基于可穿戴设备的跌倒检测方法研究进展

陶 帅 常蒙月 汪祖民 吕泽平

1.引言

从国家统计局公布的数据显示，2019年我国65周岁及以上人口占比为12.6%，较2018年的11.9%增长了0.7个百分点，可知我国的老龄化程度逐渐加快[1]。据报道，我国65岁以上老年人超过1/3每年摔伤1次以上，85岁以上老年人超过2/3每年摔伤2次及以上[2]。如果不能及时反馈和解决跌倒引发的问题，将会带来更大的身体损伤，所以积极应对因跌倒给老年人带来的影响是实现健康老龄化的关键。

越来越多的学者将目光聚焦于跌倒检测系统的研究，常见的跌倒检测系统包括基于视觉的跌倒检测系统、基于环境的跌倒检测系统和便携式可穿戴检测系统。基于视觉的跌倒检测系统可以精准获取和存储多维度的信息，已经广泛应用于临床、康复、体健等多个领域，但是它们通常比较昂贵和复杂，而且图像数据容易受到光照亮度、光线、视点、设备移动和复杂背景等因素的干扰，所以基于视觉的系统只能在室内或特定场所使用。基于环境的跌倒检测系统不仅可以准确获取测量数据而且人体不用佩戴任何传感器，比较舒适，但是它也有一些缺点，只能在特定的场所测量且价格昂贵。可穿戴跌倒检测系统更容易获取人体各项数据信息且没有时间、空间限制，在监控和分析对象稳定性方面也非常出色[3]。本文主要介绍应用可穿戴设备进行跌倒检测的方法，从可穿戴设备数据采集、数据预处理和跌倒判别算法三方面进行综述，对已有的文献分类、对比、统计分析并指出未来的工作重点，为初学者指引方向，同时为相关行业后续的研究工作提供借鉴与参考。

2.跌倒行为分析

跌倒是指突然的、非自觉的、非主观的姿态转换，倒在平面上。跌倒行为包括前后垂直跌倒、左右垂直跌倒、前膝着地式跌倒、臀部着地式跌倒、缓慢跌倒等[4]。影响跌倒发生的因素多种多样，例如对周边环境不熟悉、视力减退、步态失调和脑功能失调等。老年人常出现的蹒跚步态和因小脑肿瘤、出血或前庭性疾病导致的异常步态统称为步态失调；老年人常患的心血管疾病，如冠心病、高血压、脑动脉硬化和心律不齐等导致的脑供血不足常引起脑功能失调。Porta S[5]等人发现导致跌倒发生的因素有性别、年龄和步态异常等。研究者通常是捕捉跌倒前的体态变化，然后通过观察体态改变的程度检测跌倒的发生，例如Fan Y[6]等人通过三轴加速度数据分析人体运动姿势，得到人体各种姿势的转换信息，检测跌倒的发生。Lin C L[7]等人通过分析镶在眼镜框上的加速度计和陀螺仪信号，检测加速度的变化和用户头部的方向，检测跌倒的发生。Montanini L[8]等人通过鞋子里的力传感器和加速度计收集数据，分析被测者的运动和脚的朝向，检测跌倒的发生。孙成开[9]等人提出了一种识别人体运动状态的方法，该方法通过对采集的加速度信号预处理，可以有效快速地识别人体的各种日常活动，例如快慢走、上楼梯、下楼梯和跌倒等。

3.可穿戴跌倒检测系统的应用分析

3.1 数据采集

3.1.1 设备的选取：可穿戴数据采集设备通常有加速度计、气压计、陀螺仪、压力传感器、磁力计、肌电信号传感器等。加速度计是通过检测人体的受力情况来检测加速度大小的设备。陀螺仪又称角速度传感器，是测量载体角速度的传感器。压力传感器是将捕捉到的压力值转换成电信号的设备。气压计是测量大气压强的仪器。磁力计是衡量磁感应大小和方向的仪器。肌电信号传感器是检测浅层肌肉肌电信号的仪器。

根据采集设备所使用的传感器种类数目分类，可穿戴跌倒检测系统可分为基于单一传感器[9～28]和多种传感器[5～8,29～73]相结合的跌倒检测系统。基于单一传感器的跌倒检测系统主要使用加速度计进行数据采集，根据合加速度值或三个矢量加速度值检测跌倒是否发生。例如，Fan Y[6]等人使用加速度计采集三个方向的加速度值分析人体运动姿势，检测跌倒的发生；Qu W[9]等人使用加速度计采集的合加速度值和低复杂度的跌倒检测算法评估一组类似跌倒活动中跌倒检测的准确性；Tong L[10]等人提出使用人体的三轴加速度计数据建立隐马尔可夫模型来检测和预测跌倒事件，准确率为100%。多传感器跌倒检测系统主要是由三轴加速度计、压力传感器、陀螺仪、磁力计、重力传感器、气压计、声音传感器等相结合构成，从多个角度分析，检测跌倒的发生。例如，Lin C L[7]等人通过分析镶在眼镜框上的加速度计和陀螺仪信号，检测加速度的变化和用户头部的方向，检测跌倒的发生；Lipsmeier[29]等人利用陀螺仪和加速度计收集角度和加速度数据，检测异常的方法；Pierleoni P[30]等人使用安装在腰部的惯性单元(三轴加速度计、陀螺仪、磁力计和气压计)采集数据，将数据融合算法和跌倒检测算法相结合来检测跌倒的发生；Gao X[31]等人构建了一个多传感器系统(其中包括加速度计、光电传感器和张力传感器)进行数据采集，利用提出的模糊逻辑增强的自适应神经网络分类器进行分类，精确度高达99.8%；Rucco R[32]等人发现数据采集使用最多的是将两个及以上的传感器相结合，加速度计和陀螺仪的结合是使用频率最多的数据采集设备。由图1可知，本文所选文献使用的传感器种类和个数情况，其中使用加速度计进行数据采集的文献篇数最多，所以加速度是最常用的数据采集设备。由图2可知，大部分文献将多种传感器结合进行数据采集，其中使用最多的是将加速度计和陀螺仪两种传感器结合进行数据采集。

图1 使用不同种类传感器进行跌倒风险研究的文献数量

图2 使用多传感器与单一传感器进行研究的文献数量

3.1.2 设备佩戴位置：数据采集时，相同的传感器不同的佩带位置对应的实验效果是有差异的。在设计跌倒检测算法时，采集数据的传感器的佩戴位置是不可以被忽略的。如图3所示，可穿戴传感器一般被穿戴在人体的腰部[5,6,11～14,21,22,25,29,30,33～

图3 传感器的佩戴位置频率占比

43,59～62,64]、胸部[6,9,15,23,24,36,44,45～48,59,63,64]、腕部[15,21,29,36,49,50～55,59,64]、足底[6,8,17～20,36,56～58,64]和腿部[6,27,28,59,63,64]等，其中传感器穿戴在用户腰部的论文最多，占比为32%。佩戴在腰部的采集模块所采集的数据更能体现人体的运动状态，得到的数据更具有真实性、全面性。因此，腰部成为采集数据最受欢迎的部位。Kangas M[21]等人评估了三种低复杂度的检测算法，分别将加速度计置于头部、腰部和手腕上，结果表明头部和腰部比腕部好，考虑到可穿戴产品的可行性，腰部使用更加广泛。Rucco R[32]等人发现了可穿戴传感器类型与位置相关的主要趋势，在佩戴加速度计和陀螺仪时使用最多的部位是躯干，因为它在静态和动态稳定性中都起着重要作用。Ponce H[59]等人使用UP-fall跌倒数据集分析5个可穿戴传感器和2个相机视点，通过分析发现腰部的可穿戴式传感器和相机的侧视点显示出98.72%的准确率。

3.1.3 采样率：可穿戴采集模块的类型不同，适合的采样率也不相同，相应的跌倒检测系统的设计方法和性能也不相同。图4显示了本文所引论文采样率的频数数据，由图可知，文献使用的采样率从10Hz到1000Hz不等，其中采样率为50Hz的文章最多。采样率为50Hz时，常用的采集模块为加速度计[27,29,30,39,60,62,65]。本文所引用的论文中有部分文章没有标明采样率，没有纳入本节的统计。

图4 采样率主体分布

3.1.4 研究人群：跌倒检测实验的研究对象常分为三个年龄阶段：老年、中年和青年。根据联合国世界卫生组织规定：老年是指年龄在60岁以上的人群；中年是指年龄在45岁和60岁之间的人群；青年是指年龄在18岁和45岁之间的人群。常见获取数据集的方式有两种：一是实时监测老年人的日常和跌倒情况获取数据；二是利用中青年人模拟跌倒获取数据。如图5所示，在本文所引用的文献中大部分是选取中年和青年人进行模拟实验获取数据集，只有小部分的实验是研究老年人的日常活动和跌倒来获取数据集。

图5 研究人群年龄分布

3.2 预处理 常见的数据预处理的方法有降噪、归一化和降维等。原始数据通常包括很多噪声，以加速度数据为例，存在随机噪声和系统误差等，所以数据处理之前通常需要降噪处理，常见的降噪方法有滤波器降噪和小波降噪两种。在可穿戴跌倒检测系统中使用滤波器进行降噪更为常见，因为滤波器降噪更适合此类数据且计算量小、时间成本低。常见的降噪滤波器有中值滤波器[21,27]、互补滤波器[7]、高通滤波器[27]、二阶Butterworth低通滤波器[60]等。对于多维数据来说，不同的量纲对应着不同的数量级，有时差别会比较大，这种情况通常会影响最后的分析结果，所以需要进行归一化处理。不同的数据类型有不同的归一化的方法，例如周从根[17]等人将压力数据除以体重来实现数据的归一化。数据分析时，数据的维度对整个分析过程影响非常大，例如分析的难度、花费的时间和结果的准确性等，所以在分析过程中需要用较少的变量取代原来较多的变量，使问题得到简化。有文献[9,62]用合加速度代替各个方向的加速度实现数据降维，还有一种降低数据维度的方法是特征选择，即选择合适的特征进行统计分析，常见的特征选择方法有过滤法、包装法和嵌入法。利用特征选择方法提取最优特征子集进行分类可以在保持在较高分类精度的前提下显著减少特征数量。三种特征提取方法的优缺点如表1所示。

表1 三种特征选择方法的优缺点

3.3 跌倒评估方法 跌倒评估方法是通过对传感器采集的数据进行处理提取特征值，对特征值进行训练，建立模型，从而判断是否跌倒的方法。如图6所示，跌倒评估方法主要包括机器学习法[5,8,10,12,13,15,16,19,20,26,28,33,35,36,40～42,44,46～49,53,58,59,61,63,65]、阈值法[6,7,9,11,14,21～25,30,34,37,38,40,45,48,50～52,54,60,62,64,66～71]和将机器学习与阈值法相结合[27,31,39]的方法，其中机器学习是使用最广泛的算法。

3.3.1 阈值法：阈值法使用较多的是先归纳出跌倒信号的数字特征，再通过对数字特征设定合适的阈值来检测跌倒行为的发生和根据误差的不同结构形式构建基础模型来检测跌倒。可使用的阈值变量多种多样，例如加速度值、角度值、加速度的峰值和撞击地面后的速度值等，其中加速度值作为阈值变量使用最多。大多数的研究是将多种变量同时作为阈值变量检测跌倒，例如Dumitrache M[25]等人提出了一种基于阈值法的跌倒检测算法，使用合加速度峰值P、基长B、峰值与基长的比值R1、撞击后的速度V、V与R1的比值R2和撞击后的活动水平A作为阈值参数，检测跌倒是否发生，灵敏度为97.05%，特异性为99%。Lee J S[22]等人从智能手机的内置加速度计获取三轴加速度值的特征，确定跌倒和非跌倒的关键阈值，然后提出了一种基于阈值的增强型跌倒检测方法，它不仅可以将跌倒事件与大多数日常活动(包括步行、跑步和坐下)区分开，还可以支持跌倒的四个方向(向前、向后、左侧和右侧)。Sorvala A等[60]人提出了用加速度和角速度相结合的双阈值方法来检测跌倒、类似跌倒和日常生活活动，灵敏性为95.6%，特异性达到99.6%。阈值法也有一些局限性，例如根据数字特征设置阈值的方法维度过于单一，忽略了老年人行为的动力学特征，且受个体影响较大，从而造成误报率较高。本文列举了典型的阈值法的参数及特征值的选择，如表2所示。

表2 阈值法常用参数及特征

3.3.2 机器学习法：机器学习方法是指用一些特殊的公式指导计算机利用已知的数据建立出一种能对一些新情况做出预测模型的方法。常见用于跌倒检测的机器学习算法有支持向量机(SVM)[12,13,19,27,28,33,42,48,59,72]、决策树(DT)[19,28,35,39,47,59]、K-近邻(KNN)[12,19,20,28,65,73]、神经网络(ANN)[12,26,31,36,39～41,48,49,

53,58,61,74,75]、贝叶斯网络(BN)[15,28,72]、随机森林[59,72]、隐马尔可夫模型[10,16]等，其中支持向量机是跌倒检测最常用的算法。通过步态数据进行跌倒检测时，随机森林是准确性最高的算法，例如Sharif等人[72]将惯性传感器与机器学习算法相结合来区分足下垂步态紊乱和正常行走步态模式，分别研究随机森林、支持向量机和朴素贝叶斯分类器的准确率，结果发现随机森林分类器的性能最高，总准确率为93.18%。部分学者将两种机器学习算法相结合应用到跌倒检测领域，例如LeMoyne R[49]等人利用可穿戴惯性传感器数据，使用多层感知器和神经网络作为机器学习平台，对步态模式进行分类。部分学者对一些传统的方法进行改进，将其应用在跌倒检测上，取得了很好的效果。Li Jie[15]等人提出了一种改进的贝叶斯框架的分类器，用于特征选择和跌倒检测，提高了原贝叶斯分类器在跌倒检测方面的准确率。Gao Xueshan[31]等人提出了模糊逻辑增强的自适应神经网络分类器，首先用专家的先验知识建立模糊规则，然后用神经网络驱动基础数据来确认和优化逻辑规则，并利用了自适应模糊神经网络，经实验验证精确度达到99.8%。还有一部分学者研究了一些新算法进行跌倒检测[8,12,13,18,46]，例如赵东辉[18]等人研发了一种多通道近距离传感器阵列实时监测步态信息，并融合步行方向意图向量提出采用步态偏离度、频率和躯干倾斜角度作为检测系统的输入参数，建立了节点迭代型模型Petri网系统识别异常步态，该算法对使用步行康复机器人过程中异常步态识别率达到91.2%。本文总结了跌倒检测所涉及的人工智能算法并简述其含义和优缺点，如表3所示。

表3 人工智能算法的含义及优缺点

3.4 性能评估指标 在跌倒检测系统中常见的性能评估指标包括敏感性、特异性、准确性等。敏感性指在跌倒的患者中检测出跌倒的概率，如公式(1)所示；特异性指未跌倒的患者中检测出未跌倒的概率，如公式(2)所示；准确性指在所有的患者中被正确检测出的概率，如公式(3)所示。式中的真阳性为正确预测跌倒患者的数量即预测跌倒，实际跌倒；真阴性为正确预测未跌倒患者的数量即预测未跌倒，实际未跌倒；假阳性为错误预测跌倒患者的数量即预测跌倒，实际未跌倒；假阴性为错误预测未跌倒患者的数量即预测未跌倒，实际跌倒。

4.总结与展望

基于可穿戴设备的跌倒检测系统仍然存在一些挑战和不足，一是跌倒检测模型的训练问题。目前大多数的研究都在固定的场所进行数据采集，通过模拟跌倒采集数据，而且研究人数相对较少，数据不具有全面性，很多研究都忽略周围环境的影响，数据准确性低。二是跌倒检测算法的设计问题。跌倒检测设计的算法多种多样，不同的传感器有不同的佩戴位置，不同的采样率有不同的检测算法，如何设计一个能够适应不同数据类型的自适应跌倒检测算法，是更加值得思考的问题。本文结合最新的研究从数据的采集、预处理、跌倒评估方法多方面详细介绍了可穿戴设备的跌倒检测系统的研究现状和发展情况。正是因为这些学术研究，检测人体是否发生跌倒和预测未来的跌倒风险成为现实，正是这些学术成果使老年人不用遭受因跌倒发现不及时带来的伤痛，使老人晚年生活更幸福。因此，可穿戴跌倒检测设备为解决老人跌倒问题做出了巨大的贡献。