面向摔倒監(jiān)測的紐扣型可穿戴式節(jié)點系統(tǒng)*

孫 祥，莊 偉，戴 棟

（1.南京信息工程大學(xué)信息與控制學(xué)院，南京210044；2.南京信息工程大學(xué)計算機與軟件學(xué)院，南京210044；3.東南大學(xué)儀器科學(xué)與工程學(xué)院，南京210091）

面向摔倒監(jiān)測的紐扣型可穿戴式節(jié)點系統(tǒng)*

孫 祥1，莊 偉2*，戴 棟3

（1.南京信息工程大學(xué)信息與控制學(xué)院，南京210044；2.南京信息工程大學(xué)計算機與軟件學(xué)院，南京210044；3.東南大學(xué)儀器科學(xué)與工程學(xué)院，南京210091）

摔倒作為世界第二大意外傷害死亡的誘因，已嚴重威脅到老年人的身心健康，因而摔倒監(jiān)測日益變得緊迫。摔倒監(jiān)測的可穿戴式節(jié)點系統(tǒng)的主要目的是監(jiān)測到摔倒行為并進行及時的報警，從而可以大大減小由摔倒帶來的傷害。本系統(tǒng)是基于三軸加速度傳感器采集人體的運動信號，利用人體運動時加速度特征的改變，提出了一種準(zhǔn)確度高穩(wěn)定性好的SVM分類算法進行二元分類，區(qū)別摔倒與日?；顒?，并將結(jié)果實時顯示在Android手機客戶端。實驗結(jié)果表明，可穿戴式節(jié)點系統(tǒng)能夠較好地實現(xiàn)摔倒行為的連續(xù)監(jiān)測，正檢率可達94.8%。

摔倒監(jiān)測；加速度傳感器；SVM；可穿戴

摔倒作為世界第二大意外傷害死亡的誘因，目前已經(jīng)成為一個主要的公共健康問題，尤其對老年人而言。作為日常生活中常見的突發(fā)事件，10%～15%的摔倒將導(dǎo)致老年人嚴重損傷，往往會造成銀發(fā)族老人嚴重骨折甚至喪失生活自理能力。研發(fā)體積小、重量輕、低成本、低功耗的摔倒監(jiān)測設(shè)備已成為學(xué)術(shù)界和工業(yè)界共同關(guān)注的熱點［1-2］。

目前國際上對于摔倒行為識別及監(jiān)測的方法主要分為兩種：一種是基于視覺信息技術(shù)的摔倒行為識別。另一種是基于穿戴式傳感器的摔倒行為識別。前者主要是通過攝像頭來完成對目標(biāo)圖像的捕捉，繼而用圖像處理算法來判別目標(biāo)姿態(tài)是否為摔倒行為。比如Rougier［3］曾提出一種通過攝像頭捕捉人體形狀改變摔倒檢測算法，其局限性在于會涉及到個人隱私問題且只能完成小范圍的摔倒監(jiān)測。陳春雨［4］等運用三幀差分法通過對視頻圖像中目標(biāo)對象輪廓的提取來判斷行走于摔倒，但視覺信息采集裝置成本高、功耗大，且受制于已部署圖像采集裝置的場景。

基于可穿戴式傳感器的摔倒判別主要是通過加速度計，陀螺儀等來獲得人體姿態(tài)信號。比如Hwang J Y［5］等學(xué)者研制的由加速度計，傾角傳感器和陀螺儀組成的摔倒監(jiān)測系統(tǒng)，當(dāng)目標(biāo)對象胸部角度變化70°時，該系統(tǒng)即判定摔倒，然而該系統(tǒng)卻沒考慮在樓梯上滑倒坐下上身傾斜角不變的情況。John A Stankovic［6］等研究人員通過在大腿和胸部多位置佩戴慣性器件來提高準(zhǔn)確度，運用閾值判定算法來判別摔倒行為，其準(zhǔn)確率達到92%，但在實際生活環(huán)境中，多位置佩戴節(jié)點往往會給人們的行動帶來不便。

本文提出了基于三軸加速度傳感器單節(jié)點摔倒判別系統(tǒng)，采用SVM算法對特征值復(fù)雜度低的加速度值的強度值，標(biāo)準(zhǔn)差，協(xié)方差進行處理，通過支持向量機的二元識別，即使在訓(xùn)練集較小的情況下也能得到較高的摔倒檢出率。同時，本系統(tǒng)采用單節(jié)點僅僅佩戴在胸部位置獲取人體姿態(tài)信號，有效的解決了人體多位置佩戴傳感器帶來的不便。此外該紐扣型可穿戴節(jié)點系統(tǒng)采用Bluetooth low energy（低功耗藍牙4.0）進行無線數(shù)據(jù)傳輸，極低的待機與運行功耗使得一粒紐扣電池工作數(shù)月之久，有效地解決了傳統(tǒng)無線通信功耗大的弊端。最后通過實驗證明該系統(tǒng)對摔倒監(jiān)測具有極高的準(zhǔn)確性和適用性。

1 系統(tǒng)結(jié)構(gòu)設(shè)計

1.1 摔倒監(jiān)測原理

圖1為摔倒行為分類圖。其中包含圖①（正常日常活動），以及一些常見的摔倒類型，包括圖②（絆倒），圖③（滑倒），圖④（暈倒），圖⑤（撞倒）。摔倒一般可以理解為非預(yù)期性的由于身體失去平衡而使身體由站立或坐立狀態(tài)轉(zhuǎn)變?yōu)樘傻棺藙莸倪^程。

圖1 摔倒行為分類示意圖

如圖2所示可以將人站立狀態(tài)抽象為一個三維坐標(biāo)系，其中X軸所指的方向為人體左右方向，此方向上的加速度的變化?x，Y軸所指方向為人體垂直方向，此方向上的加速度的變化?y，Z軸所指方向為人體前后方向，則加速度的變化?z。當(dāng)人處于站立狀態(tài)時，X、Z軸方向的加速度都為0，Y軸方向加速度為-gn。合成加速度?=(?x,?y,?z):

摔倒行為往往伴隨著身體姿態(tài)的改變，繼而3個軸的加速度及其矢量也會隨之改變，則需要對摔倒?fàn)顟B(tài)建立模型并提取測試對象的加速度特征值，構(gòu)建合理的特征參數(shù)組合，通過支持向量機分類器區(qū)分摔倒與非摔倒行為。

圖2 加速度坐標(biāo)定義

1.2 系統(tǒng)框架

該系統(tǒng)如圖3所示，主要包括3部分：其一是數(shù)據(jù)采集，通過在人體胸部位置佩戴三軸加速度傳感器來獲取人體姿態(tài)信號的加速度特征值。其二是數(shù)據(jù)傳輸，通過低功耗藍牙進行無線數(shù)據(jù)傳輸。其三是數(shù)據(jù)處理，Android客戶端將無線傳輸過來的數(shù)據(jù)進行處理與分析，監(jiān)測摔倒是否發(fā)生，如有發(fā)生摔倒即刻會發(fā)送短信求助。

圖3 人體摔倒監(jiān)測系統(tǒng)

1.3 硬件設(shè)計

在系統(tǒng)設(shè)計中，采用以NORDIC公司推出的無線射頻收發(fā)器nRF51822為主控芯片，支持低功耗藍牙4.0（Bluerooth Low Energy），工作電壓在1.8 V～3.6 V因而紐扣型電池即可滿足要求。其三軸加速度傳感器采用的是集加速度計和陀螺儀于一身的運動處理傳感器MPU6050［7］，16 bit的ADC可滿足測試精度，將測量的模擬量轉(zhuǎn)化為可輸出的數(shù)字量。

1.3.1 nRF51822與MPU6050硬件接口

MPU6050與nRF51822之間采用I2C接口通信，總線包括串行數(shù)據(jù)線（SDA）和串行時鐘線（SDL）。系統(tǒng)系統(tǒng)硬件結(jié)構(gòu)如圖4所示。

圖4 系統(tǒng)硬件結(jié)構(gòu)示意圖

當(dāng)MPU6050連接到nRF51822系統(tǒng)芯片時，MPU6050作為從設(shè)備，并通過唯一的地址與之匹配，數(shù)據(jù)傳輸時從高位到低位依次傳輸，最大總線速率為400 kHz。nRF51822作為主控芯片負責(zé)向MPU6050寫入控制指令，MPU6050作為從設(shè)備負責(zé)向nRF51822傳輸數(shù)據(jù)。圖5即為對MPU6050的操作時序圖。開始信號表示為SCL保持高電平，而SDA由高電平跳變?yōu)榈碗娖?，則表示可以開始傳輸數(shù)據(jù)。結(jié)束信號表示為SCL保持高電平，而SDA由低電平跳變?yōu)楦唠娖?，則表示傳輸數(shù)據(jù)結(jié)束。在I2C數(shù)據(jù)傳輸過程中，當(dāng)時鐘線SCL在高電平期間，數(shù)據(jù)線SDA必須保持穩(wěn)定，只有當(dāng)時鐘線為低電平時，數(shù)據(jù)線才可以改變電平狀態(tài)。當(dāng)讀取MPU6050寄存器值時，首先由nRF51822產(chǎn)生一個開始信號（S），接著發(fā)送從設(shè)備MPU6050的7 bit器件地址和一個寫數(shù)據(jù)位0，等待從設(shè)備產(chǎn)生應(yīng)答信號（ACK），接收應(yīng)答信號后主設(shè)備發(fā)送寄存器的地址，從設(shè)備MPU6050產(chǎn)生應(yīng)答信號后，nRF51822產(chǎn)生一個開始信號（S）并發(fā)送從設(shè)備MPU6050的7 bit器件地址和一個讀數(shù)據(jù)位1。MPU6050產(chǎn)生應(yīng)答信號（ACK）后，即可以向nRF51822不斷發(fā)送加速度數(shù)據(jù)，直到產(chǎn)生結(jié)束信號（P）數(shù)據(jù)傳輸結(jié)束。

圖5 I2C的通信過程

1.3.2 通信部分

nRF51822采集人體加速度數(shù)據(jù)并通過低功耗藍牙與上位機實現(xiàn)無線通信。nRF51822的工作在2.4 GHz頻段上，加速度數(shù)據(jù)的采樣頻率為50 Hz，因為人體日?；顒拥念l率基本在0～20 Hz，因此50 Hz是比較好的采樣頻率，既可以充分采集到人體的運動信息，也不會產(chǎn)生冗余數(shù)據(jù)。繼而將采集到的加速度數(shù)據(jù)實時的通過藍牙無線傳輸給Android手機端。

2 摔倒監(jiān)測算法設(shè)計

不同于當(dāng)前大部分都是基于閾值技術(shù)的摔倒監(jiān)測算法，而本文采用機器學(xué)習(xí)的方法，在Android軟件平臺上將SVM運用到摔倒二元識別，圖6顯示了摔倒算法的流程。

圖6 摔倒監(jiān)測算法

2.1 初始化和數(shù)據(jù)采集

系統(tǒng)初始化指的是上位機和下位機的初始化，nRF51822負責(zé)采集MPU6050加速度數(shù)據(jù)。

2.2 數(shù)據(jù)預(yù)處理

通過摔倒監(jiān)測的紐扣型可穿戴式節(jié)點系統(tǒng)采集到的原始加速度數(shù)據(jù)不可避免的含有噪聲，包括系統(tǒng)本身運行時噪聲和身體抖動噪聲，在數(shù)據(jù)采集階段利用MPU6050自身的5 Hz的低通濾波去除身體抖動影響，并通過卡爾曼濾波去噪。

2.3 滑動窗口方法

為了模擬本可穿戴式節(jié)點系統(tǒng)實時監(jiān)測摔倒行為的真實性，需要對采集的加速度數(shù)據(jù)運用窗口滑動技術(shù)，從而進行實時特征計算和分類。為了權(quán)衡能耗和摔倒的檢出率，我們選擇窗口寬度為2 000 ms，因為窗口寬度過小，靈敏度將會降低，窗口寬度過大，單次迭代計算復(fù)雜度將會提升，能耗也隨之增大。圖7為即窗口滑動過程，滑動窗口以相同步長向前滑動，并對滑動窗口內(nèi)加速度數(shù)據(jù)提取強度值，標(biāo)準(zhǔn)差，協(xié)方差，并結(jié)合SVM分類器，當(dāng)有摔倒行為發(fā)生，則判斷過程結(jié)束并定義此行為為摔倒行為。

圖7 滑動窗口數(shù)據(jù)分段示意圖

2.4 支持向量機

支持向量機SVM（Support Vector Machine）是基于統(tǒng)計學(xué)理論的一種機器學(xué)習(xí)方法，廣泛地運用于二類分類問題［8］。設(shè)給定一個n維訓(xùn)練樣本{(x1,y1),(x2,y2),…,(xi,yi)}，其中 xi∈Rd為輸入向量，yi∈{-1,1}為輸出向量。假設(shè)這些訓(xùn)練樣本是線性可分的，即存在一個超平面ω.x+b=0將訓(xùn)練樣本分為兩類：

令分類函數(shù) f(x)=ω.x+b，（其中ω.x為ω和x的內(nèi)積），為確定參數(shù)ω，b旨在更加精確地劃分不同類的點，區(qū)分摔倒與非摔倒，則需要找出最大的分類間隔相當(dāng)于求，繼而采用Lagrange乘除法進行求解。則可寫成：

求解最優(yōu)化超平面的問題等價于參數(shù)ω，b的優(yōu)化問題，最終轉(zhuǎn)化為對對偶因子α的求解。為了避免直接在高維上進行復(fù)雜的計算，運用RBF函數(shù)，其公式如下：

進入滑動窗口模塊，提取特征值加速度強度值?、標(biāo)準(zhǔn)差σ，協(xié)方差Λ，并對這3個特征值重組，共有7種組合（如表1），依次將這些特征組合進行SVM訓(xùn)練，并將數(shù)據(jù)集交叉驗證，直到所有的特征組合訓(xùn)練全部結(jié)束，最終輸出SVM摔倒識別率、特征組合以及參數(shù)γ和C。

表1 特征參數(shù)組合

3 實驗過程

實驗數(shù)據(jù)采集過程由多名23歲左右志愿者模擬摔倒和日常行為，整個實驗過程統(tǒng)一在實驗者胸部位置佩戴摔倒節(jié)點。

圖8 滑倒（實驗數(shù)據(jù)采集階段）

圖9 暈倒（實驗數(shù)據(jù)采集階段）

圖10 絆倒（實驗數(shù)據(jù)采集階段）

如表2所示，我們總共進行了包括絆倒、滑倒、暈倒、撞倒在內(nèi)的111次實驗，并采集了相關(guān)數(shù)據(jù)。同時也采集了包括可能與摔倒誤判的跑、做操在內(nèi)的150組ADL數(shù)據(jù)。

表2 活動類別及總數(shù)

4 實驗結(jié)果

為了評估本系統(tǒng)的摔倒識別準(zhǔn)確度，用以下3個公式作為評估方式。

其中TP定義為測試摔倒行為時正確識別樣本數(shù)目，F(xiàn)N定義為測試摔倒行為時未能識別樣本數(shù)目，TN定義為測試日?；顒訒r正確識別ADL樣本數(shù)目，F(xiàn)P為測試日常活動時未能正確識別ADL樣本數(shù)［9］。

摔倒檢測和日?；顒拥臋z測情況如表3、表4所示，實驗過程對特征值[?,σ,Λ]進行了交叉驗證，結(jié)果得出最優(yōu)的參數(shù)組合?-σ-Λ，并將最優(yōu)的特征組合進行SVM訓(xùn)練，優(yōu)化參數(shù)得出γ和C，當(dāng)C= 500，γ=0.7時，準(zhǔn)確度可以達到94.8%。表5顯示了摔倒行為和日?；顒拥臋z出率。

表3 測試摔倒行為結(jié)果

表4 測試日常活動結(jié)果

表5 摔倒和日?；顒訖z出率

5 結(jié)論

本可穿戴式摔倒節(jié)點監(jiān)測系統(tǒng)在低功耗藍牙傳輸?shù)幕A(chǔ)上通過單個加速度傳感器實時獲取人體的運動信號，在Android客戶端平臺上將3個特征值用于SVM分類，從試驗結(jié)果可以看出，本系統(tǒng)摔倒監(jiān)測準(zhǔn)確率可達94.8%。未來我們將致力于將智能手機本身作為可穿戴設(shè)備的摔倒監(jiān)測裝置，可避免攜帶其他裝置。摔倒發(fā)生時，運用手機定位與通信功能即可自動求助。本實驗的不足之處在于所有的實驗數(shù)據(jù)都是在模擬的環(huán)境中得出的，往往與真實生活環(huán)境中的老人摔倒存在偏差。

［1］曹玉珍，蔡偉超，程旸.基于MEMS加速度傳感器的人體姿檢測技術(shù)［J］.納米技術(shù)與精密工程，2010（1）：37-41.

［2］羅堅，唐琎，毛芳，等.基于云計算的可穿戴式老齡人異常行為檢測系研究［J］.傳感技術(shù)學(xué)報，2015（8）：1108-1114.

［3］Rougier C，Meunier J，St-Arnaud A，et al.Monocular 3D Head Tracking to Detect Falls of Elderly People［C］//28th Annual Inter?national Conference of the IEEE，2006：6384-6387.

［4］陳春雨，周勝.基于視頻的人體異常行為檢測與識別［J］.哈爾濱商業(yè)大學(xué)學(xué)報（自然科學(xué)版），2014，6：686-689.

［5］Hwang J Y，Kang J M，Jang Y W，et al.Development of Novel Al?gorithm and Real-time Monitoring Ambulatory System Using Blue?tooth Module for Fall Detection in the Elderly［C］//Proceedings of the 26th Annual International Conference of the IEEE EMBS，San Francisco，2004：2204-2207.

［6］Li Qiang，John A.Stankovic，Mark A.Hanson，et al.Fast Fall De?tection Using Gyroscopes and Accelerometer-Derived Posture Information［C］//Six International Workshop on Wearable and Im?plantable Body Sensor Network，2009：138-143.

［7］陳煒峰，席萬強，周峰，等.基于物聯(lián)網(wǎng)技術(shù)的山體滑坡監(jiān)測及預(yù)警系統(tǒng)設(shè)計［J］.電子器件，2014，37（2）：279-282.

［8］鄧乃揚，田英杰.數(shù)據(jù)挖掘中的新方法：支持向量機［M］.北京出版社，2004.

［9］趙祥欣.基于三維加速度傳感器的跌倒檢測研究［D］.浙江大學(xué)，2008.

孫 祥（1991-），男，漢族，江蘇淮安人，南京信息工程大學(xué)碩士研究生，研究方向為無線傳感網(wǎng)，18362097621@163.com；

莊 偉（1980-），男，漢族，江蘇宿遷人，南京信息工程大學(xué)研究生導(dǎo)師，主要從事可穿戴式體感網(wǎng)系統(tǒng)，運動分析與行為識別，seujaguar@163.com。

Button Type Wearable Node System for Fall Detection*

SUN Xiang1，ZHUANG Wei2*，DAI Dong3
（1.Institute of Information and Control，Nanjing University of Information Science&Technology，Nanjing 210044，China；2.Institute of Computer and Software，Nanjing University of Information Science&Technology，Nanjing 210044，China；3.Institute of Instrument Science and Engineering，Southeast University，Nanjing 210091，China）

Falls have been the second most cause of accidental injury to death in the world.It has been a serious threat to the physical and mental health of the elders.And fall detection has become increasingly pressing at pres?ent.The main purpose of the wearable node system is to monitor the falling behavior and to carry out timely warn?ing，Thereby greatly reducing the damage caused by the falls.This system is based on the tri-axis acceleration sen?sor which is used to collect the human body motion signal.By using the change of acceleration characteristics of hu?man motion，a new SVM classification algorithm with high accuracy and good stability is proposed so as to classify the falls and ADLs，and the results are Real-time displayed on Android mobile phone client.Tests show that the wearable node system can achieve the continuous monitoring of falling behavior and get a positive rate to 94.8%.

fall detection；tri-axis acceleration sensor；SVM；wearable

TN92

A

1005-9490（2016）06-1482-05

7220

10.3969/j.issn.1005-9490.2016.06.039

項目來源：國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)項目（20141030010）；江蘇省高校自然科學(xué)基金項目（12KJB510010）；南京信息工程大學(xué)校預(yù)研基金項目（2241091201036）

2015-12-17 修改日期：2016-02-05