MEMS Tri-Axial Accelerometer Based Fall Detection

LIU Peng，LU Tancheng，LV Yuanyuan，DENG Yongli，LU Qiyong

(Department of Electronic Engineering，Fudan University，Shanghai，200433)

MEMS Tri-Axial Accelerometer Based Fall Detection

LIU Peng，LU Tancheng，LV Yuanyuan，DENG Yongli，LU Qiyong*

(Department of Electronic Engineering，Fudan University，Shanghai，200433)

As a part of human activities，fall is one of the key factors affecting human health，especially for patients and elders，fall detection is of much importance.This paper presents a method of Signal Magnitude Vector Sliding Average(SVMSA)with Fixed Threshold，based on the acceleration signals of human activity acquired from a MEMS triaxial accelerometer.By extracting the characteristics of human activity acceleration signals，this algorithm accurately achieves human’s fall detection，using the prefixed threshold to judge the SVMSA and the differential signal magnitude area(DSMA)to distinguish fast running.The major advance lies in the attempt to analyze and distinguish human’s fall and other intense activities，like running fast.By testing eight participants，we get 94.4%accuracy.Experimental results indicate the proposed algorithm can realize human’s fall detection with much accuracy.

sensors application;fall detection;signal magnitude vector SVM;differential signal magnitude area DSMA;tri-axial accelerometer

微电子技术和信息技术的进步使得开发一种成本低、重量轻、小型化，能够实时监测自由生活环境下的人体活动的可穿戴设备成为了可能［1］。摔倒作为人体活动的一部分，是影响人体健康的一大因素，尤其对病人和老人而言，摔倒的检测则至关重要。研究表明，在我国65岁以上的老年人中，有相当一部分人曾经摔倒过，且摔倒的发生率随着年龄的增长而升高［2－3］，因而及时地救助摔倒的老年人将大大降低伤残率和死亡率［4］。

目前摔倒检测的主流研究手段主要有两种，一种是基于图像分析的方法，另一种是基于加速度传感器的方法。基于图像分析的方法对设备要求高、算法复杂、成本高，且局限于特定的场合［5］。而基于微机电系统MEMS的三轴加速度传感器能够提供一种客观的、定量的人体活动信息［6］，凭借其体积小、成本低、功耗低、灵敏度高的优势被越来越多的应用于人体活动的检测和评估中。这种研究方法不但成本低，而且不受人体活动环境的限制，使用的监测设备可以随身携带，实时监测，还可以实现远程监控。

对于基于加速度传感器的摔倒检测，国内外的众多学者都进行了大量的深入研究。曹玉珍等人［4］提出了基于SVM和MADS的三级摔倒检测算法，尽管获得了96%的检测精度，却没有考虑快速跑步的影响。Mathie［6］提出了基于决策二叉树的分级分类算法，实现了对人体活动的分类识别，其中也对摔倒进行了检测。Karantonis D M等人［7］在Mathie的研究基础上使用固定阈值的SVM判决法对摔倒进行预判，并通过连续监测之后60 s的加速度数据做进一步的判决。Jantaraprim P等人［8］提出了基于时间窗的SVM双阈值判决法检测人体摔倒，算法简单有效。Do-Un Jeong等人［9］提出了SVM与DSVM相结合的方法对人体活动进行分类识别，其中也包括了对摔倒的检测。

摔倒属于一种短暂性的剧烈活动，人们日常生活中进行的其他剧烈性活动，如快速跑步、快速上下楼梯等都会对摔倒的检测带来影响。本文基于快速跑步、摔倒等剧烈性活动的加速度信号特征，提出了基于固定阈值的信号幅度向量滑动平均法SVMSA对摔倒进行识别，对于某些特殊情况，如快速跑步被预判为摔倒，则使用差分信号幅度域DSMA做进一步的区分判别。该算法不仅适用于普通的摔倒检测，还适用于快速跑步、快速跑步时摔倒等特殊情况下的摔倒检测，对于自由生活环境下的人体摔倒检测具有较强的适用性。

1 MEMS加速度传感器

研究显示，人体躯干的加速度值不会超过6 gn［10］，本文选用基于微机电系统MEMS的三轴加速度传感器MMA7361L［11］作为人体加速度信号的采集设备，并将传感器采集单元放于最靠近人体质心的腰部的右侧髂骨处［6］，以采集能更好地反应人体躯干质心的加速度信号。

随着传感器使用时间的增长，传感器由于机械转向会产生一定的漂移［12］，但在传感器使用几周后的半年内，其三轴测量值会稳定至某一常数，此时的漂移可以忽略不计［13］。因此为了更准确地反应人体活动的加速度信号，需要首先对使用的传感器进行校正。

本文使用类似于六位置测试法［14］的均值法对传感器做简单的校正:在墙壁或桌角边用细铜丝悬挂一铅锤作为重力加速度的轴线G，分别将加速度传感器沿3个轴的正负方向与轴线G平行放置，并在每个轴上各自采集N点数据，共产生18组数据: X轴、Y轴、Z轴垂直G方向各4组，X轴、Y轴、Z轴正负G方向各1组。下面以获得X轴的补偿量Dx为例说明，Y轴、Z轴的补偿量Dy、Dz同理获得，每组数据均以对应的数字量表示。

X轴垂直G方向的4组数据(Y轴、Z轴正负G方向)各自的均值记为Ex1，Ex2，Ex3，Ex4，X轴正负G方向的输出数据均值记为Ex－，Ex+，加速度传感器输出0 gn、－1 gn、+1 gn对应的理论值分别记为S0，S－，S+，则X轴的补偿量Dx可由下式获得:

2 摔倒检测算法

几乎所有的人体活动产生的加速度信号的频率成分都在20 Hz以下［7］，因此在保证满足Nyquist采样定律的前提下，本文采用Karantonis D M［7］使用的45 Hz的采样频率对人体加速度信号进行采样。

2.1 加速度信号预处理

在采集人体加速度信号的过程中，难免引入两种主要的噪声干扰，一种是外界环境噪声，另一种是系统噪声。为此，系统首先通过截止频率同样为45 Hz的RC低通滤波器滤除部分外界环境噪声，再通过三阶中值滤波器进一步滤除尖峰噪声的干扰。

由于采集的加速度信号是人体活动产生的加速度AB和重力加速度AG的合加速度信号AT，为了分离出重力加速度分量AG，本文采用类似Karantonis D M［7］中的低通滤波器对中值滤波后的信号进行进一步的低通滤波，获得AG，进而由AB=AT－AG得到AB的近似值。研究表明，使用该线性关系获得的AB同样可以获得较好的评估效果［6］，且计算复杂度低。

2.2 人体加速度信号特征评估

当人在休息时，人体产生的加速度几乎为零，加速度传感器3个轴向输出的是重力加速度在3个轴上的分量加速度;而当人在活动时，加速度传感器输出的还有身体产生的加速度信号，合加速度必然增大。然而在某些情况下，噪声的干扰也可能导致合加速度的增大，为了降低噪声可能导致的误判，需要一个既能反应信号幅度变化，又能包含一定时间跨度的量，来区分人体的活动和休息，因此我们引入归一化信号幅度域SMA［6］，其定义式如下:

其中x(t)，y(t)，z(t)分别是身体加速度AB在加速度传感器3个轴上的分量加速度，T是归一化时间，即信号观察窗口时间。

Mathie通过实验研究发现［6］，SMA的大小受信号观察窗口时间的影响，且当T在0.8 s～1.4 s范围内时，由SMA获得的区分效果是最优的。由此，本文选择观察窗口长度L=50，对应观察时间约1.1 s。

当SMA超过预先设定的阈值Vth时，认为此时人体在活动。

用于考察人体活动强度的量是身体加速度信号幅度向量SVM［7］，其定义式如下:

其中xi，yi，zi分别是身体加速度AB在X、Y、Z轴上的第i个采样值。

由SVM的定义式可以看出，SVM的大小随着人体活动剧烈程度的增加而增大。

2.3 摔倒检测算法

人体摔倒属于一种短暂性的剧烈活动，身体加速度AB的SVM峰值会变得比较大，一般会超过1.8 gn，因而选择1.8 gn作为人体摔倒的判决阈值，这也是经过正规的病人测试研究验证的［7］。然而人体摔倒时，SVM的值并非在摔倒的时间段内一直保持较大的峰值，而是像如图1所示的那样有所波动。

图1 人体摔倒时的SVM

此外人体某些其他非摔倒性的剧烈活动，如快速跑步，其SVM的峰值有时也会超过1.8 gn，如图2，而且SVM是由X、Y、Z轴的采样值直接计算得出，难免受到尚未被低通滤波器滤除的噪声影响，为此，本文使用滑动平均窗对SVM进行均值去噪处理，再基于同样的固定阈值1.8 gn对摔倒进行判决，滑动平均窗的长度L可由下述估算得出。

图2 人体快速跑步时的SVM

成年人身高H一般介于1.5 m至1.9 m之间，此处选择H=1.7 m用于估算。研究发现，人体肚脐是人体头顶至足底的黄金分割点［15］，即肚脐至足底的长度是人体身高的0.618倍，而肚脐恰好处在人体腰部，同时认为人体摔倒时纵向初速度为零，加速度a取为阈值1.8 gn，gn=9.8 m/s2，根据at2得到人体落至地面的时间大约0.345 ms，对应本文中大约15个采样点，即滑动窗口长度L=15。

经过滑动平均后的SVM，即SVMSA，仍然不能完全区分摔倒和快速跑步等剧烈活动，如图3和图4所示的快速跑步和摔倒的SVMSA离散图，在1.8 gn的判决阈值下，仍旧存在将快速跑步误判为摔倒的情况。

图3 人体快速跑步时SVM的SVMSA

为了能够将快速跑步和摔倒等剧烈性活动彻底区分开来，使用基于决策二叉树的分类器首先将人体活动分为循环性活动和短暂性活动，区分界限是持续时间5 s［6］，对应5个连续的SMA离散点，由此可将进行非循环性动作时摔倒与跑步区分开来，却无法区分快速跑步过程中摔倒的特殊情况。

对于这种特殊情况，使用如下两种特征进行综合判决:

(1)人体快速跑步时，其步频通常超过3 Hz，对应本文中SVMSA超过1.8 gn的点不会连续存在两个，有时会间隔开，如上图3。而人体摔倒时，其SVMSA超过1.8 gn的点不会连续超过两个，如图4，这是由摔倒过程的短暂性决定的。当SVMSA连续3个离散点中有两个超过1.8 gn且相互间隔开时，直接判为非摔倒;当SVMSA连续3个离散点中有两个连续点超过1.8 gn或仅有一个点超过1.8 gn时，则预判为摔倒发生，并使用(2)做进一步地判决。

(2)当人体摔倒时，身体做近似自由落体运动，在身体下落至撞击地面时，AB的SMA迅速增大，而之后的短时间内(1 s～3 s)，身体几乎无动作，AB的SMA则会迅速下降，如图5。而当人体跑步时，AB的SMA会近似正弦性的上下波动，不会发生较大的突变，如图6。鉴于此，使用差分SMA，即DSMA做进一步的判决，即当在循环性活动中检测到SVMSA超过阈值1.8 gn时，考察对应时刻之后3个SMA离散点的DSMA是否超过0.6 gn，若超过，则判为摔倒发生。

综合(1)(2)，当二者同时判为摔倒发生时，则最终确定摔倒发生。

图5 人体摔倒时的SMA

图6 人体快速跑步时的SMA

图7 人体摔倒检测流程图

根据上述分析，得出本文提出的基于决策二叉树分类器的固定阈值SVM滑动平均法SVMSA和DSMA共同实现人体摔倒的判决流程如图7所示。

3 实验结果

为了验证本文提出算法的可行性和准确性，邀请了8名健康志愿者(年龄22岁～26岁，身高155 cm～175 cm，男7人，女1人)，在室外平整的草坪上做模拟老年人的摔倒动作:向前摔倒、向后摔倒、侧向(左右)摔倒，同时记录摔倒后3 s～5 s的动作:摔倒后不动、摔倒后挣扎和摔倒后站起，并在平整的水泥路面上采集相同实验者的跑步数据:普通跑步、快速跑步(类似百米跑)。实验中共采集102组数据:摔倒54组，跑步48组，对每组数据使用本文提出的摔倒检测算法进行摔倒检测，得到的结果如表1所示。

表1 摔倒检测实验结果统计

从表1中可以看出，所有的跑步活动都未被划分为摔倒，即在区分跑步尤其是快速跑步和摔倒的情况下，实现了100%准确性。在摔倒检测中，实现了94.4%的精度，尽管比文献［4］中96%的精度略低，但本文却可以区分快速跑步等剧烈活动对摔倒的影响，而文献［4］仅研究了慢跑的情况，慢跑的SVM明显低于摔倒，很容易区分开来。

摔倒测试中的3组摔倒没有被检测出来的主要原因全部是SVMSA的幅度没有超过1.8 gn，即所进行的摔倒过于轻微缓慢，没有像真实的摔倒那样逼真，毕竟所有的摔倒动作都是由志愿者模拟老年人摔倒所得到的。此外，由于特殊原因，本次实验没有具体采集老年人等特殊人群的摔倒数据，而导致这种特殊人群的摔倒检测无法得到真正验证。

4 结论

本文针对影响人体健康的摔倒的检测，提出了基于固定阈值的SVM滑动平均SVMSA和差分DSMA相结合的方法，对人体摔倒进行检测，并重点分析和区分了快速跑步等剧烈活动对摔倒检测的影响。尽管病人和老年人很少进行快速跑步等剧烈活动，但本文提出的方法同样适用于病人和老年人的摔倒检测，即病人和老年人进行的其他非剧烈性活动，其SVMSA很少能超过阈值1.8 gn，使用SVMSA即可检测摔倒。此外，本文算法还适用于自由生活环境下普通成年人的摔倒检测，进而应用于人体活动分类［6－7，9］中摔倒的检测。因而，该算法对于自由生活环境下的人体摔倒检测具有较强的适用性。实验结果验证了该算法的可行性和准确性。

［1］Davide Curone，Gian Mario Bertolotti，Andrea Cristiani，et al.A Real-Time and Self-Calibrationg Algorithm Based on Triaxial Accelerometer Signals for the Detection of Human Posture and Activity［J］.IEEE Transactions on Information Technology in Biomedicine，2010，14(4):1098－1105.

［2］朱月妹，袁浩斌，陈雷.老年人跌倒危险因素的调查［J］.护理实践与研究，2007，4(10):5－7.

［3］郝燕萍，刘雪琴，靳海如.老年人跌倒伤残情况分析［J］.护理研究，2006，20(8):2017－2018.

［4］曹玉珍，蔡伟超，程旸.基于MEMS加速度传感器的人体姿态检测技术［J］.纳米技术与精密工程，2010，8(1):37－41.

［5］李月香，刘燕，袁涛，等.基于加速度信号的走路模式多级分类算法［J］.电子学报，2009，37(8):1794－1798.

［6］Mathie M J.Monitoring and Interpreting Human Movement Patterns Using a Triaxial Accelerometer［D］:［Ph.D.Dissertation］.The U-niversity of New South Wales，2003.

［7］Dean M Karantonis，Michael R Narayanan，Merryn Mathie，et al.Implementation of a Real-Time Heman Movement Classifier Using a Triaxial Accelerometer for Ambulatory Monitoring［J］.IEEE Transactions on Information Technology in Biomedicine，2006，10 (1):156－167.

［8］Jantaraprim P，Phukpattaranont P，Limsakul C，et al.Improving the Accuracy of a Fall Detection Algorithm Using Free Fall Characteristics［C］//IEEE International Conference on Electrical Engineering/Electronics Computer Telecommunications and Information Technology.Chiang Mai，Thailand，2010:501－504.

［9］Jeong Do-Un，Kim Se-Jin，Chung Wan-Young.Classification of Posture and Movement Using a 3-axis Accelerometer［C］//IEEE International Conference on Convergence Information Technology.Gyeongju，Korea，2007:837－844.

［10］刘蓉，黄璐，李少伟，等.基于步态加速度的步态分析研究［J］.传感技术学报，2009，22(6):893－896.

［11］Freescale Semiconductor.±1.5g，±6g Three Axis Low-g Micromachined Accelerometer［Z］.2008.

［12］朱国忠，韦彩虹，潘敏.基于三维加速度传感器的人体运动能耗检测算法的研究［J］.传感技术学报，2011，24(8):1217－1222.

［13］Mathie M J，Coster A C，Celler B G.Classification of Basic Daily Movements Using a Triaxial Accelerometer［J］.Medical and Biological Engineering and Computing，2004，42:670－687.

［14］宋丽君，秦永元.MEMS加速度计的六位置测试法［J］.测控技术，2009，28(7):11－14.

［15］陈国栋，李建微，潘林，等.基于人体特征三维人体模型的骨架提取算法［J］.计算机科学，2009，36(7):295－297.

刘鹏(1987－)，男，安徽宿州人，复旦大学在读硕士研究生，主要从事数字系统与通信、无线传感器网络方面的研究，pengliu12@fudan.edu.cn;

卢潭城(1989－)，男，广东陆丰人，复旦大学在读硕士研究生，主要从事自动控制、物联网方面的研究，tanchenglu12@fudan.edu.cn;

陆起涌(1966－)，男，江苏太仓人，复旦大学教授，硕士生导师，主要从事智能控制、嵌入式系统、物联网技术等方面的研究，lqyong@fudan.edu.cn。

基于MEMS三轴加速度传感器的摔倒检测

刘鹏，卢潭城，吕愿愿，邓永莉，陆起涌*
(复旦大学电子工程系，上海200433)

摔倒作为人体活动的一部分，是影响人体健康的一大因素，尤其对病人和老年人而言，摔倒检测至关重要。基于MEMS三轴加速度传感器采集的人体活动加速度信号，提出了一种基于固定阈值的信号幅度向量滑动平均法SVMSA。该方法根据人体活动时的加速度信号特征，利用预先设定的阈值对加速度信号幅度向量SVM的滑动平均SVMSA进行判决，同时使用差分信号幅度域DSMA区分快速跑步等剧烈运动，准确实现了人体的摔倒检测。主要优势在于分析并区别了人体快速跑步等剧烈运动对摔倒检测的影响。通过对8位实验者的测试，该算法实现了94.4%的精确度。实验表明该算法能够较为准确地实现人体的摔倒检测。

传感器应用;摔倒检测;信号幅度向量SVM;差分信号幅度域DSMA;三轴加速度传感器

TP212.9

A

1004－1699(2014)04－0570－05

2013－12－10修改日期:2014－03－30

C:7230

10.3969/j.issn.1004－1699.2014.04.026