基于移动终端的老年人跌倒检测系统设计

沈莹 黎海涛

【摘要】 本文设计和实现了一种基于安卓智能手机的老年人跌倒检测系统。跌倒检测是基于安卓操作系统的智能手机中的加速度传感器来获取人体任意时刻的三轴加速度值，此系统利用人体的合加速度值作为判断是否发生跌倒现象的首要标准，再通过计时滤波和延迟报警提高检测的准确率。测试结果表明此系统可以在老年人发生跌倒的情况下进行报警，达到检测人体正常跌倒情况的标准。

【关键词】 安卓智能手机 跌倒检测 三轴加速度器

一、引言

如今，在全球范围内，人口老龄化的增长趋势是一个最严重的社会问题。按照中国官方在2013年给出的报道可知，老年人的数量已达到20亿2000万，有超过十亿的“空巢老人”不和他们的孩子住在一起[1]。这种现象也发生在大多数西方国家[2]。

同时，由于体质和偶然的原因，当老年人独居时，跌倒情况发生的频率最高，为老年人带来了不可避免的伤害。根据研究，约10%至15%的“跌倒”会威胁到老年人的生命安全，65岁以上的老年人中有超过三分之一的人每年至少摔倒一次[3]。跌倒造成的其他后果主要是软组织受伤和骨折[4]。因此，早期的和可靠的“跌倒”检测对于救助老年人和避免预后不良是非常重要的[5]。

二、系统设计

一般人体因某种因素失去平衡时，便有可能发生跌倒情况。此时身体一般会呈现倾向某一方向倾倒的状态，其经身体一连串的作用结果，可能发生的姿势包含以下几种可能：向前跌倒，向后跌倒，向左侧跌倒，向右侧跌倒。

建立直角坐标系，以Z轴对应人体直立时的垂直轴，X轴对应人体的左右方向水平轴，Y轴对应人体前后方向水平轴，X、Y、Z轴相互正交。

当人体处于站立或行走状态时，X、Y轴的加速度接近0而Z轴的加速度接近g；当人体发生跌倒现象时，三轴加速度及其矢量和会发生改变。

通过采集X、Y、Z三个方向上的加速度ax、ay、az，运用物理公式计算出人体的合加速度，再与设定的阈值进行比较来初步判断跌倒是否发生。a的大小与人体速度变化的快慢有关而与运动方向无关，与基于倾角的阈值算法相比更具优势，是一个十分理想的物理参考量。国内外有许多针对跌倒检测的研究，就是以跌倒发生时所产生的加速度值来作为判断跌倒的重要参考依据。

2.1人体跌倒检测算法步骤

（1）根据公式求得人体某一时刻和合加速度值a；

（2）把合加速度值a与设定的阈值11进行比较，如果a大于11则预判为跌倒，否则返回最初的工作环节；

（3） 在预判为跌倒状态下实行在6s时间里连续采集数据，进行计时滤波，当出现一次或多次合加速度的值超过阈值11时，系统会在6s的时间间隔里把多个可疑数据合并成一个，进入预报警状态；

（4）预报警状态会持续30s，用来等待报警解除信号，如果30s内没有解除报警，最终判断为跌倒并进行短信报警。把延迟报警时间设置为30s，是因为老年人反应比减慢，动作相应迟缓。人体跌倒检测算法流程图如下图1所示。

2.2系统软件实现

利用Java语言编写安卓手机跌倒检测软件，软件程序流程图如图1所示。

软件的主界面如图2所示，主界面上有个“设置紧急联系人”按钮，点开后会进入到紧急联系人的设置界面，可以设置联系人的手机号码和紧急短信内容，如图3所示。

延迟报警界面如图4所示，系统会在预报警时弹出一个消息框，此消息框倒计时30s，在倒计时结束前如果用户点击了“取消”按钮，软件不会发送报警短信，反之，系统会判断有人跌倒，软件将自动向图3中设置的手机号码发送报警短信。

三、 系统测试及分析

跌倒检测的测试者是一个26岁的年轻女性，身高164cm，体重52kg，模仿老年人的动作进行跌倒测试。测试时，手机放在测试者的右侧腰间，跌倒场景设置如表1所示，前后左右跌倒各30次，测试结果如表2所示。

由表2可知，跌倒测试的报警次数验证了本实验中算法的准确性和可行性，测试结果表明向前跌倒和向左跌倒准确率较高，向后跌倒的准确率相比其它三类要低一些。综上所述，本文算法能很好地监测人体在正常活动过程中出现跌倒这种异常的情况，而缺陷在于实验中跌倒事件及日常生活行为事件是由测试者故意模仿老年人动作完成，在测试跌倒时，测试者避免不了内心的恐惧和犹豫，这与突发性的跌倒之间存在一定的误差。在实际应用中需要根据不同年龄段、不同个体的用户，进行相应的参数调整，系统还提供了 “一键紧急救助”按钮，如图2所示，可以弥补少数的漏报。

四、结论

本文以Android智能手机为平台搭建老年人跌倒检测系统，利用手机自带的三轴加速度传感器测算出人体当前的合加速度值，实现对老年人发生跌倒这种异常情形的检测。由上面的实验结果可以看出，当老年人不小心摔倒后，手机将会发送短信给相关监护人。监护人收到短信时，可及时与老人联系确认老人当前状况，防止因跌倒事故没有及时处理而使悲剧发生。本系统方案具有使用方便简单、成本低、适用范围广、实时响应快的优点。

参 考 文 献

[1] Y.Wu，J.Dang.China Report Of The Development On Aging Cause（2013）[R]. Beijing： Social Sciences Academic Press （China），2013.

[2] Gabriele Rescio， A. Leone， P. Siciliano. Support Vector Machine for Tri-axial Accelerometer-based Fall Detector[C]. Advanced in Sensors and Interfaces （IWASI）， 2013 5th IEEE International Workshop on， Bari， 2013： 25-30.

[3] Suhuai Luo and Qingmao Hu. A Dynamic Motion Pattern Analysis Approach to Fall Detection[C]. Biomedical Circuits and Systems， 2004 IEEE International Workshop on， 2004： S2.1_5-S2.1_8.

[4] T. Zhang， J. Wang， L. Xu， P. Liu. Fall Detection by Wearable Sensor and One-Class SVM Algorithm[J]. Springer-Verlag Berlin Heidelberg， 2006：858-863.

[5] Hwang， J.Y.， Kang， J.M.， Jang， Y.W.， Kim and H.C.. Development of Novel Algorithm and Real-time Monitoring Ambulatory System Using Bluetooth Module for Fall Detection in the Elderly[C]. Proceedings of the 26th Annual International Conference of the IEEE EMBS， 2004：2204-2207.