系統(tǒng)，從感知層和數(shù)據(jù)處理層進行分析與論述，為同行業(yè)的研究工作者提供一定的參考。

1 跌倒檢測系統(tǒng)概述

跌倒一般是指老人非主觀、突發(fā)地躺在地面上，身體發(fā)生了劇烈的姿態(tài)變換。常見的跌倒情況包括垂直跌倒、左右垂直跌倒、前膝著地、臀部著地等［4］。目前，跌倒檢測系統(tǒng)通過感知層獲取人體的相關(guān)信息，通過數(shù)據(jù)處理層對采集的傳感器數(shù)據(jù)進行分析和處理，使用相關(guān)檢測算法分析跌倒行為是否發(fā)生，如果有老人發(fā)生了跌倒，則觸發(fā)報警等裝置。跌倒檢測系統(tǒng)的流程如圖1所示。

2 感知層

目前，跌倒檢測系統(tǒng)在感知層通過各種傳感器獲取人體相關(guān)的數(shù)據(jù)，根據(jù)傳感器的采集數(shù)據(jù)類型進行分類，常見的有3種：穿戴式的慣性傳感器、智能監(jiān)控設備傳感器、基于場景的傳感器。

2.1 穿戴式慣性傳感器

近年來，MEMS傳感器工藝有了很大的提高，使得MEMS傳感器具備體積小、集成化程度高、成本低、效能高的特點。同時，MEMS傳感器還能把采集到的信號進行分析和智能地處理和識別，在可穿戴式的設備上得到了廣泛的應用。基于可穿戴式的慣性傳感器通常是把設備戴在人體的各個部位獲取人體的姿態(tài)，比如手腕、肩部、膝部等。常見的慣性傳感器有加速度計、陀螺儀等。加速度計能夠測量物體在x軸、y軸、z軸3個方向的加速度，當?shù)剐袨榘l(fā)生時，加速度傳感器采集的數(shù)據(jù)會發(fā)生很大的突變，達到某種條件時，可以認為是跌倒動作。陀螺儀可以用來測量物體的角速度，常用來和加速度計一起配合使用，可以在撞擊到物體或者在失重狀態(tài)下，檢測人體的姿態(tài)數(shù)據(jù)，提取特征，進一步判斷是否發(fā)生了跌倒。MEMS傳感器采集的數(shù)據(jù)的精度相對較低，不適合高精度的應用，在適用的溫度范圍內(nèi)有較大的浮動，如果不進行溫度補償，采集的數(shù)據(jù)可能會有較大偏差。MEMS傳感器采集數(shù)據(jù)后，通常需要借助中值濾波、卡爾曼濾波等方法進行數(shù)據(jù)預處理來消除噪聲干擾?？纱┐魇降膫鞲衅鳈z測系統(tǒng)需要戴在身上，用戶使用不夠方便，對老人使用不夠友好，并且需要經(jīng)常更換電池才能使系統(tǒng)正常工作。

2.2 智能監(jiān)控設備傳感器

智能監(jiān)控設備傳感器首先通過在家布置攝像頭采集老人生活的圖片或者視頻，檢測算法計算人體輪廓的曲率尺度空間特性，對圖像進行行為特征提取，然后進行人體行為地識別，從而判斷是否發(fā)生跌倒事件。攝像頭由于安裝方法簡單，采集數(shù)據(jù)方便，目前，很多學者針對視覺類的跌倒算法進行了研究?；谥悄鼙O(jiān)控設備的跌倒檢測算法已經(jīng)比較成熟，可以檢測多人跌倒的場景，具備較高的實時性和準確性，但是圖像處理算法復雜度高，對處理器性能有一定的要求。智能監(jiān)控設備類的傳感器拍攝圖像通常會受到老人和家庭居住環(huán)境背景的影響，檢測的效果也會受到一定的影響。在視頻監(jiān)控過程中，由于攝像頭需要固定在一個地方，可能會拍到老人的個人隱私信息，且環(huán)境中可能存在一定死角，會導致無法拍到老人的情況。

2.3 基于場景的傳感器

場景傳感器通常被固定在老人常見的活動區(qū)域，可以用來檢測分布在周圍的環(huán)境信息，比如震動信息、壓力信息和聲音信息等。常見的場景傳感器有聲音傳感器、紅外熱釋電傳感器、力傳感器、雷達傳感器等。由于人體正常體溫在37℃左右，身體會發(fā)出約10 μm的特定波長的紅外線，紅外熱釋電傳感器能夠檢測人發(fā)射的紅外線并轉(zhuǎn)換成電信號輸出。不同于主動式的紅外傳感器，被動的紅外式傳感器本身不發(fā)出任何類型的輻射信號，正常工作時，器件功耗比較低，隱蔽性強。但是，被動的紅外式傳感器也比較容易受到其他光源的干擾，穿透性能力差。當人正常走路和跌倒時，引起的地板震動特征是有明顯差別的。壓電傳感器被部署在地板表面，跌倒檢測系統(tǒng)通過采集人體跌落時地板的震動特征數(shù)據(jù)，對數(shù)據(jù)進行處理分析，獲取信號的頻率、幅度等震動特性，進而判斷人體是否跌倒。聲音傳感器一般安裝在地面設備上，通過麥克風線性陣列設備采集老人活動區(qū)域的聲音，如果跌倒檢測系統(tǒng)通過聲音傳感器獲取的信號強度大于疑似跌倒的聲音信號，則認為老人發(fā)生了跌倒。雷達傳感器一般不易受到溫度光照等環(huán)境因素的影響，可以部署在光照不是很好的環(huán)境和私密場所采集數(shù)據(jù)。目前，雷達傳感器價格比較低，對老人的隱私保護比較好，基于雷達的跌倒檢測系統(tǒng)得到了迅速發(fā)展?；趫鼍暗膫鞲衅鞯牡箼z測系統(tǒng)是一種非入侵的方法，使用比較方便，檢測的范圍只能在固定的場所，如果環(huán)境比較復雜，會導致檢測精度降低。

3 數(shù)據(jù)處理層

跌倒檢測系統(tǒng)在感知層采集人體相關(guān)的各種數(shù)據(jù)后，在數(shù)據(jù)處理層使用檢測算法分析處理數(shù)據(jù)。檢測算法通過建立合適的算法模型訓練提取的關(guān)鍵數(shù)據(jù)特征值，利用優(yōu)化好的模型識別是否發(fā)生了跌倒行為。常見的跌倒檢測算法有3類：基于閾值分析的檢測算法、基于機器學習的檢測算法、基于深度學習的檢測算法。

3.1 基于閾值分析的檢測算法

基于閾值分析的檢測算法是通過傳感器提取采集信號的特征值與設定的閾值進行比較，在合理的閾值范圍內(nèi)，認為老人是正常狀態(tài)；超出了某個閾值范圍，則認為老人發(fā)生了跌倒。跌倒檢測系統(tǒng)采集數(shù)據(jù)常用的特征值有信號最大值、最小值、均值、標準差、方差等。基于閾值分析的檢測算法處理速度快、計算量小，比較適合運行在資源受限的嵌入式系統(tǒng)中。但是閾值的設定通常是人工經(jīng)過大量的實驗測試得到的，當環(huán)境發(fā)生變化時，會導致識別模型的精度和普遍適用性降低。

孫子文等［5］采用佩戴在腕表內(nèi)部的加速度傳感器獲取運動數(shù)據(jù)，提取了人體的合加速度和傾角作為分類特征，根據(jù)人體跌落過程中發(fā)生的失重、地面撞擊和平穩(wěn)過程，建立了基于閾值的跌倒檢測系統(tǒng)。檢測系統(tǒng)流程如下：首先通過檢測人體的加速度下降值和閾值比較，判斷人體是否處于失重狀態(tài)；然后根據(jù)人體撞擊地面0.4 s后合加速度達到的最大值和閾值比較，判斷人體是否撞擊地面；最后根據(jù)人體跌倒后會平穩(wěn)躺在地面這一特征，在人體撞擊地面2 s內(nèi)，測量人體合加速度和傾角的均值，與設定的閾值比較，判斷人體是否發(fā)生跌倒。羅文志等［6］設計了一個佩戴在腕部的檢測設備，結(jié)合加速度和角速度傳感器采集人體的姿態(tài)數(shù)據(jù)和閾值進行比較，實現(xiàn)人體跌倒檢測并遠程報警，準確率達到95.8%。該跌倒檢測系統(tǒng)通過在UMAFALL數(shù)據(jù)集進行測試，確定有效的特征數(shù)據(jù)和跌倒檢測的閾值大小，并使用MPU9250運動傳感器采集了老人不同活動時產(chǎn)生的運動信息。跌倒檢測的判斷流程為：通過MPU9250獲得人體的三軸加速度和三軸角速度信號，計算對應的合速度；如果合加速度的峰值超過設定的閾值，接著計算1 s內(nèi)的合角速度的均值；如果合角速度的均值小于設定的閾值，檢測系統(tǒng)通過Lora模塊給遠程監(jiān)護人員發(fā)送老人跌倒報警信息。

3.2 基于機器學習的檢測算法

基于機器學習的檢測算法根據(jù)樣本數(shù)據(jù)的特征選擇合適的算法，具備強大的自我學習和分類能力，適合應用于小樣本數(shù)據(jù)的場景，在跌倒檢測系統(tǒng)中得到了廣泛的應用。機器學習算法的識別精度比較依賴手工提取特征，對復雜的場景識別效果欠佳。

裴利然等［7］為了降低慣性傳感器檢測的誤報率，提出了基于支持向量機的算法實現(xiàn)跌倒檢測，實驗結(jié)果表明，該系統(tǒng)的準確率達97.67%。該檢測系統(tǒng)通過佩戴在腰間的MEMS傳感器以100 Hz速率采集人體的加速度和角速度數(shù)據(jù)，使用中值濾波和均值濾波減少隨機噪聲干擾，將采集的600組數(shù)據(jù)分成訓練集和測試集，輸入支持向量機模型進行訓練和測試。該系統(tǒng)為了找到最優(yōu)的支持向量機參數(shù)以提高模型的識別精度，采用PSO算法對SVM模型進行優(yōu)化，實驗結(jié)果表明，該算法識別性能優(yōu)于傳統(tǒng)的閾值檢測法。華仙等［8］提出了一種基于加速度的多特征融合，利用主成分分析算法降維和使用KNN算法識別的跌倒檢測算法。該檢測系統(tǒng)通過繃帶將2個加速度傳感器固定在人體的胸部和后腰，采集13個跌倒動作和11個日常活動等動作的信息數(shù)據(jù)，通過主成分分析算法把162個維度特征數(shù)據(jù)減少到12個維度特征數(shù)據(jù)，利用改進的KNN模型分類器對特征數(shù)據(jù)進行訓練和識別。

3.3 基于深度學習的檢測算法

近年來，深度學習在圖像處理識別方面發(fā)展迅速，很多學者對基于深度學習的跌倒檢測技術(shù)進行了研究。有別于機器學習技術(shù)，深度學習技術(shù)可以自主選擇特征，不需要主動輸入特征數(shù)據(jù)，具備強大的學習能力和較高的識別精度。深度學習技術(shù)需要進行大量的數(shù)據(jù)運算，需要依賴較高的硬件成本提供算力，隨著嵌入式設備的算力逐步提高，為深度學習算法部署在嵌入式設備提供了可能性。

付娜娜等［9］使用Yolov5算法檢測人體和輕量級的OpenPose網(wǎng)絡模型識別人體的骨骼關(guān)鍵點坐標，通過每10幀畫面計算一次人體中心點縱坐標的下降移動速度，結(jié)合人體的寬高比來判斷人體是否發(fā)生跌倒。實驗結(jié)果表明，跌倒行為的識別率為95.43%，檢測速度達到25fps。Yolov5模型包括Yolov5n，Yolov5s，Yolov5m，Yolov5l，Yolov5x這5種模型結(jié)構(gòu)，具備部署容易、檢測速速快的優(yōu)點，該系統(tǒng)經(jīng)過測試選擇了性能和檢測準確率都比較高的Yolov5s模型。該系統(tǒng)為了提取更準確的特征數(shù)據(jù)和輕量化的模型，使用移動端輕量級的MobileNet網(wǎng)絡替換Yolov5s模型的CSPDarkNet53網(wǎng)絡。杜群貴等［10］在可穿戴的嵌入式端部署了輕量級的CNN模型來實時檢測跌倒行為，結(jié)果表明，該模型在Sisfall數(shù)據(jù)集上達到了97.5%的準確率，在STM32單片機上算法延時8.24 ms，具有較高的預測精度和實時性。

4 結(jié)語

基于老人的跌倒檢測系統(tǒng)目前已經(jīng)得到了廣泛的應用，但仍然存在一些不足之處?，F(xiàn)有傳感器采集的數(shù)據(jù)通常是年輕人在固定環(huán)境下通過模擬跌倒測試獲取的，樣本的數(shù)據(jù)有一定的局限性，當設備處在新的環(huán)境時，檢測精度會出現(xiàn)一定的下降。單一的跌倒檢測算法有場景的局限性，無法滿足多場景下的跌倒行為檢測，融合多種檢測算法的優(yōu)點可以滿足復雜場景的檢測。因此，提供高精度和個性化的實時跌倒檢測是一個值得研究的方向。

本文從跌倒檢測系統(tǒng)的感知層和數(shù)據(jù)處理層，重點分析和討論了現(xiàn)有研究的內(nèi)容和進展情況。在感知層方面，有基于場景、智能監(jiān)控設備和可穿戴式設備的傳感器；在數(shù)據(jù)處理層方面，有基于閾值、機器學習和深度學習的檢測算法?；谶@些研究成果，老人跌倒的問題正在逐步得到解決，大大降低了老人的跌倒風險，為老人晚年生活提供了更好的保障。

參考文獻

［1］陳旻罡.基于多普勒雷達的跌倒檢測方法研究［D］.太原：太原理工大學，2018.

［2］馬敬奇，雷歡，陳敏翼.基于AlphaPose優(yōu)化模型的老人跌倒行為檢測算法［J］.計算機應用，2022（1）：294-301.

［3］徐甲棟，陳強，徐一雄，等.基于MEMS傳感器的實時跌倒檢測系統(tǒng)設計［J］.傳感器與微系統(tǒng)，2022（7）：77-80.

［4］陳建國，王田，李玉榕.基于MEMS傳感器的可穿戴跌倒監(jiān)測系統(tǒng)的設計［J］.福建電腦，2017（3）：21-23，82.

［5］孫子文，孫曉雯.基于加速度傳感器的人體跌倒檢測方法［J］.計算機工程與科學，2017（2）：330-335.

［6］羅文志，張自豪.基于LoRa的老人跌倒監(jiān)護系統(tǒng)設計［J］.電子設計工程，2022（18）：114-118.

［7］裴利然，姜萍萍，顏國正.基于支持向量機的跌倒檢測算法研究［J］.光學精密工程，2017（1）：182-187.

［8］華仙，席旭剛.基于人體加速度多特征融合和K近鄰算法的跌倒檢測［J］.中國康復理論與實踐，2018（7）：865-868.

［9］伏娜娜，劉大銘，程曉婷，等.基于輕量級OpenPose模型的跌倒檢測算法［J］.傳感器與微系統(tǒng)，2021（11）：5.

［10］杜群貴，鐘威.輕量級CNN實時跌倒預測及嵌入式系統(tǒng)實現(xiàn)［J］.電子測量技術(shù)，2022（11）：10-15.

（編輯 何 琳）

Analysis and research of fall detection system for the elderly

Wu? Peng

（Xinyang Agriculture and Forestry University， Xinyang 464000， China）

Abstract：? At present， the aging problem is becoming more and more serious. Falls have become the main safety problem for the elderly in their lives. If the elderly cannot be detected in time， it may cause very serious consequences. Fall detection for the elderly has become the focus of research， and researchers have developed many intelligent detection systems. This paper analyzes and studies the fall detection system. First， it analyzes the acquisition method of data in the perception layer， and then analyzes the intelligent detection algorithm used in the data processing layer， in order to provide some reference for researchers engaged in fall detection.

Key words： fall detection; perception layer; detection algorithm