徐甲棟，陳強，王洪杰

（1.上海工程技術(shù)大學(xué)電子電氣工程學(xué)院，上海 201620；2.國網(wǎng)臨沂供電公司，山東臨沂 276000）

0 引言

如今社會生活水平不斷提高，但同時也面臨著人口老齡化問題日益嚴重與監(jiān)護資源不足的矛盾。目前與老年人監(jiān)護相關(guān)的跌倒檢測技術(shù)還不夠完善，且老人意外跌倒的發(fā)生率較高，存在極大的人身安全問題。老人發(fā)生跌倒時，監(jiān)護人若第一時間發(fā)現(xiàn)并進行救助，可有效降低跌倒造成的傷殘和死亡率。因此，針對老年人群的跌倒檢測成為目前的研究熱點之一。

目前跌倒檢測主要有3種方式：基于視頻圖像、基于環(huán)境信號與基于可穿戴式裝置的跌倒檢測。基于視頻圖像的檢測方式是利用視頻設(shè)備采集老人生活中的活動圖像信息，通過提取圖片或視頻里的人體輪廓尋找姿態(tài)特征點，運用圖像處理相關(guān)算法判別老人姿態(tài)，從而判斷其是否發(fā)生跌倒；基于環(huán)境的檢測方式通過收集老人跌倒在地面的聲波信號，從聲波信號中提取老人跌倒的特征，運用相關(guān)算法處理采集的信號，從而判別其是否跌倒；基于可穿戴式裝置的檢測方式是將一些傳感器放置到人體上，采集相關(guān)的傳感器數(shù)據(jù)信息，并利用采集的物理信息設(shè)計跌倒檢測算法，從而判別老人是否發(fā)生跌倒。

相對于基于視頻圖像與基于環(huán)境信號的跌倒檢測方法，基于可穿戴式裝置的檢測方法具有諸多優(yōu)勢，包括：①適用場景更廣，可擺脫空間限制，在絕大多數(shù)環(huán)境中都可以使用，能夠滿足老人的外出需求；②隱私保護性較好，不會給老人造成心理壓力；③成本低廉，易于普及；④不受周圍不同環(huán)境的干擾；⑤不影響正常生活。綜上考慮，本文研究基于可穿戴式裝置的檢測方式，結(jié)合閾值法與模式識別算法的優(yōu)點設(shè)計一種基于姿態(tài)融合的聯(lián)立判別跌倒檢測算法，并引入云技術(shù)和微信小程序，提出一種更便捷、可行的跌倒檢測系統(tǒng)。

1 系統(tǒng)設(shè)計

本文設(shè)計的跌倒檢測系統(tǒng)主要由3部分構(gòu)成：可穿戴式硬件設(shè)備、云服務(wù)器和監(jiān)護端小程序“工程大智能看護助手”?？纱┐魇接布O(shè)備負責通過慣性傳感器和定位模塊采集人的運動信息與位置信息，并將識別結(jié)果及其他信息上傳到云服務(wù)器；云服務(wù)器負責存儲數(shù)據(jù)，同時負責與小程序進行數(shù)據(jù)交互；監(jiān)護端小程序則負責顯示被監(jiān)護人的狀態(tài)信息，在發(fā)生意外情況時，便于監(jiān)護人與醫(yī)護人員通過“工程大智能看護助手”微信小程序查看被監(jiān)護人位置及狀態(tài)，在第一時間實施救助。系統(tǒng)總體框架如圖1所示（彩圖掃OSID碼可見，下同）。

Fig.1 Overall framework of fall detection system圖1 跌倒檢測系統(tǒng)總體框架

1.1 硬件設(shè)計

系統(tǒng)硬件設(shè)計如圖2所示。外部電源負責供電，慣性傳感器模塊MPU6050內(nèi)置3軸MEMS陀螺儀和三軸MEMS加速度計，負責采集人體的角速度和加速度等信息。采集到的是模擬信號，通過模數(shù)轉(zhuǎn)換將模擬信號9轉(zhuǎn)換成電信號，并根據(jù)MPU6050使用手冊將電信號轉(zhuǎn)換成對應(yīng)的角速度和加速度數(shù)據(jù)信息。ATGM332D定位模塊默認采用NMEA-0183協(xié)議，NMEA-0183協(xié)議可輸出GNGGA、GNRMC、GNVTG、GNZDA、BDGSA、GPGGA等格式的數(shù)據(jù)。主處理器STM32F103選擇GPGGA格式進行定位解析，處理完MPU6050模塊采集的數(shù)據(jù)后，對數(shù)據(jù)進行存儲，并基于姿態(tài)融合的聯(lián)立判別跌倒檢測算法判斷是否發(fā)生跌倒行為，通過SIM900A數(shù)據(jù)傳輸模塊將設(shè)備編號、狀態(tài)與位置等信息上傳到云服務(wù)器進行存儲。

Fig.2 System hardware design圖2 系統(tǒng)硬件設(shè)計

1.2 軟件設(shè)計

通過SSH工具連接云服務(wù)器搭建環(huán)境。LNMP是在Linux系統(tǒng)下由Nginx服務(wù)器、MySQL數(shù)據(jù)庫及PHP搭建的服務(wù)器架構(gòu)，具有高效、免費、擴展性強等優(yōu)點。LNMP搭建完成后，微信小程序不能直接操作數(shù)據(jù)庫中的數(shù)據(jù)，需要借助接口文件完成數(shù)據(jù)請求與數(shù)據(jù)返回功能。將寫好的PHP腳本文件部署到服務(wù)器并配置好MySQL數(shù)據(jù)庫，之后微信小程序即能與服務(wù)器進行數(shù)據(jù)交互。微信小程序與服務(wù)器交互框圖如圖3所示。

Fig.3 Interaction diagram between WeChat applet and server圖3 微信小程序與服務(wù)器交互框圖

微信小程序作為監(jiān)護端，相比傳統(tǒng)APP更方便、快捷。本文設(shè)計的小程序名為工程大智能看護助手，可方便監(jiān)護人實時查看老年人行為狀態(tài)與實時地理位置。使用微信開發(fā)工具對小程序進行開發(fā)，需要實現(xiàn)的主要功能如下：

（1）注冊與登錄功能。注冊手機號必須為11位，并規(guī)定密碼不能少于4位，注冊時需要對注冊手機號位數(shù)與密碼位數(shù)進行校驗。登錄時會匹配數(shù)據(jù)庫賬號密碼是否正確，并顯示登錄成功或賬號、密碼錯誤等信息。

（2）設(shè)備綁定功能。用戶可通過設(shè)備編碼添加與刪除設(shè)備，可綁定到指定被監(jiān)護人對應(yīng)的設(shè)備，便于查看。

（3）狀態(tài)信息顯示功能。添加設(shè)備信息后，通過查看狀態(tài)信息可查看綁定設(shè)備對應(yīng)的被監(jiān)護人姓名、身體狀況與地理位置信息。同時，在該頁面可更新位置信息，重新獲取最新的位置數(shù)據(jù)。

（4）地圖顯示功能。根據(jù)采集到的經(jīng)緯度數(shù)據(jù)，借用百度地圖顯示被監(jiān)護人與監(jiān)護人的地理位置信息，以便更快速地找到跌倒的被監(jiān)護人，并對其實施救助。

軟件設(shè)計完成后，經(jīng)過測試，各功能模塊可正常使用，實用性強且使用便捷。

2 數(shù)據(jù)預(yù)處理

2.1 坐標系建立

建立合理的坐標系是分析人體姿態(tài)變化的前提。將可穿戴設(shè)備置于人體腰部，人體坐標系O-XYZ會隨人體軀干的狀態(tài)變化而變化。人直立靜止時為初始狀態(tài)，同樣以人體腰部為原點O，人體左手方向為Z軸正方向，繞X軸順時針旋轉(zhuǎn)的是俯仰角

θ

；人體面前的方向為Y軸正方向，其垂直于X軸，繞Y軸順時針旋轉(zhuǎn)的是橫滾角

θ

；人腳下的方向為Z軸正方向，繞Z軸順時針旋轉(zhuǎn)的是偏航角

θ

。三軸互相垂直，人體坐標系（即載體坐標系）會隨人體的運動而變化，如圖4所示。參考坐標系與人體坐標系初始狀態(tài)相同。

Fig.4 Human body coordinatesystem圖4 人體坐標系

（1）人向不同方向跌倒時，三軸加速度的變化不同，但三軸的加速度幅值與

acc

的變化相近。跌倒行為相比于步行、跑步等日常行為的變化更為劇烈，因此可將三軸加速度幅值與

acc

作為跌倒行為特征進行識別。加速度幅值與

acc

計算公式如式（1）所示。

其中，

acc

、

acc

、

acc

是三軸加速度計3個軸向的加速度值。（2）人體跌倒時，角速度變化也是一個重要的特征量。日常行為與跌倒行為的角速度具有明顯不同，與加速度變化相似，跌倒方向不同也會產(chǎn)生不同的三軸角速度變化。由于不同方向跌倒行為的三軸合角速度

ω

變化也具有相似之處，因此取三軸合角速度

ω

作為特征量：

其中，

ω

、

ω

、

ω

是三軸陀螺儀3個軸向的角速度值。

2.2 互補濾波

MEMS陀螺儀具有良好的高頻特性，但累計誤差較大。MEMS加速度計與陀螺儀相反，加速度計具有良好的低頻特性，沒有累計誤差，但動態(tài)特性較差。其特性對比如表1所示。

Table1 Characteristic comparison of MEM Saccelero meter and gyroscope表1 MEMS加速度計與陀螺儀特性對比

因此，可借助互補濾波充分應(yīng)用兩者的特性融合計算姿態(tài)角，從而提高姿態(tài)角的測量精度，同時又可增強系統(tǒng)穩(wěn)定性?；パa濾波器根據(jù)傳感器的不同特性，濾掉了加速度計的高頻信號與陀螺儀的低頻信號。具體過程如下：

假設(shè)加速度計的輸出為

a

=[

a

a

a

]，陀螺儀的輸出為

ω

=[

ω

ω

ω

]，重力加速度為

g

=[0 0 1]，姿態(tài)矩陣為

C

。將

g

由N系轉(zhuǎn)換到B系當中，轉(zhuǎn)換過程如式（6）所示。

進行歸一化處理后求得誤差e為：

通過誤差e修正陀螺儀的誤差

δ

：

對陀螺儀進行誤差補償：

ω

=

ω

+

δ

，然后采用一階龍格庫塔法更新四元數(shù)。

之后根據(jù)四元數(shù)、方向余弦矩陣與歐拉角的轉(zhuǎn)換關(guān)系，將四元數(shù)轉(zhuǎn)換成歐拉角：

為驗證姿態(tài)數(shù)據(jù)融合濾波算法的有效性與可行性，設(shè)計一個仿真試驗。將慣性裝置穿戴在人體腰部，采集加速度傳感器與陀螺儀的輸出數(shù)據(jù)進行姿態(tài)角解算。具體實驗流程如下：首先將采集裝置打開，靜止在初始位置并輸出記錄值；然后變速跑動40s再正常行走20s，輸出記錄值；最后回到初始位置，取下采集裝置并靜置，輸出記錄值。通過互補濾波融合處理不同階段運動載體的姿態(tài)角，動態(tài)環(huán)境下歐拉角輸出結(jié)果如圖5所示。

對動態(tài)環(huán)境下俯仰角、橫滾角與偏航角數(shù)據(jù)偏差進行對比分析，動態(tài)姿態(tài)角精度如表2所示。

Table2 Dynamic attitudeangle accuracy表2 動態(tài)姿態(tài)角精度

結(jié)果顯示在動態(tài)精度中，偏航角誤差相對較大，但本文研究不使用該姿態(tài)角，其余兩姿態(tài)角誤差都較為理想。從圖5、表2可以看出，互補濾波可保證姿態(tài)角在動態(tài)環(huán)境下偏移較小，滿足跌倒檢測系統(tǒng)的誤差范圍，因此選擇互補濾波算法作為姿態(tài)數(shù)據(jù)的融合濾波算法。

Fig.5 Euler angleoutput result under dynamic圖5 動態(tài)下歐拉角輸出結(jié)果

3 算法設(shè)計

通過查閱相關(guān)文獻資料，相比于模式識別算法，閾值法的判別準確率不足，但其優(yōu)點是計算量小且響應(yīng)速度快。模式識別算法的識別率雖然高，但是計算量大，對大量日常行為數(shù)據(jù)的識別使其效率降低，占用內(nèi)存資源多，且功耗也較大?；谏鲜隹紤]，本文結(jié)合兩種算法的優(yōu)點提出一種基于姿態(tài)融合的聯(lián)立判別跌倒檢測算法，先使用閾值法進行跌倒行為判別，在判別出可疑動作后，再通過模式識別算法進行最終判別。

3.1 閾值法

本文選擇加速度幅值和

acc

、合角速度

ω

及姿態(tài)角度

θ

3個變量作為閾值法檢測可疑跌倒行為的特征參數(shù)，下面將通過分析靜止、行走、坐下、躺下、跑步、跌倒6種行為的數(shù)據(jù)變化，確定3個特征參數(shù)的閾值。每個動作行為取5s的數(shù)據(jù)進行分析，其中加速度幅值和、合角速度與姿態(tài)角度變化如圖6所示。

Fig.6 Comparison of three characteristic variables of six behaviors圖6 6種行為3個特征變量比較

通過大量實驗對跌倒及日?；顒訑?shù)據(jù)的

acc

、

ω

與

θ

進行分析，結(jié)果表明，在一般情況下，日常活動中

acc

≤3

g

，

ω

≤3.4

rad

·

s

，

θ

≤50°。部分劇烈活動可能超過該值，但本文以此閾值作為可疑跌倒行為的判別依據(jù)。若閾值設(shè)置過大，會導(dǎo)致漏判概率增大，因此不以劇烈活動的峰值作為閾值。設(shè)定本文中檢測跌倒的加速度幅值和閾值

acc

=3

g

，合角速度閾值

ω

=3.4

rad

·

s

，姿態(tài)角度閾值

θ

=50°。

3.2 支持向量機

人跌倒與非跌倒是二分類問題，支持向量機（SVM）是常用的解決二分類問題的模式識別算法。

這就是SVM分類器的基本模型。

若要進行正確分類，首先要選擇并提取合適的特征參數(shù)，這是支持向量機算法的關(guān)鍵步驟，將直接影響識別效果。特征提取的常用方法有時域分析法與頻域分析法，時域分析法的運算速度更快，對計算能力要求低，因此本文選擇時域分析法進行特征提取。下面對各特征的特點進行分析：

（1）最大值與最小值。采集信號中的最大值與最小值是跌倒檢測中非常重要的特征指標，在日常行為和跌倒行為中，該特征區(qū)別較大。

（2）最大值與最小值的差值。最大值與最小值的差值也是重要的特征指標，跌倒行為發(fā)生時，二者差值通常較大。

（3）均值。均值數(shù)據(jù)可反映整體數(shù)據(jù)的一般趨勢。例如，對于實驗采集信號中的加速度信號，加速度均值可反映某數(shù)據(jù)片段內(nèi)整體加速度的一般趨勢。

（4）方差。方差反映數(shù)據(jù)的變化幅度，即上下左右波動的劇烈程度，可反映一組數(shù)據(jù)的集中與離散程度以及波動與穩(wěn)定狀況。一般方差越小，說明數(shù)據(jù)越集中、穩(wěn)定，反之則越離散。跌倒行為與日常行為的加速度、角速度、角度方差特征指標波動較大。

根據(jù)以上分析分別提取合加速度幅值和

acc

、合角速度

ω

與姿態(tài)角度

θ

的最大值、最小值，以及最大最小值的差值、均值與方差共15個特征參數(shù)。以加速度幅值和為例，差值、均值、方差計算公式如下，其余兩特征計算方法相同。

本文選用LIBSVM工具對樣本數(shù)據(jù)進行訓(xùn)練，建立分類模型，并使用測試集進行測試。

首先，將待訓(xùn)練樣本數(shù)據(jù)集train.txt與待測試樣本數(shù)據(jù)集test.txt按照LIBSVM要求的格式進行調(diào)整。數(shù)據(jù)格式如下：

[label][index1]：[value1][index2]：[value2]…

［label］是目標值，即分類類別。本文研究的是跌倒檢測的二分類問題，設(shè)跌倒行為為label=+1，非跌倒行為為label=-1。［index］是特征編號，即特征的有序索引，取值為1～n的整數(shù)。［value］是待訓(xùn)練樣本與測試樣本的特征值。

按LIBSVM格式要求整理的部分訓(xùn)練樣本數(shù)據(jù)如圖7所示。其中，序號1-15代表15個特征參數(shù)，按順序排列。

Fig.7 Part of training sampledata arranged according to LIBSVM format圖7 按LIBSVM格式要求整理的部分訓(xùn)練樣本數(shù)據(jù)

不同特征參數(shù)具有不同的量綱和單位，同時為避免不同特征值的范圍差距過大，進行歸一化處理，即對不同的特征參數(shù)值進行無量綱處理。對待訓(xùn)練的樣本數(shù)據(jù)進行歸一化處理后，將數(shù)據(jù)縮放到［-1，1］之間，然后選擇核函數(shù)。RBF核函數(shù)對于大樣本與小樣本都有不錯的效果，應(yīng)用最廣，因此本文選擇RBF核函數(shù)訓(xùn)練模型。選擇好RBF核函數(shù)后，通過交叉驗證方法尋找一組最優(yōu)懲罰因子

C

和核函數(shù)參數(shù)

γ

，得到結(jié)果如下：最優(yōu)懲罰因子

C

=0.4，最優(yōu)核函數(shù)參數(shù)

γ

=0.236。

采用svm-train命令行的方式獲取分類模型，對歸一化處理后的數(shù)據(jù)集svm_scale_train.txt進行訓(xùn)練，生成分類模型文件model.txt。部分分類模型文件內(nèi)容如圖8所示。

訓(xùn)練出分類模型后，根據(jù)準確率Accuracy的結(jié)果篩選出分類性能較好的分類模型，留下分類精確率大于95%的分類模型作為最終的跌倒檢測模型。

Fig.8 Part of classification model filecontent圖8 部分分類模型文件內(nèi)容

3.3 聯(lián)立判別跌倒檢測算法

根據(jù)人摔倒的特征變化，設(shè)計多級閾值的跌倒檢測判別流程：

Step1：判斷加速度幅值與

acc

是否超過閾值。因為人摔倒時，加速度變化較為劇烈，且響應(yīng)速度較快，所以最先判斷加速度變化。Step2：若加速度幅值和超過閾值，則判斷合角速度

ω

是否超過閾值。若合角速度超過閾值，則進行下一步判斷。

Step3：若合加速度與合角速度都超過閾值，再判斷姿態(tài)角度是否超過閾值，當3個閾值都超過閾值時，則判定為可疑跌倒行為。

人的日?；顒诱紦?jù)了生活中的大部分時間，多級閾值法負責檢測可疑的跌倒行為，主要是快速過濾掉較低強度的活動，輸出可疑的跌倒數(shù)據(jù)。通過閾值法檢測出可疑跌倒數(shù)據(jù)后，將啟動SVM分類算法對該數(shù)據(jù)進行最終判定。該數(shù)據(jù)經(jīng)過數(shù)據(jù)預(yù)處理提取特征向量后，再由3.2小節(jié)介紹的所獲得分類性能較好的分類模型進行分類判定。若判定結(jié)果為跌倒，即判斷該可疑跌倒動作為跌倒行為；若判定結(jié)果為未跌倒，即判斷該可疑跌倒動作為非跌倒行為。聯(lián)立判別跌倒檢測算法流程如圖9所示。

Fig.9 Flow chart of simultaneous discriminant fall detection algorithm圖9 聯(lián)立判別跌倒檢測算法流程

4 實驗結(jié)果與分析

本文選取10名男生和5名女生共15位志愿者模擬跌倒動作與日常行為動作，將采集裝置放置于人體腰部，采集加速度、角速度等數(shù)據(jù)。每名志愿者分別采集步行、慢跑、彎腰、坐下、躺下、下樓梯、向前跌倒、向右跌倒、向左跌倒、向后跌倒共10種行為動作數(shù)據(jù)各20組，在采集數(shù)據(jù)過程中，志愿者盡量模擬無意識的行為動作，減小人為誤差。

下面對基于姿態(tài)融合的聯(lián)立判別跌倒檢測算法的識別結(jié)果進行評估。對測試數(shù)據(jù)集進行驗證，跌倒行為檢測結(jié)果會出現(xiàn)以下表3所示4種情形。

Table 3 Four cases of fall detection表3 跌倒檢測4種情形

根據(jù)4種可能發(fā)生的跌倒檢測情形，主要有以下5個評估指標，分別是靈敏度S（Sensitivity）、漏報率M、特異度P（Specificity）、誤報率F和準確率A（Accuracy）。其中，S表示發(fā)生跌倒行為時，正確檢測到跌倒行為的比率；M表示發(fā)生跌倒行為時，未正確檢測到跌倒行為的比率，即漏報比率；P表示未發(fā)生跌倒行為時，正確檢測到人體正常行為的比率；F表示未發(fā)生跌倒行為時，將未跌倒行為錯誤判別為跌倒行為的比率；A表示正確判別出實驗中全部未跌倒行為與跌倒行為的比率。

從采集的數(shù)據(jù)中選擇向前跌倒、向后跌倒、向左跌倒、向右跌倒4種跌倒行為及步行、慢跑、坐下、躺下、下樓梯、彎腰6種日常行為數(shù)據(jù)對算法進行評估，針對每一種行為的實驗樣本數(shù)量為150個。實驗結(jié)果分析如表4所示。

Table 4 Analysis of experimental results表4 實驗結(jié)果分析

由表4的統(tǒng)計結(jié)果分析可知，本文提出的跌倒檢測算法正確率達到90.1%，靈敏度達到91.2%，特異度達到89.4%，且漏報和誤報率較低，分別只有8.8%和10.6%。對于步行這類強度不大的動作，該算法基本都能正確進行檢測識別，而對于躺下這種與跌倒相似的行為動作，該算法的檢測識別率也較高。通過實驗分析驗證了本文設(shè)計的聯(lián)立判別跌倒檢測算法具有較好性能，對跌倒行為的識別準確率較高。

5 結(jié)語

本文基于姿態(tài)融合數(shù)據(jù)提出一種聯(lián)立判別跌倒檢測算法，該算法相較于閾值法更為準確。由于能快速過濾大量日常行為數(shù)據(jù)，其相較于SVM算法更為高效。通過實驗測試，該算法的正確率達到90.1%，靈敏度達到91.2%，特異度達到89.4%，且漏報和誤報率較低。實驗結(jié)果驗證了本文算法的有效性與可行性，同時引入云技術(shù)與微信小程序設(shè)計一套用于老年人遠程智能監(jiān)護的跌倒檢測系統(tǒng)。相較于傳統(tǒng)的APP監(jiān)護軟件，該軟件使用更為方便、快捷，滿足了老年人智能監(jiān)護的需求，在未來社會應(yīng)對老齡化問題與提升社會養(yǎng)老能力方面可發(fā)揮一定作用。