老年人跌倒预测系统综述

曹丽杰

（国防科学技术大学计算机学院，长沙　410073）

老年人跌倒预测系统综述

曹丽杰

（国防科学技术大学计算机学院，长沙410073）

0　引言

老年人健康保障是一个永恒的话题，在当今世界老龄化日益严重下老年人的身体健康尤其重要。跌倒，是威胁老年人健康的最危险意外事故之一。跌倒是人体受伤的一个重要原因，对老年人更是如此。统计显示，在我国，跌倒是老年人（高于65周岁者）伤害致死的最主要原因，是所有年纪的人意外受伤致死的第四大原因。Stevens等人的研究表明[1]，在美国，每年超过65岁的老年人中的1/3曾跌倒过，共约1300万次跌倒发生，其中50%是复发性跌倒，大约10%-20%会导致严重损伤如骨折、头部创伤等，甚至死亡。尽管某些跌倒未曾导致伤害，但非损伤性跌倒中47%的老年人在没有外人帮助下不能自主站立起来。老年人跌倒受伤会造成他们生活自理能力减弱和害怕跌倒的心理影响，间接影响到老年人的生活体验。除了对老年人身体的伤害，老年人跌倒后的医疗费用也是巨大的，占美国总医疗费用的6%。在2005年，跌倒引起的直接花费是236亿美元，2010年是304亿美元，这个数字还在逐年增加。可以说，跌倒这一可以被尽可能避免的意外事故，是老年人健康的重大隐患，也给社会带来了负担。

对老年人跌倒的及时帮助或预防一直都深受国内外研究者们的关注。国内外对老年人的救护系统设计主要是从以下几个方面考虑：跌倒检测方法，即对老年人的日常生活实时检测，通过加速度值、姿态、躯干倾斜角等指标设计算法，如阈值算法、机器学习算法等，实时判断老年人是否跌倒，完成的主要工作是姿态识别、跌倒检测系统，对于跌倒后不能自主站起来的老年人，可以减少他们坐或躺在地上的时间，进而降低他们的伤害程度；跌倒风险评估方法，此方法多应用于健康医疗领域，通过分析老年人的身体指标，如心血管状态、身体平衡能力、步态等，判断老年人是否会易于跌倒，提醒家人对易跌倒老人多加关注；跌倒预判方法，同跌倒检测所用技术类似，但研究方向重在跌倒前而非跌倒后，即分析跌倒前人体姿态特征，以实现提前预测老年人跌倒事故的功能，此方法可以最大程度地减少老年人的跌倒损伤，具有非常好的现实意义，对老年人的身体保护作用最为显著，但目前跌倒预测系统的研究相对不是很成熟。本文重点讨论跌倒预测系统的相关技术和研究现状。

1　跌倒过程数据指标

1.1加速度值

人体跌倒过程伴随着身体失衡，由于重力作用，人体加速倒向地面，这个过程一般是不可逆的。这个过程一般发生在1-3秒，很短的一段的时间。爱尔兰国立大学的A.K.Bourke教授对跌倒事件进行了深入的分析，在理论上将跌倒事件划分为以下四个相位：跌倒前相（Pre-fall phase）、关键相位（Critical phase）、跌倒后相（Post-fall phase），以及恢复相位（Recovery phase）[2]。图1是梁丁等依据其跌倒实验过程中加速度信号做出对应的相位划分[2]。

图1　跌倒相位划分

由图中可以看出，关键相位部分加速度值变化趋势是先下降，然后快速上升和快速下降，后期有振荡变化，日常活动，则不会有如此剧烈的加速度变化。阈值算法在跌倒检测系统中有广泛的应用，即通过设定加速度阈值，判断跌倒是否发生，此种方法特异性和灵敏性都很高。另外，为了跌倒预测研究，可以进一步将图中关键相位划分为三部分，冲击前相，冲击相位和冲击后相，阶段划分如图2。冲击前相特征为加速度值逐渐下降，也是跌倒预测的关键时期。

图2　关键相位划分

1.2倾斜角

倾斜角指身体躯干的弯曲角度，包含躯干左右倾斜和前后倾斜，根据倾斜角大小也可以判断人体跌倒的方向。研究表明人体站立时，身体和竖直方向的夹角一般不超过60度。但是单纯根据倾斜角很难完全正确地对身体姿态进行分类，因此倾斜角常作为姿态分类的辅助指标，对可能的跌倒事件作进一步判断。

1.3垂直速度

类似于加速度值，垂直速度曲线同样可以表示跌倒下降过程不同阶段的运动学特征。所有的跌倒者都经历了向下垂直速度曲线中的某个阶段，这可以作为跌倒预测的有效参数。但目前来看，因为垂直速度需要对传感器获取的加速度值进行积分运算，而且实际表现和加速度值相似，因此选用垂直速度的研究者们相对较少。

1.4足底压力

当人体跌倒时，足底压力也会相应变化，此指标也是作为跌倒预测系统的辅助性指标，以便进一步加强算法的准确度。

2　人体活动分类

近些年，尽管人体跌倒检测已经越来越受到人们的关注，但实验动作设计仍然存在着很大的挑战。首先，某些类似跌倒的日常活动很容易被误判为跌倒。目前实验判定跌倒的方法多依据加速度值的阈值，但是，如果超过阈值的加速度值均被判定为跌倒可能会导致一些错误警告，例如快速坐下或快速躺到床上。其次，并非所有的跌倒都具有大的加速度值。Rubenstein等[3]统计显示老年人经历的跌倒中22%是缓慢的，由头晕或眩晕引起的占到13%，突然的跌倒发作占9%。因此，若要设计一个成功的跌倒预测系统，慢跌倒实验应当是其中很重要的一部分。

目前实现的跌倒预测系统多数没有对日常活动进行细致的划分，跌倒类型也只选取一两种，而且以快速跌倒方式为主，系统实验的结果可信度较低。若要实现跌倒预测系统在生活中的适用性需要考虑到老年人的各种日常活动。对日常活动的分类如下描述。

日常生活中静态姿势：站，坐，躺。

日常生活中动态姿势：站到坐，站到躺，坐到站，抬起腰，弯下腰，上楼梯，下楼梯，慢跑。

生活中跌倒：滑倒，绊倒，晕倒，站到坐跌倒，坐到站跌倒，失足跌倒。

从椅子上站起来时跌倒，由于人下意识会寻找周围物体支撑，容易被误判为非跌倒事件，晕倒也易被误判为非跌倒事件。

跌倒事件中快速躺到床上或者快速坐到椅子上则容易被误判为跌倒事件。

因此在设计系统时应注意对这些易引起误判的事件加强分析和学习。

3　跌倒预测系统研究现状

迄今为止，尽管各种跌倒检测系统大多能达到近100%准确度，但能够提前预测老年人跌倒并提供保护措施则是一种更值得期待的技术。目前部分学者对跌倒预测进行了详细的研究。跌倒预测关键是研究跌倒触地前下降期的数据特征，目前研究现状如下陈述。

2000年，Wu[4]采用躯干水平和垂直速度的阈值算法实现了跌倒预测系统，结果表明可以在跌倒触地前300-400ms时间检测出跌倒发生。2006年，Nyan等[5]用三轴陀螺仪固定在三个不同位置，胸部、腰前、上臂内侧实现跌倒预测，达到100%的灵敏度和接近200ms的前置时间，但是16%的正常活动被误判为跌倒。此外，他们发现跌倒被检测到的时刻，躯干与垂直轴的角度为40-54度。2008年，Bourke等[6]通过躯干的垂直速度阈值进行跌倒预测，一个运动捕捉系统和一个惯性测量单元被应用于实验中，惯性测量单元固定于人体胸部。实验结果达到100%的准确度和平均提前323ms检测到躯干触地和提前140ms检测到膝盖触地。Nyan 等[7]在2008年对跌倒预测的研究中，通过大腿和腰部的角度阈值算法对模拟晕倒进行分析，实现了100%的特异度和 95.2%的灵敏度，跌倒前置时间平均为700ms。2009年Shi等[8]，2010年Shan和Yuan[9]采用支持向量机（SVM）的方法，通过对众多加速度计和陀螺仪原始数据的特征选择，再利用SVM算法分类，实现了100%的灵敏度和100%的特异度，检测到的跌倒前置时间平均为203ms。

2014年，Ding Liang等[10]采用基于惯性测量单元的加速度阈值算法对跌倒前置时间进行了分析，而且对主动跌倒和被动跌倒作了对比分析，结果显示被动跌倒因为外力作用有瞬间的加速度的轻微增加过程，因此相比于主动跌倒更容易检测，主动跌倒的平均前置时间是514ms，被动跌倒的是731ms。Ding Liang等虽然对跌倒前置时间作了详细的对比，且有比较好的研究结果，前置时间比较长，准确率也很高，但实验设计和算法比较简单，正常活动只设计了简单的走，跑和躺，这些动作与跌倒有明显的差异因此很容易被检测，但是对类跌倒事件未作比对。

2015年，Lee[11]对接近跌倒（near-falls）事件进行了研究，提出了基于垂直速度的跌倒预测方法，并对基于垂直速度的方法和基于加速度的方法进行了对比，实验用例为分别区分跌倒和正常活动 （Activity Daily Life，ADL，排除接近跌倒事件），区分跌倒和非跌倒（包括接近跌倒事件）。实验结果表明两种方法在跌倒和正常活动的分类上具有相似的准确性，然而在跌倒和非跌倒事件中使用垂直速度具有更高的准确度，表明当跌倒检测中包含有接近跌倒事件时，使用垂直速度参数比使用加速度阈值具有更好的效果。

除了依据数据特征设计的跌倒预测系统，对老年人的跌倒风险分析也具有一定的实际意义。老年人多由于身体机能下降，容易出现糊涂、身体平衡失调等症状，通过分析老年人的跌倒风险因子，进而提前对老年人的日常生活予以关注，同样可以起到保护老年人的效果。Kressig Rw等[12]发现，仅1.7cm的步长变异就可导致跌倒风险增加几乎一倍。步态变异性很难通过肉眼观察或简单的运动检测辨别，需要相关仪器进行精准的测量。然而精确的步态测量方法，如光学运动捕捉系统（optical motion capture）等，仪器价格昂贵，并且需要专业人员测量、分析数据，很难广泛用于老年人跌倒风险预测。Mariani等[13]以视觉运动捕捉系统为参照，用IMU（惯性测量单元）对12名健康成年人进行足离地间隙测量，证明 IMU能够达到对短距离测量的准确性，可以用于实验室外临床步态评估。Paterson等[14]利用IMU对97名健康且经常运动的老年人进行的一项步态参数和跌倒风险的前瞻性试验显示，在各种步态参数中，跌倒者和非跌倒者仅在两腿步态差异性方面有显著性差异，提示两腿运动协调性的下降可能是步态或平衡功能异常的早期表现，可作为检测步态不稳和跌倒风险的敏感指标。

4　展望

老年人现实生活中的突然跌倒病发率高，对于老年人的健康生活有很大隐患，对于此种完全可能避免的意外事故我们都应该关注并寻找方法降低老年人跌倒事件发生或降低其受伤害程度，因此跌倒预测系统研究具有重大的现实意义。目前的跌倒预测系统在生活中还没有应用，市场上存在的产品多是基于跌倒检测，但实现的功能也不仅仅是跌倒检测，如检测老年人健康指标，血压、心率等；当判断出用户长时间蹲着时，会提醒用户站起时缓慢，防止突然的眩晕感；当检测到用户过长时间静止不动时，则预测用户可能晕倒，呼叫救助中心予以救助；自主呼救按钮，当用户跌倒后意识清醒，只是不能自主站起时，可以按动按钮呼救。这些设计在生活中都会对老年人的身体健康起到保护作用，应该继续发展。跌倒预测功能仍然是最值得期待的技术，当检测到跌倒即将发生时，可以通过安全气囊缓冲跌倒，减少伤害。另外，跌倒主要原因是身体失衡，老年人的平衡能力是影响跌倒的一个主要因素[15]，因此可以通过设计跌倒风险因子，对老年人的身体状况做判断，分析其是否容易跌倒，引起家人重视。

跌倒伤害是全球面临的严重问题，也是目前各个国家关注的热点，但是研究结果参差不齐，主要因为跌倒防护系统没有统一的实验标准，如实验对象多采用年轻人模拟老年人跌倒，少部分是老年人模拟跌倒，另外对活动类型的分类也没有建立统一规范，每个研究者采用自己独立的实验环境，相互之间参考性和比较性有限，研究结果不具有代表性和可靠性。为了老年人跌倒防护系统研究的可持续发展，希望可以成立管理组织，不断建立完善现实世界老年人跌倒过程重要指标的数据库，并对数据公开，方便众研究者分析，以尽早实现高准确率和实用性的跌倒预测系统。

[1]Stevens J A，Corso P S，Finkelstein E A，et al．The Costs of Fatal and Non-Fatal Falls Among Older Adults[J]．Injury Prevention，2006．

[2]梁丁．基于MEMS惯性传感器的跌倒检测与预警研究[D]．大连：大连理工大学计算机科学与技术，2012．

[3]Rubenstei L Z，Josephson K R．The Epidemiology of Falls and Synscope[J]．Clinics in Geriatric Medicine，2002，18（2）:141-158．

[4]WU Ge．Distinguishing Fall Activities From Normal Activities by Velocity Characteristics[J]．Journal of Biomechanics，2000，33: 1497-1500．

[5]NYAN M N，TAY F E H，TAN A W Y，et al．Distinguishing Fall Activities from Normal Activities by Angular Rate Characteristics and High-Speed Camera Characterization[J]．Medical Engineering&Physics，2006，28:842-849．

[6]Bourke A K，Donovan K J O'，LAIGHIN G．The Identification of Vertical Velocity Profiles Using an Inertial Sensor to Inverstigate Preimpact detection of falls[J]．Medical Engineering and Physics，2008，30（7）:937-946．

[7]Nyan M N，Francis E H，Matthew Z E，et al．Application of Motion Analysis System in Pre-Impact Fall Detection[J]．Journal of Biomechanics，2008，41:2297-2304．

[8]SHI Guangyi，CHAN Cheung Shing，LI Wen Jung，et al．Mobile Human Airbag System for Fall Protection Using MEMS Sensors and Embedded SVM Classifier[J]．IEEE Sensors，2009，9（5）:495-503．

[9]SHAN Shaoming，TAO Yuan．A Wearable Pre-Impact Fall Detector Using Feature Selection and Support Vector Machine[J]．Proc．IEEE Int．Conf．Signal Process，Beijing，China，2010:1686-1689．

[10]DING Liang，KAMEN Ivanov，LI Huiqi，et al．Exploration and Comparison of the Preimpact Lead Time of Active and Passive Falls Based on Inertial Sensors[J]．Bio-Medical Materials and Engineering，2014，24:279-288．

[11]LEE Jung Keun．Inertial Sensing-Based Pre-Impact Detection of Falls Involving Near-Fall Scenarios[J]．IEEE Transactions on Neural Systems and Rehabilitation Engineering，2015，23（2）:258-266．

[12]Kressig R W，Herrmann F R，Grandjean R，et al．Gait Variability While Dual-Tasking:Fall Pre-dictor in Older Inpatients[J]．Aging Clin Exp Res，2008，20（2）:123-130．

[13]Mariani B，Rochat S，Bula C J，et al．Heel and Toe Clearance Estimation for Gait Analysis Using Wireless Inertial Sensors[J]．IEEE Trans Biomed Eng，2012，59（11）:3162-3168．

[14]Paterson K，Hill K，Lythgo N．Stride Dynamics，Gait Variability and Prospective Falls Risk in Active Community Dwelling Older Women[J]．Gait Posture，2011，33（2）:251-255．

[15]吕岳．老年人跌倒的危险因素分析．临床医学杂志，2008，9（4）:30-34．

Pre-Impact;Lead-Time;Fall Detection;Activity Classification

Survey on the Eldly Fall Prediction System

CAO Li-jie
（College of Computer Science and Technology,National University of Defense Technology,Changsha 410073）

1007-1423（2016）02-0047-05

10.3969/j.issn.1007-1423.2016.02.012

曹丽杰（1987-），女，河南漯河人，硕士研究生，研究方向为嵌入式系统设计

2015-11-19

2015-12-29

老年人跌倒事件时常发生，老年人即使受到很小的伤害，也可能会对他的生活和健康造成很大影响。跌倒预测系统通过人体姿态分类算法，提前判断老年人跌倒事件，然后通过保护措施阻止老年人跌倒或减少跌倒后的伤害，具有很好的实际意义。对跌倒预测系统国内外研究现状作调查分析，并展望系统未来可能的发展方向。

跌倒预测；前置时间；跌倒检测；姿态分类

Falls and fall-related injuries are common in the eldly.Their life and health may be significantly affected,even though they hurt slightly. Fall prediction system of the eldly can detect impending falls in their descending phase before the body hits the ground,which is implemented by classifying the activity through the accelerometer of the body,then the system can prevent the fall or do something to reduce the severity of injuries.Fall prediction is of great significance.Investigates the status of fall prediction system and discusses the possible work on the future.