一种基于三轴加速度的跌倒检测方法

李 政

(西安电子科技大学物理与光电工程学院，陕西西安 710071)

随着社会老龄化的不断发展，预计到2030年空巢老年人家庭的比例将达到90%，届时我国老年人家庭将空巢化［1］，而跌倒已成为老年人发病和死亡的重要原因之一［2］。人体跌倒是指突发、不自主的、非故意的体位改变，倒在地上或更低的平面上［3］。据统计，我国人群中因跌倒意外伤害死因顺位中排名第4，而在65岁以上的老年人中则位居首位，并随年龄的增加跌倒的死亡率急剧上升，在85岁以上的老年人中达到了高峰［4］。若在日常生活中，老年人发生跌倒时，能及时发现，从而避免了更严重的后果［5］。

1 跌倒检测的研究现状

跌倒检测是远程健康监护系统中家庭终端的一种实现方式，涉及多个领域，包括信号采集与处理、信号特征提取、数据传输等方面的研究［1］。本文主要从跌倒特征信号的提取进行研究，通过三轴加速度无线传感器，运用模式识别的理论，对数据进行判别，从而检测是否有跌倒现象发生，进而自动发出报警短信，通知家人或医疗机构。

目前已有多名学者对跌倒检测进行研究，主要方法有:(1)从3个轴加速度各自的变化情况对跌倒进行判断［5］，其不足之处是，以其中某一轴作为判断，对传感器佩戴方位要求严格，这在实际中难以实现。(2)从人体倾斜角度及加速度与z轴的夹角来对跌倒进行判断［6］，但这对z轴的方位要求严格，会因芯片不同的角度而产生较大误差。(3)将合加速度峰值、躯体倾角的变化、加速度信号曲线能量作为跌倒识别的特征指标，3个特征值构成跌倒的特征向量与跌倒训练样本比较，判断待检测样本是否在跌倒向量空间区域中，用以判断是否属于跌倒类［7］，但对于老年人普通运动导致的和跌倒时产生的躯体倾角同样难以区分。

针对以上问题，本文提出了将合加速度峰值［7］、三轴信号变化幅度区域［8］、运动所消耗的能量［7］作为3个特征值，并加以阈值设定来对跌倒进行检测。实验表明，所提跌倒检测方法的准确率达到90%以上。

2 系统结构和算法准则

2.1 系统结构

ZigBee是基于IEEE802.15.4规范的无线技术，其具有在802.15.4规范上创建的安全和应用层接口、工作于免授权的2.4 GHz频段、大幅可伸缩的网络和星型网络拓扑等诸多优点［9］。该系统在该标准下采用飞思卡尔公司提供的MC13213核心板、MMA7260Q加速度传感器板作为采集端采集数据;MC1321 UCB板作为接受端在终端PC接受数据;在PC机对数据进行预处理、滤波、模式判定等处理后，利用TC35在GSM模块中向家人或医疗机构发送报警短信。实体结构如图1所示。系统结构如图2和图3所示。

图1 实体结构图

图2 获取系统结构图

图3 接收系统结构图

2.2 跌到检测准则

老年人跌倒是身体不自主而失去平衡的行为，通过特征向量的提取可有效的判别老年人是否发生跌倒［7］。本文结合跌倒检测原理的方法如下所述:(1)提取检测信号段。从传感器得到的模拟信号转化为数字信号，通过串口程序反馈到PC机，由于跌倒是一个过程，而在跌倒的过程中，合加速度会有一个明显的变化，因此当某一时刻的加速度达到阈值时，即认为可能发生了跌倒，锁定这一时刻找出之后的峰值，以峰值出现的时刻为基准，将前后1.5 s内的加速度曲线截取到缓存区［7］。(2)处理并计算特征向量。人体发生跌倒时，伴随着一系列物理上和生理上的变化，凡是伴随跌倒而发生的均能描述跌倒事件。由此，文中选取合加速度的峰值、三轴信号幅度变化区域、加速度信号曲线能量作为特征值。

(1)合加速度峰值:指某一时刻合加速度的最大值。峰值用来衡量信号变化的最大幅度，反映信号变化的剧烈程度［10］。而在跌倒模型中，峰值越大，表明瞬时加速度变化越剧烈，暗示着人体的姿态发生较大变化。峰值大于一般水平可作为判断跌倒的必要条件。因此，可作为衡量人体是否跌倒的指标之一，是明显且易操作的指标，故成为了判别跌倒的首选指标［2］。其计算方法如式(1)所示

其中，RA为合加速度峰值;ax为水平方向即X 轴加速度;ay为前后方向即Y轴加速度;az为竖直方向即Z轴加速度。

(2)三轴信号幅度变化区域:指X轴，Y轴，Z轴在所截取的信号段时间内，三轴信号幅度区域的总和。其较好的避免了以某一轴的输出作为判定的依据，且能较好的反映老年人在跌倒的过程中三轴信号变化大的特点。因此，可作为判别跌倒的又一指标。计算方法如式(2)所示:RS为三轴信号幅度区域总和，t为时间间隔(3 s)，Ax(t)为时间t时X轴加速度的大小，Ay(t)为时间t时Y轴加速度的大小，Az(t)为时间t时Z轴加速度的大小

(3)合加速度信号曲线能量。信号的能量在时域信号中，用幅值与所用时宽来衡量［7］。即能量大就意味着幅度与占用时宽的乘积大。换到频域也是一样，能量大就意味着幅度与占用频带宽度的乘积大。傅里叶分析能使时域信号变换到频域，但不改变信号的能量。由于信号能量守恒，在时域求得的信号能量与在频域求得的信号能量相同。在为给定信号s(t)构造的时频联合分布P(t，w)的总能量E应也等于信号的能力，如式(3)所示

(4)进行模式匹配。将计算得到的特征向量与模板向量匹配，通过分类器进行决策，若该向量与模板向量之间的欧氏距离小于设定距离D时，可判定为跌倒

发生;反之，无跌倒事件发生［7］。设定距离D值的大小根据实验确定。对于两个样本X和Y，其欧式距离定义为式(4)所示

每个跌倒类型下的小特征向量空间确定的欧式距离取值原则:为保证减少漏报的次数，欧式距离的取值应宜大不宜小。因各个欧式距离相差较小，取值D用以下方法式(5)确定［7］

跌倒检测具体流程如图2所示。

图4 检测算法流程图

2.3 实验比较和结果

为检测、对比本文提出的特征向量T1=(RA，SA，E)和文献［7］提出的特征向量 T2=(RA，Dip，E)的实验结果。其中，RA为合加速度峰值，E为运动所消耗的能量，C为三轴信号幅度变化区域，Dip为躯体倾角的变化。首先建立模板库，分别采集了20组异常跌倒样本和20组轻微运动样本，20组正常休息样本。出于安全考虑，未请老年人参与，而是由4名学生模拟老年人的行为特征在垫子上完成，每位学生各类实验分别采集5组。并对跌倒设定阈值RA＞1.85;SA＞2.2;E＞3.5;Dip＞0.3。做了3组对比实验。分别对应以上算法进行模式匹配。在同一时间段内，测试同一测试样例，保证T1、T2中的合加速度RA及消耗能量E相同，并分别观察跌倒、轻微运动、休息状态情况下SA和Dip的变化。

(1)跌倒实验。

从图5中可看到，当合加速度RA到达第一个波峰时，经模式匹配后确立为跌倒情况。此时，能量E增大，SA变化幅度明显，Dip变化幅度也同样明显。当合加速度RA到达第二个疑似波峰时，经模式匹配之后与跌倒样本匹配不成功。此时，SA变化幅度没有跌倒时大，而Dip变化大小却与跌倒时变化相当。因此，Dip无法较好的区分是否为跌倒情况。

图5 跌倒实验结果图

(2)轻微运动实验。

图6 轻微运动实验结果图

从以上实验可看出，当实验者处于轻微运动状态时，如走路、上楼梯。合加速度RA与能量E、SA变化均平缓。而Dip可清楚的看到，有至少两处变化明显。

(3)休息状态实验。

如图7所示，当实验者处于休息状态时，如睡觉、静坐。合加速度RA与能量E均基本不变，SA的变化幅度较小，而Dip变化不稳定。

图7 休息状态实验结果图

(4)实验结果。实验共6名学生，实验者模拟老年人的行为特征按照表1、表2和表3分别做60次跌倒实验、60次轻微运动实验、60次休息状态实验，即每人分别各项做3次。实验过程中，地上放置有棉垫(厚度约10 cm)，周围无其他遮挡物。本文从准确率、误报率、漏报率3个性能对比两种特征向量T1和T2实验情况。定义如下:

准确率=(成功次数/总实验次数)×100%

误报率=(错选次数/总实验次数)×100%

漏报率=(遗漏次数/总实验次数)×100%

表1 跌倒实验结果

表2 轻微运动实验结果

表3 休息状态实验结果

由表1～表3可看出，选用T1作为特征向量相比选用T2作为特征向量，在检测跌倒、轻微运动、休息状态下的准确率上均有所提高;而误报率和漏报率上均有所降低。实验效果更加稳定、可靠，且各方面实验情况也更加优越。

3 结束语

本文设计的系统可实现跌倒检测、轻微运动检测及休息状态检测，并能运用于老年人身上。改进后的特征向量T1比文献［7］提出的特征向量T2检测效果更加精准。T1克服了T2因人的身体姿态变化而出现的误报、错报现象，并较好地避免了以某一轴输出作为判定的依据，且不会因传感器佩戴方位的不同产生误差。其三轴加速度信号的幅度区域可较好地体现老年人的跌倒特征，也能与其他非跌倒类型的动作清楚地区分并判断，由此可更加准确将实时跌倒信息反馈给家人或医疗机构，从而为老年人的独居生活提供了便利与保障。

［1］宁鸿成，滕桂法.跌倒检测在远程健康监管系统中的应用研究［J］.微型机与应用，2007，30(6):76 －78.

［2］Rashidi P，Mihailidis A.A survey on ambient－ assisted living tools for older adults［J］.IEEE Journal of Biomedical and Health Informatics，2013(3):579 －590.

［3］Christian B，Frank M.A survey of berth allocation and quay crane scheduling problems in container terminals［J］.European Journal of Operational Research，2010，202(3):615 －627.

［4］施芹，裘安萍.硅微陀螺仪的误差分析［J］.传感技术学报，2010，19(5):2182 －2185.

［5］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.

［6］李冬，梁山.基于加速度传感器的老年人跌倒检测装置设计［J］.传感器与微系统，2008，27(9):85 －88.

［7］陈艳玲.基于统计模式识别的跌倒检测算法研究［D］.武汉:武汉理工大学，2012.

［8］赵祥欣.基于三维加速度传感器的跌倒监测研究［D］.杭州:浙江大学，2012.

［9］刘娜，马礼.一种基于ZigBee的无线传感器网络数据采集系统［J］.电脑开发与应用，2010，23(6):69 －70.

［10］李娜，侯义斌，黄樟.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.