高晓娟,徐光辉,张 欢,薛文生
(1.西安工程大学 计算机科学学院,陕西 西安710048;2.西安航空学院 图书馆,陕西 西安710077)
跌倒是老年人群中常见的伤害事件,会使老人遭遇诸如骨折、出血、中枢神经系统损伤等身体上的伤害,如果不及时治疗,就可能导致老人失能、瘫痪甚至死亡;此外,跌倒也会致使老人产生诸多心理问题,如害怕运动、担心独立生活等.由于跌倒严重威胁着老年人的身心健康,因此,如何对老年人的跌倒进行实时检测和报警,最大限度提高老年人医疗监护的水平,是一个非常重要的公共健康问题.
由于人体运动的复杂性、不确定性以及环境等诸多因素的影响,人体跌倒方式千差万别,很难对其进行准确地描述和检测.依据信号采集渠道的不同,可将目前已有的跌倒检测技术分为3类[1]:(1)基于视频图像分析的跌倒检测系统.此类系统通过视频摄像头捕捉人体运动画面,经过图像处理算法[2],确定是否存在具有跌倒的图像特征.由于摄像头通常安装在固定的地点,此类系统只能检测到固定区域的人体活动,另外,还可能会泄露被检测者的个人隐私.(2)基于声学的跌倒检测系统.此类系统通过分析跌倒时由于冲击而导致振动的频率来检测跌倒事件,系统安装比较复杂,资金投入比较大,而且无法得到很好的精度,故只能作为其他检测方法的辅助手段.(3)基于可穿戴设备的跌倒检测系统[3-5].此类系统利用多种传感设备采集人体运动信息或姿态信息,并利用算法对其分析处理,判断是否发生跌倒事件.基于可穿戴设备的跌倒检测系统由于不受运动环境的限制而更加适合于跌倒检测,因此具有更为广阔的应用前景.目前国内外有很多此类研究装置及方法,例如Najafi等人将陀螺仪置于人体胸前[6],通过测定人体躯干移动的角速度来计算人体的坐立姿势转化,并以此为基础评估人体跌倒的概率;瑞士学者开发了一款叫做Speedy的手表式检测器原型机[7],它含有两个加速度计、一个微处理器和一个无线基站,通过检测人体是否高速接近地面并且伴随一个冲击来判断跌倒事件;Mathi等人在预先假定人体跌倒过程是在1~2s完成的前提下[8],提取三轴加速度z轴方向上分量出现至少连续两次脉冲信号,并根据该脉冲的峰值是否超过已定的阈值来检测跌倒;Purwar等研究的跌倒检测设备由一个三轴加速度传感器、一个陀螺仪和一个倾角传感器组成[9],依据人体是否离开原始位置并且伴有剧烈加速度变化来检测跌倒;Bourke等使用两轴陀螺仪[10],通过对人体前后及左右方向的角速度进行积分和微分运算得到倾斜角度和角加速度,最后依靠实验设定人体躯干倾斜角度和角加速度阈值来检测摔倒;南京邮电大学的研究人员设计的基于三轴加速度传感器的人体跌倒检测系统[5],主要基于姿态测量特性,利用姿态角作为跌倒判断标准;北京工业大学的研究人员提出一种基于三轴加速度传感器的人体跌倒检测算法[11],通过提取运动时的超重强度、持续失重时间、倾斜角度、静止时间为特征值,在Android智能手机上使用决策树进行实时处理.从诸多研究文献来看,穿戴式跌倒检测系统主要利用多种传感器采集传感信息,通过分析跌倒特征来判别跌倒事件,为达到准确判断的目的,或使用多个传感设备,或运用复杂的算法,导致实时性稍差.
本文着力于老年人意外跌倒的识别研究,主要目的是从日常活动中识别出有损伤的严重跌倒.文中提出了一种基于单个三轴加速度传感器的跌倒检测算法,通过对人体运动的加速度信息进行阈值判断和分量变化分析来判断跌倒事件是否发生.实验证明该算法有效.
跌倒的情况多种多样,在某些情况下,跌倒不会引起严重后果,例如人在跌倒之后又迅速起身.跌倒检测通常是为了发现造成伤害的跌倒事件,对于未造成伤害的跌倒,没有必要触发警报.能造成伤害的跌倒事件一般会经历三个阶段:正常的日常活动、突然跌倒、持续一段时间的静卧状态或者有微弱运动.
通过三轴加速度传感器采集到的传感信息会随着人体运动过程发生变化:正常活动时加速度变化比较平稳,可能有波动但幅度不大;而跌倒会产生一个强烈的冲击力,引起加速度的猛烈变化,这个变化通常在1~2s内完成;跌倒后的静卧或者微弱运动通常会持续比较长的一段时间,此时合加速度接近于重力,且各轴的加速度分量与人体直立状态时明显不同.
跌倒检测是一个二元决策问题,可以将表示跌倒的数据样本归为一类,将非跌倒的数据样本归为一类,如此以来表示非跌倒的数据样本的特点就是各轴数据变化相对比较平稳,而表示跌倒的数据样本中通常会有一个瞬间的强烈变化.利用机器学习的算法训练分类器,并设计算法调整决策阈值,确保将99%以上的跌倒样本都被分类到跌倒集合.
利用阈值对采集到的传感信息进行分类,可以很好地将跌倒事件从比较柔和的日常活动中区分出来,但是区分剧烈的日常活动和跌倒事件,就存在着明显不足.一些比较猛烈的日常活动(比如猛烈的下蹲)有时也会产生相对较大的冲击力,因此,当检测到的加速度信息大于阈值时,并不意味着一定发生了跌倒事件.由于跌倒发生后,人体由竖直状态转换为近似水平状态,因此可以通过对加速度传感器的各轴分量进行分析来进一步判断是否发生跌倒事件,即在检测到一个疑似跌倒事件之后的一段时间内合加速度接近于10m/s2(文中令重力加速度g等于10m/s2),而且加速度传感器各轴的数据也发生了明显变化,如原本在竖直方向的某轴的加速度由绝对值为10m/s2变为接近于0,而其他两轴的合加速度接近于重力加速度的绝对值,这时可以认为人体基本水平静止,跌倒事件发生.
依据Kangas等人的研究成果[12],固定在头部、胸部和腰部的加速度传感装置能够较好地通过加速度的变化反映整个人体躯干运动状态和姿态变化.同时,通过多次试验也证明将传感器佩戴在人体的腰部比较理想,因为腰部运动状态变化相对比较简单,同时能满足用户佩戴方便的要求.进行实验时,佩戴的三轴加速度传感器的X轴正向水平向右,Y轴正向竖直向上,Z轴正向水平向后.
采集行走、坐下、起立、躺倒、起床、上下楼梯等日常活动的加速度样本各40组,作为非跌倒数据样本集合,采集向前跌倒、向后跌倒、侧向跌倒等不同跌倒方式的加速度样本各40组作为跌倒数据样本集合.为简化跌倒检测算法,选择合加速度作为特征量[13],其中x,y,z分别为经滤波后X,Y,Z轴的加速度值.采样的跌倒样本数据如图1所示,行走样本数据如图2所示.
图1 跌倒时各轴输出及特征向量值Fig.1 Acceleration-change while falling
图2 行走时各轴输出及特征向量值Fig.2 Acceleration-change while walking
采用机器学习的方法训练正常活动与跌倒的分类阈值,在进行跌倒检测的过程中,先利用此阈值对待检测数据进行初步分类,然后针对检测到的疑似跌倒,进一步进行分析,根据各轴加速度分量的变化确定是否发生跌倒事件.
图1,2可以看出,日常活动的加速度变化比较缓和,虽然也有可能存在合加速度突然增大的现象,但一般情况下其峰值明显低于跌倒产生的合加速度峰值,因此可以通过确定一个合理的阈值,将跌倒数据和非跌倒数据进行初步分类,这里分类所用的阈值不宜过大,应保证将99%以上的跌倒行为区分出来.本文选取阈值TH=1.85×10m·s-2.
在实时跌倒检测过程中,如果某时刻检测到加速度特征量e大于阈值,则初步判定可能有跌倒事件发生.由于一些比较猛烈的正常活动也可能会产生较大的加速度而触发阈值,因此需要对触发阈值之后一段时间的数据进行进一步分析,通过判断X,Y,Z轴的加速度值的变化,来判断人体是否基本处于水平静止的状态,以此确定是否发生跌倒事件.
跌倒以后人体上半身基本处于水平静止状态,与之前的竖直状态明显不同.从理论上讲,如果加速度传感器紧紧地固定在人体腰部,且在人体跌倒后不发生相对移动,那么X轴和Z轴的合加速度应该为10m/s2,而Y轴的加速度值应变为0,但在实际测试中,在人体跌倒以后,由于碰撞、摩擦等原因,加速度传感器与人体的相对位置会发生一些变化,而且人体也不一定能够完全水平静止,因而实际测试中X轴和Z轴的合加速度接近于10m/s2,Y轴的加速度值接近于0,其绝对值在小于2m/s2的范围内,3个轴的加速度分量都比较平稳,变化不大.根据这些特征,通过判断在产生峰值之后1min内采集的数据确定是否跌倒.具体算法流程见图3.
实验采用的三轴加速度传感器为Fscale公司的MMA7260,量程选则为±6g,灵敏度为200mV/g,采样频率为50Hz.实验者为3名21~23岁之间的男性,测量数据包括行走、起立、坐下、躺倒、上下楼梯下蹲等日常行为.因为老年人的日常活动行为一般较为迟缓,所以未对跑、蹦、跳等剧烈活动进行测试.
测试结果如表1所示.数据表明,有1次猛然下蹲被误判.究其原因,是因为过于猛烈的活动也会产生比较大冲击力而使特征量e值大于阈值,而该次误判主要是因为加速度传感器的松动,使得方向大幅度变化,从而引起误判.一般老年人的行为较年轻人迟缓许多,因此一般的日常行为不会产生太大的加速度,故而使用该识别算法进行跌倒检测能得到更高的准确性.
本文提出了一种基于单个三轴加速度传感器的跌倒检测算法.利用机器学习方法,对各类日常活动样本以及跌倒样本进行学习,确定合理分类阈值,使得99%以上的跌倒事件都能够正确被分类.在进行跌倒检测时,先利用阈值对采集的传感信息特征量进行判断,当传感信息特征值大于阈值时,可能发生跌倒事件,为了进一步准确判断,系统通过对产生特征量峰值之后一分钟内的各轴加速度分量变化进行分析,从而保证算法的准确性.经过测试,实验平均准确率达到99%以上.该算法对于非常缓慢的跌倒识别有一定局限性,但是一般情况下,由于缓慢跌倒不会造成人体损伤而不需要触发警报,故不影响跌倒检测的目的和要求.
图3 跌倒检测算法流程图Fig.3 Algorithm flow chart of fall detection
表1 实验结果Table 1 Test results
[1] NOURY N,FLEURY A,RUMEAU P,et al.Fall detection principles and methods[C]//29th Annual International Conference of IEEE-EMBS,Engineering in Medicine and Biology Society,EMBC′07,Lyon,2007:1663-1666.
[2] NGO Y T,NGUYEN Hieu V,PHAM Tuan V.Study on fall detection based on intelligent video analysis[C]//5th International Conference on Advanced Technologies for Communications,Hanoi,2012:114-117.
[3] NYAN M N,FRANCIS E H Tay,MANIMARAN M,et al.Garment-based detection of falls and activities of daily living using 3-axis MEMS accelerometer[J].J Phys:Conf Ser,2006,34:1059-1067.
[4] JEON A Y,KIM J H,KIM I C,et al.Implementation of the personal emergency response system using a 3-axial accelerometer[C]//6th International Special Topic Conference on ITAB,Tokyo,2008:223-226.
[5] 王荣,章韵,陈建新.基于三轴加速度传感器的人体跌倒检测系统设计与实现[J].计算机应用,2012,32(5):1450-1452.WANG Rong,ZHANG Yun,CHEN Jianxin.Design and implementation of fall detection system using tri-axis accelerometer[J].Journal of Computer Applications,2012,32(5):1450-1452.
[6] NAJAFI B,AMINIAN K,LOEW F,et al.Measurement of stand-sit and sit-stand transitions using a miniature gyroscope and its application in fall risk evaluation in the elderly[J].IEEE Transactions on Biomedical Engineering,2002,49(8):843-851.
[7] DEGEN T,JACKEL H,RUFER M,et al.SPEEDY:A fall detector in a wrist watch[C]//Proc.of 7th International Symposium on Weardable,New York,2003:184-187.
[8] MATHIE M J,BASILAKIS J,CELLER BG.A system for monitoring posture and physical activity using accelerometers[C]//23rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society,Istanbul,2001:3654-3657.
[9] PURWAR Amit,JEONG Doum,CHUNG Wanyoung.Activity monitoring from real-time triaxial accelerometer data using sensor network[C]//International Conference on Control,Automation and Systems,Seoul,2007:2402-2406.
[10] BOURKE A,O′Brien J V,LYONS G M.Evaluation of a threshold-based tri-axial accelerometer fall detection algorithm[J].Gait &Posture,2007,26(2):194-199.
[11] 李娜,侯义斌,黄樟钦.基于人体加速度特征的实时跌倒识别算法[J].小型微型计算机系统,2012,33(11):2410-2413.LI Na,HOU Yibin,HUANG Zhangqin.Implementation of a real-time fall detection algorthm based on body′s acceleration[J].Journal of Chinese Computer Systems,2012,33(11):2410-2413.
[12] KANGAS M,KONTTILA A,WINBLAD I,et al.Determination of simple thresholds for accelerometer-based parameters for fall detectio[C]//Proceedings of the 29th Annual International Conference of the IEEE on Engineering in Medicine and Biology Society.Washington DC:IEEE Computer Society,2007:1367-1370.
[13] 张爱华,王璐.基于三维加速度传感器设计的跌倒检测[J].中国组织工程研究与临床康复,2010,14(48):9029-9032.ZHANG Aihua,WANG Lu.Tumble detection based on three-dimensional acceleration transducer[J].Journal of Clinical Rehabilitative Tissue Engineering Research,2010,14(48):9029-9032.