陳子萱，林永熠，盧韻潔，郭雪妮，常相輝

（西南交通大學(xué) 物理科學(xué)與技術(shù)學(xué)院，四川成都，610031）

0 引言

近年來，我國人口老齡化趨勢不斷增速，預(yù)計(jì)2030 年空巢老人家庭比例有可能達(dá)到 90%以上[2]。目前跌倒是老年人傷殘、失能和死亡的主要原因，且是65 歲以上老人死亡的首因[3]。為保障老年群體，特別是缺少監(jiān)護(hù)的獨(dú)居老人的安全，做出性能好、適用性強(qiáng)的的跌倒防護(hù)裝置成為迫切需求，而防護(hù)裝置的重點(diǎn)在于如何識(shí)別跌倒，做到“跌落前識(shí)別，跌倒時(shí)防護(hù)”。傳統(tǒng)的跌倒識(shí)別[4]是一種跌倒后檢測方法，旨在自動(dòng)提醒監(jiān)護(hù)人。雖然它可以在跌倒后立即報(bào)警，提醒監(jiān)護(hù)人，從而減少傷者由于缺乏監(jiān)護(hù)耽誤送往醫(yī)院的時(shí)間。但是它不能防止或減輕摔跌對人造成的傷害。新型的防跌倒識(shí)別系統(tǒng)主要依靠信號(hào)檢測與處理、信號(hào)特征提取、數(shù)據(jù)傳輸?shù)然竟δ苣K，實(shí)現(xiàn)對動(dòng)作行為進(jìn)行監(jiān)測，并可在發(fā)生跌倒碰撞前預(yù)先識(shí)別，通過快速充氣形成安全氣囊，對老人尾椎、髖關(guān)節(jié)和后腦等關(guān)鍵部位進(jìn)行防護(hù)，減小摔跌時(shí)的碰撞沖擊[5]。

檢測老人跌倒?fàn)顟B(tài)的方法有很多，根據(jù)不同信號(hào)采集方法可以主要分為三類[1]：基于視頻監(jiān)控的跌倒檢測、基于聲學(xué)的跌倒檢測和基于傳感器的跌倒檢測?；谝曨l監(jiān)控的跌倒檢測是采用攝像頭持續(xù)對于特定區(qū)域范圍內(nèi)的目標(biāo)進(jìn)行視頻拍攝，提取視頻中圖像信息，再通過圖像處理，判斷視頻中人物是否跌倒[5]?；诼晫W(xué)的跌倒檢測通常分析跌倒時(shí)，人體碰撞產(chǎn)生的低頻信號(hào)以及人體反射超聲波的高頻信號(hào)?；趥鞲衅鞯牡箼z測[6]是一種裝載有傳感器可穿戴設(shè)備，可以實(shí)時(shí)監(jiān)測老年群體的行為活動(dòng)，獲取判定標(biāo)準(zhǔn)的特征值，通過算法和判斷模型進(jìn)行處理，從而確定老年人是否跌倒以及確切的跌倒姿勢的設(shè)備。

利用視頻圖像、超聲波或者其他聲學(xué)特征來識(shí)別人體動(dòng)作的傳統(tǒng)技術(shù)方法受制于設(shè)備數(shù)量和性能、以及識(shí)別場景的固定性。隨著微電子技術(shù)的發(fā)展，體積小、能耗低的傳感器件已較為普遍地出現(xiàn)在市面上。目前的可穿戴的設(shè)備由傳感器、微控制單元和無線通信模塊集成而成，可以識(shí)別人體行為方式，判斷摔跌情況，可以在跌倒時(shí)反饋警報(bào)，從而幫助老年群體得到及時(shí)救助[7]。該種方法不需要特定場景下的固定儀器設(shè)備，不受人運(yùn)動(dòng)環(huán)境的限制，只需隨身佩戴，所以應(yīng)用前景更為廣闊。針對可穿戴設(shè)備在生活中的應(yīng)用，目前有效的判斷方法是通過給傳感器模塊合理設(shè)置閾值，以及識(shí)別運(yùn)動(dòng)的模型來判斷老年人是否跌倒以及跌倒方式。為老年人佩戴一個(gè)帶有加速度獲取模塊的設(shè)備，長時(shí)間伴隨記錄他們的日?；顒?dòng)數(shù)據(jù)。當(dāng)老人發(fā)生摔跌，加速度將在一定時(shí)間內(nèi)發(fā)生突變，產(chǎn)生峰值。所以可以通過設(shè)置一個(gè)合理的閾值。如果加速度峰值超過設(shè)定的閾值，通過其他輔助判據(jù)可以確定老年人是否跌倒[8]。

綜上所述，本文基于三軸加速度計(jì)傳感器的跌倒檢測，采用事后跌倒識(shí)別研究了跌倒識(shí)別算法。事后跌倒識(shí)別又分為未撞擊階段識(shí)別和撞擊后識(shí)別，未撞擊階段識(shí)別通過提取未撞擊前加速度、速度、傾角等特征量，后建立數(shù)學(xué)模型等進(jìn)行跌倒識(shí)別[9]?？紤]到硬件內(nèi)存、算力的限制、無線傳輸?shù)木W(wǎng)絡(luò)延遲、傳感器的靈敏度和信號(hào)提取速度等限制，本文利用CH340 加速度計(jì)提取跌倒以及行為前后的加速度值等特征量，通過統(tǒng)計(jì)判斷識(shí)別閾值，制定識(shí)別算法，后采用利用單片機(jī)等硬件資源自主研發(fā)的傳感器裝置進(jìn)行識(shí)別，通過跌倒實(shí)驗(yàn)驗(yàn)證了該算法的實(shí)時(shí)性和有效性。

1 人體模型建立

跌倒過程中人體各部位都有相應(yīng)動(dòng)作，且并非所有動(dòng)作對跌倒識(shí)別都是有效的，若考慮所有動(dòng)作則人體模型過于復(fù)雜。經(jīng)過研究證明，圍繞人體腰部建立模型是最為有效的。腰部的傾斜動(dòng)作反映了人體軀干的運(yùn)動(dòng)，且腰部與人體重心位置較為靠近，故跌倒實(shí)驗(yàn)?zāi)Ｐ鸵匝繛檩S建立XYZ坐標(biāo)系。如圖1 所示，人體腰部為原點(diǎn)，人體上下為X 軸垂直于地面，人體左右為Y 軸，人體前后為Z 軸，平面YOZ 平行于地面。

圖1 在腰部建立直角坐標(biāo)系

2 跌倒實(shí)驗(yàn)及數(shù)據(jù)收集

正常生活中我們將人體行為活動(dòng)分成兩類：正常行為活動(dòng)和跌倒。正常行為活動(dòng)包含：站立、坐下、蹲下、躺下、起立、常速行走、奔跑、上下樓梯。跌倒包括向前跌倒、向后跌倒和側(cè)面跌倒。跌倒區(qū)別于正常行為活動(dòng)有以下4 個(gè)特征：失重、朝向變化、撞擊和靜止。跌倒過程可分為3個(gè)階段[10]：①失去平衡，即人體出現(xiàn)向下傾斜并伴有跌倒趨勢；②失重，就是跌倒過程中人體開始向下傾斜但是還沒有接觸到地面的階段；③跌倒觸地碰撞，就是人體跌倒在地面，與地面碰撞，速度突變?nèi)缓蠡謴?fù)平衡的階段。在跌倒失衡階段，由于過程時(shí)間短暫，人體僅僅有跌倒的趨勢，即這個(gè)階段沒有方便定義和識(shí)別的可用于跌倒分析的特征量。所以，在這個(gè)階段不適合進(jìn)行人體跌倒的分析。在跌倒失重階段，人體的加速度和姿態(tài)傾斜角變化迅速。這個(gè)階段的時(shí)間比較短暫，但是具有失重和朝向變化這兩個(gè)物理特征。因此，在這個(gè)階段做跌倒預(yù)測是非常合適的。跌倒觸地碰撞階段，雖然也有可用于識(shí)別判斷跌倒的特征量，如速度，加速度的突變，傾斜角變化量為0 等。但是由于已經(jīng)跌倒造成傷害，跌倒后再進(jìn)行判斷沒有太大應(yīng)用價(jià)值。

我們將CH340 加速度傳感器固定于4 位實(shí)驗(yàn)人員（P1,P2, P3, P4）腰部，分別讓其進(jìn)行正常日常行為活動(dòng)和跌倒。一組數(shù)據(jù)包含：站立、常速跑步、上樓梯、下樓梯、常速步行、蹲起、跳躍、坐起這8 項(xiàng)日常行為活動(dòng)以及向前跌倒和向后跌倒這兩項(xiàng)跌倒方式。4 位實(shí)驗(yàn)人員分別進(jìn)行重復(fù)10 組實(shí)驗(yàn)并收集數(shù)據(jù)。

3 數(shù)據(jù)分析及閾值確定

本文主要計(jì)算合加速度，傾角變化，SMA 等特征量，通過對真人實(shí)驗(yàn)數(shù)據(jù)分析總結(jié)，并找到跌倒行為與其他行為在這些特征量上的區(qū)別以及各自特征，以便用于構(gòu)建跌倒識(shí)別算法。

■3.1 合加速度

通過對多個(gè)跌倒運(yùn)動(dòng)數(shù)據(jù)的分析，跌倒行為的瞬時(shí)加速度會(huì)發(fā)生劇烈變化，在一段時(shí)間出現(xiàn)遠(yuǎn)遠(yuǎn)高于日常緩慢行為加速度的峰值，加速度公式用下式表示：

式中A 為三軸加速度的合加速度。ax,ay,az分別為加速度計(jì)對同一個(gè)數(shù)據(jù)點(diǎn)收集到的三軸的加速度數(shù)據(jù)。

日常行為中的合加速度模擬如圖2 所示，橫坐標(biāo)為數(shù)據(jù)點(diǎn)，縱坐標(biāo)為加速度。

圖2 人體各行為動(dòng)作合加速度

圖3 跌倒檢測算法流程圖

根據(jù)圖2 可得各種行為活動(dòng)合加速度峰值，對每組數(shù)據(jù)求平均值，整理如表1 所示。

表1 每組各項(xiàng)行為活動(dòng)平均合加速度峰值

如表1 所示，跑步的合加速度峰值都在2.0g 以上，跳躍的合加速度峰值都在3.0g 以上，最大可以達(dá)到3.5g。其他的緩慢活動(dòng)中不同身高體型的人的合加速度值差異不大，比如靜止站立的時(shí)候，此時(shí)加速度都約為一個(gè)重力加速度。實(shí)驗(yàn)人員均為18～22 歲青年，在跑步、行走、跳躍等動(dòng)作可能與實(shí)際情況下的老年群體有所差別。為了保證能檢測到所有跌倒或疑似跌倒的動(dòng)作，同時(shí)又能區(qū)分一些很明顯的非跌倒動(dòng)作，我們設(shè)定合加速度的閾值為1.7g，通過這個(gè)閾值，就可以排除一些非劇烈行為活動(dòng)，同時(shí)這個(gè)閾值比跌倒動(dòng)作產(chǎn)生最大合加速度值要小，即當(dāng)?shù)够蛞伤频箘?dòng)作發(fā)生時(shí)都可以進(jìn)入后面的檢測判斷步驟，減少漏判的情況。

■3.2 人體傾角

在數(shù)據(jù)收集中，定義數(shù)據(jù)AngleX, AngleY, AngleZ 為與初始（筆直站立）調(diào)零時(shí)刻x， y，z 方向?qū)?yīng)的夾角。跌倒 時(shí)AngleX ≥60 °， 即 對 于 一 般 情 況AngleXi-AngleX0≥60 °，其中AngleX0是初始時(shí)刻的角度，AngleXi為此后任意時(shí)刻角度。若需時(shí)刻對AngleX0和AngleXi進(jìn)行保存并計(jì)算，對設(shè)備存儲(chǔ)讀取數(shù)據(jù)要求較高。構(gòu)造地面坐標(biāo)系OX0Y0Z0，和固定于人體的動(dòng)坐標(biāo)系OX1Y1Z1有：

■3.3 運(yùn)動(dòng)劇烈程度

定義加速度幅度區(qū)域SMA(Signal Magnitude Area)其中T 是歸一化時(shí)間：

SMA 即為加速度-時(shí)間圖像下的平均面積。該面積大小可以反映一段時(shí)間活動(dòng)的劇烈程度，SMA 越大運(yùn)動(dòng)程度越劇烈。對老年群體而言，平時(shí)日常行為都是緩慢運(yùn)動(dòng)為主，偶有較大SMA，而跌倒在瞬時(shí)段也屬于一種劇烈運(yùn)動(dòng)，SMA 較大。因此，SMA 也可作為一個(gè)判定標(biāo)準(zhǔn)。

4 跌倒檢測算法及檢測結(jié)果

跌倒檢測算法是設(shè)備識(shí)別跌倒的根本，追求低誤判、低漏判的檢測算法尤為重要。正如本文第3 節(jié)所講，我們可以通過SMA，人體傾角，合加速度等多個(gè)判定標(biāo)準(zhǔn)去衡量。但是考慮到跌倒識(shí)別裝置為人體可穿戴裝置，其體積小質(zhì)量輕，所擁有的計(jì)算能力可能較弱，不適合做大量復(fù)雜運(yùn)算。而SMA 為較為復(fù)雜的積分運(yùn)算，對算力要求比較高，一定程度上會(huì)影響判定的實(shí)時(shí)性和高效性，故本文設(shè)計(jì)的算法中不考慮該特征。

本文設(shè)計(jì)的跌倒識(shí)別算法主要有以下幾個(gè)判定條件。

①合加速度A 應(yīng)當(dāng)連續(xù)多次（ ≥3 次）超過閾值1.7g

考慮到設(shè)備的靈敏度等問題，對于一些偶然的大幅度行為，可能導(dǎo)致速度突變，產(chǎn)生孤立的較大加速度值。故需要在一段時(shí)間內(nèi)連續(xù)超過跌倒閾值，才可初步判定為“可能是跌倒”。該條件主要是為了排除一些突然的大動(dòng)作導(dǎo)致的超過閾值的誤判。

②傾角θ≤30 °

考慮到上下樓、跑步、跳躍等相對劇烈的運(yùn)動(dòng)加速度也會(huì)出現(xiàn)連續(xù)多次大于閾值，而傾角與站立姿態(tài)幾乎沒有變化，故通過人體傾角變化同時(shí)對跌倒進(jìn)行判定。

利用三軸加速度傳感器采集日常行為活動(dòng)和跌落的數(shù)據(jù)，分析各個(gè)行為的特點(diǎn)，根據(jù)以上數(shù)據(jù)中的特征量，與跳躍、跑步、上下樓梯、蹲起等與跌倒加速度特征相似的劇烈運(yùn)動(dòng)進(jìn)行對比，分析出合加速度峰值和傾角的特征，設(shè)置判定閾值并制定識(shí)別算法，最后在智能手機(jī)上驗(yàn)證了我們制定的實(shí)時(shí)跌倒識(shí)別算法。我們進(jìn)行了20 組日常行為活動(dòng)實(shí)驗(yàn)，每個(gè)實(shí)驗(yàn)組包含了正常行走、跑步、蹲起、跳躍和上下樓梯這5 項(xiàng)行為，以及10 組摔倒實(shí)驗(yàn)，每組實(shí)驗(yàn)包含前摔、后摔、行進(jìn)中跌倒這3 種跌倒類型。如表2 和表3 所示，通過統(tǒng)計(jì)分析實(shí)驗(yàn)結(jié)果，我們得出了本算法跌倒識(shí)別的準(zhǔn)確率達(dá)95%，漏報(bào)率0%，跌倒類型判斷的準(zhǔn)確率達(dá)90%。

表2 日常行為活動(dòng)實(shí)驗(yàn)

表3 摔倒實(shí)驗(yàn)

實(shí)驗(yàn)平均準(zhǔn)確率較高，響應(yīng)時(shí)間在由儀器、實(shí)驗(yàn)方法所造成的誤差范圍內(nèi)。該結(jié)果證明本文設(shè)計(jì)的算法可以將跌倒行為和緩慢行為以及劇烈運(yùn)動(dòng)進(jìn)行區(qū)分，同時(shí)還可以判斷跌倒的種類，并能及時(shí)發(fā)出報(bào)警，基本滿足預(yù)期跌倒前識(shí)別并報(bào)警效果。由于沒有SMA 算法，無法對運(yùn)動(dòng)劇烈程度進(jìn)行判定，故測試結(jié)果中對于行進(jìn)中摔倒有多次誤判為前摔。對于較少的誤判情況，未來需要再獲取更多數(shù)據(jù)信息進(jìn)一步分析處理，對閾值判別進(jìn)行進(jìn)一步的優(yōu)化。在未來的工作中，我們將考慮使用工作輪詢等方法，以更有效地解決使用智能手機(jī)作為傳感平臺(tái)連續(xù)運(yùn)行工作的能耗問題。

5 總結(jié)

綜上所述，通過算法和人體行為數(shù)據(jù)的匹配程度尋找“疑似”跌倒行為，解決了生活中缺乏訓(xùn)練樣本的問題；然后加入傾角信息進(jìn)行二次判斷，在完成跌倒識(shí)別的同時(shí)，提高了近似行為的識(shí)別率，同時(shí)可以協(xié)助識(shí)別出不同的跌倒種類。仿真結(jié)果和理論分析表明，與其他三種方法相比，本文提出的方法具有更高的精度，同時(shí)有效地識(shí)別了墜落行為。特別適合日常以緩慢運(yùn)動(dòng)的老年群體。同時(shí)，本文研究的方法同時(shí)可以識(shí)別跌倒方式、具有較高精度、較低能耗的特點(diǎn)，可以提高跌倒防護(hù)產(chǎn)品的經(jīng)濟(jì)性和實(shí)用性，具有良好的應(yīng)用前景。未來將把該算法應(yīng)用于自主開發(fā)的嵌入式系統(tǒng)中，并配合快速充氣和保護(hù)氣囊等防護(hù)模塊，實(shí)現(xiàn)的“跌落前識(shí)別，跌倒時(shí)防護(hù)”的完整功能。