基于大数据平台的人体跌倒检测研究

张帆

摘要：跌倒一直是影响人体健康的重要因素之一，针对现有跌倒检测算法由于缺乏真实老人跌倒样本导致的适应性不足等问题，提出了一种基于大数据平台的人体跌倒检测方法。该方法通过分析传感器的信息构建特征向量，运用机器学习的算法建立分类模型，将采集到的信息实时传送并保存到搭建好的hadoop大数据平台，平台通过相似度度量判断模型是否需要更新。随着数据样本不断增加，系统的准确率会不断提高。实验数据表明该方法准确率能在一定范围内实现稳步提高。

关键词：跌倒检测；大数据平台；机器学习；特征向量；准确率

DOIDOI：10.11907/rjdk.162817

中图分类号：TP319

文献标识码：A 文章编号：1672-7800（2017）006-0148-04

0 引言

随着生活方式的变革、年轻人生活观念的变化、社会老龄化的加速演进，“空巢家庭”问题也越来越严重。有关数据显示，预计到2030年空巢老年人家庭的比例将达到90%，我国老年人家庭将空巢化[1]。跌倒是老年人群中常见的伤害事件，会使老人遭受诸如骨折、出血、中枢神经系统损伤等身体上的伤害，如果不及时治疗，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。跌倒已成为老年人发病和死亡的重要原因之一。据统计，我国人群中跌倒意外伤害死因排名第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。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水平，是一个非常重要的公共健康问题。在日常生活中，当老年人发生跌倒时，能够及时发现，就可以避免更为严重的后果。因此，设计一种针对老年人的摔倒检测装置一方面可以提高老年人的生活品质，另一方面可以减轻社会和子女的压力。

1 相关工作

由于人体运动的复杂性和环境等因素的影响，很难对跌倒进行准确检测。目前已有跌倒检测技术分为以下3类[2]：

（1） 基于视频的跌倒检测方法[3]。此类方法通过视频摄像头捕捉人体运动画面，经过图像处理算法，通过图像特征来判断是否发生跌倒。但是由于摄像头安装地点固定等缺陷，此类系统只能检测到一定区域，另外，还可能会泄露个人隐私。

（2） 基于声学的跌倒检测方法。此类方法通过分析跌倒时的振动导致的频率波动来检测跌倒事件，但系统安装较为复杂，资金投入比较大，而且无法得到很好的精度，故只能作为其它检测方法的辅助手段。

（3） 基于可穿戴设备的跌倒检测方法[4-6]。此类方法利用多种传感设备采集人体运动信息或姿态信息，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，国内外有很多此类装置及方法研究，例如李文锋等[7]通过单三轴加速度传感器采集人体腰部的加速度数据，运用滑动时间窗方法进行时域特征提取，采用基于阈值的分类方法对特征进行处理；罗丹等[8]采用滑动窗口机制，对窗口内的加速度数据进行时间域和变换域处理，在所有样本集中进行有放回的Bootstrap随机抽样和属性随机选择，构建多个基于最佳属性分割的支持向量机基本分类器；石栋等[9]设计开发了一种云智能实时检测系统，系统通过支持向量机算法（SVM）对数据进行处理，输出特征数据并通过GPRS将数据上传至物联网云平台，同时将跌倒信息发送给监护人手机；北京工业大学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[10]，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。目前跌倒检测研究普遍存在以下问题：①难以获取真实的老年人跌倒数据作为跌倒检测方法的基础训练数据；②现有的跌倒检测算法分类模型都是固定的、面向大众的，不能根据人体的特征差异进行调整；③传统关于跌倒检测的研究，跌倒数据往往只作为判断跌倒状态的依据，判断之后数据就被释放。这就造成数据资源的浪费以及跌倒检测连续性的缺失。

为了获得较准确的跌倒检测结果，本文提出一种基于大数据平台的人体跌倒检测算法。该算法使用朴素贝叶斯和期望最大化的思想对跌倒等动作进行分类识别，能较好地适应特征值的个体差异，适合于跌倒样本规模相对不足的特点，实验结果能够验证该算法的准确性和有效性。

2 跌倒检测方法

2.1 跌倒特征分析

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，例如人在跌倒之后能迅速起身。造成伤害的跌倒事件一般会经历3个阶段：正常的活动、突然跌倒、持续时间的静卧状态或有微弱运动。通过三轴加速度传感器采集到的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；而跌倒会产生一个强烈的冲击力，引起加速度在1～2s内猛烈变化；跌倒后的静卧或者微弱运动会持续较长的一段时间，此时合加速度接近于重力，且各轴的加速度分量与人体正常状态时明显不同。

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。利用机器学习的算法训练分类器，并且利用Hadoop平台的存储和更新性能自适应调整分类器，使得分类器的准确度不断提高。

2.2 特征向量构建

由于跌倒可能发生在任意方向和角度，因而，采用合加速度、竖直方向的加速度和三轴姿态角度构建特征向量可以使得判斷更为合理和精确。

其中X，Y分别表示两个数据样本，Xi表示X的第i个样本，Yi表示Y的第i个样本，cov表示协方差，E表示期望值，μ表示均值，σ表示标准差。

（4）为减少跌倒检测中的误报，本文引入基于反馈的训练机制，即当检测到正常行为被误判为跌倒行为时，系统会把本次数据加入到日常行为数据集中，形成新的数据集。

3 实验

3.1 实验条件

为了验证本研究的有效性，本文进行了相关实验。首先利用3台服务器搭建了3个节点的Hadoop大数据平台，然后实现平台和手机的交互，手机为三星Note6，最后将手机置于人体腰间。实验对象2人，实验者1：女，23岁，身高162cm，体重53kg；实验者2：男，26岁，身高176cm，体重65kg。两人分别进行了向前摔倒100次、向后摔倒100次、左侧摔倒100次、右侧摔倒100次，日常行为活动600次（时间跨度为5天，每天的数据样本都在前一天的基础上增加）。

根据上述表2～表6以及图2～图4，可以发现，同一实验者跌倒检测的准确度、灵敏度、特异度会随着天数（训练数据样本）的增加不断提高，从而验证了本研究的有效性和正确性。

4 结语

本文提出了一种基于大数据平台的人体跌倒检测方法。利用大数据平台存储和机器学习方法，对日常活动样本以及跌倒样本进行学习，确定合理的分类器。经过实验发现本文具有以下优点：采用朴素贝叶斯算法和期望最大化算法，避免了因初始特征向量数据样本较少而无法建立分类器的情况，提高了初始跌到检测准确率；采用计算相似度度量的方法，对特征向量数据样本进行相似性判断，只有样本不相似时，分类器才会作出调整。后续将增加跌倒数据集进行更深层的性能评测，同时与现有跌倒方法作对比以进一步优化该方法。

参考文献：

[1]RASHIDI P，MIHAILIDIS A.A survey on ambient-assisted living tools for older adults[J].IEEE journal of biomedical and health informatics，2013，17（3）：579-590.

[2]NOURY N，FLEURY A，RUMEAU P，et al.Fall detection-principles and methods[C].International Conference of the IEEE Engineering in Medicine & Biology Society IEEE Engineering in Medicine & Biology Society Conference.2007：1663-6.

[3]NGO Y T，NGUYEN H V，PHAM T V.Study on fall detection based on intelligent video analysis[C].The 2012 International Conference on Advanced Technologies for Communications.2012：114-117.

[4]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.

[5]席旭刚，武昊，左静，等.基于 sEMG 与足底压力信号融合的跌倒检测研究[J].仪器仪表学报，2015，36（9）：2044-2049.

[6]石欣，张涛.一种可穿戴式跌倒检测装置设计[J].仪器仪表学报，2012（3）：575-580.

[7]李文锋，姚丙盟.基于单三轴加速度传感器的人体活动状态识别[J].华中科技大学学报 ：自然科学版，2016（4）：12.

[8]罗丹，罗海勇.基于随机森林的跌倒检测算法[J].计算机应用，2015，35（11）：3157-3160.

[9]石栋，张克华，徐彪.独居老人云智能跌倒实时检测系统的开发[J].計算机工程与应用，2016，52（19）.

[10]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.

（责任编辑：陈福时）