室内环境下老年人异常行为检测

王 宇， 周 迎， 王灵灵， 彭小英

(华中科技大学 a. 土木与水利工程学院; b. 国家数字建造技术创新中心， 湖北 武汉 430074)

随着人口老龄化程度的加剧，“空巢老人”居家安全问题成为当下社会关注的重点。伴随着年龄的增长，老年人的身体机能逐渐退化，遭受疾病或意外伤害的风险也随之提高。调查显示，跌倒、碰撞等异常行为是老人在室内环境下所受意外伤害的主要类型(80%)，也是其因伤致死的重要原因[1]。因此，开发室内环境下的异常行为检测技术，降低意外伤害对老年人健康的威胁，有助于解决当前社会的养老困境。

现有的检测技术，根据检测设备的不同，分为可穿戴式、基于计算机视觉和基于环境布设式三类[2]。基于可穿戴设备的检测技术通常是将传感器嵌入衣物或随身携带，采集用户的运动数据，实现对跌倒的检测。通过加速度计、陀螺仪以及磁力计等传感器收集佩戴者的身体姿态信息，检测是否跌倒[3～7]。基于计算机视觉的检测技术则是使用摄像头对用户进行全方位监测，从图像中提取行为特征，实现对跌倒的检测[8]。主要通过矩形框法[9]、3D椭圆体拟合法[10]以及Kinect[11]等获取人体的运动信息，包括身体姿态、头部运动轨迹等，并采用K近邻(K-Nearest Neighbor,K-NN)[12]、支持向量机(Support Vector Machine,SVM)[13]、隐马尔可夫模型(Hidden Markov Model,HMM)[13]以及卷积神经网络(Convolutional Neural Networks,CNN)[14]等机器学习算法构建检测模型，识别跌倒行为。可穿戴设备分类精度高，检测效果好，但需随身携带，否则易造成数据的遗漏。同时，侵入性的检测影响日常生活，老人对其接受度不高[15]。基于计算机视觉的检测技术起步早，研究成果多，但由于该设备涉及用户的隐私，不宜在卧室、卫生间等私密空间安装，缺乏一定的适用性。

相比之下，环境传感器不受隐私和佩戴限制，对老人的日常活动影响较小。目前已有研究将声音传感器、光纤传感器、RFID(Radio Frequency Identification)等环境传感器用于异常行为检测，但这些方法改造安装成本高且易受环境影响，系统检测精度低。例如，基于红外阵列传感器检测人体状态，并结合强分类器随机森林算法RF(Random Forest)，实现跌倒的实时监测[16]。

综合考虑老人的接受程度和对生活的干预程度，确保检测的准确率，本文采用基于环境布设传感器技术，提出在地毯内嵌入压力传感器，并在指定位置铺设，实现对行为数据的采集。此外，当前研究大多把侧重点放在跌倒动作的识别上，而忽略了老人步态特征这一关键指标。研究表明，步态异常通常伴随着跌倒风险的增加[17]，监测和分析老年人的步态特征，有助于及时发现其异常行为。步态特征与心力衰竭、认知障碍等多种慢性疾病都有很强的相关性[18～20]，长期的步态统计也可以作为一些慢性疾病早期出现的评估依据。

本研究提出并设计了一种基于多个压力传感器进行室内老年人的跌倒检测和步态参数采集的方法和系统实施方案。采用拼接方式将柔性压力传感器内嵌于地毯之中，同时连接多路复用器和单片机，并在指定区域布设，以对行为数据进行收集，再通过构建支持向量机(SVM)模型最终实现跌倒检测和步态参数获取。在减少生活干预的同时，确保老人的异常状态能够及时被发现，构建智能、健康的住宅环境，提高老年人居家生活的安全性和舒适度。

1 异常行为检测系统的设计

1.1 系统框架研究

在老人监护领域，对老年人日常活动中的异常行为还没有严格的定义，针对监护技术和设备的不同，异常行为主要包括突然跌倒，生理参数不符合标准阈值，长时间驻留异常，活动量异常等[21]。

其中，跌倒是导致老年人伤残甚至死亡的重要原因。跌倒在我国老年人中的发生率高，后果严重，如果得不到及时救治，极易造成老年人不同程度的伤残，甚至会危及生命，不仅严重影响了老年人的生活质量，同时还会给家庭和社会带来沉重的医疗负担。据统计，我国老年人每年因为跌倒的直接医疗费用超过50亿元[22]。

此外，步态异常是老年人跌倒常见的危险因素[23]，步长和步速的异常减小通常预示着跌倒风险的增加[24]。收集步态参数有利于观察步态特征，通过步态参数变化趋势来反映老人步态的稳定性，并根据步态异常程度评估老人跌倒的风险，为独居老人跌倒行为的发现和预测提供依据。

考虑到跌倒行为的危害性和步态参数的重要性，本研究提出的异常行为检测系统，将老人在室内环境下突然跌倒的行为判定为异常行为，同时收集步态参数作为发现和预测异常行为的补充。

因此，为了检测室内环境下老人的异常行为，系统应具有以下功能：

(1)跌倒的识别和预警：对室内环境下老年人的行为活动进行跟踪和识别，当老人跌倒时，系统会立即提醒用户。

(2)步态参数的计算与存储：当判定老人处于行走状态时，系统会根据预设的规则计算相应的步态参数并保存，用于健康状态的评估。

(3)检测过程的可视化：让监护人更加清楚、直观地了解老人在室内的活动情况。

(4)数据的自动化收集：面向老年人每天大量的行为活动所产生的数据，系统应具备信息的自动收集功能，确保信息的即时性和识别的准确性。

图1是系统的体系架构，由数据采集、数据分析、结果显示三部分组成。根据相关文献以及人体的活动轨迹，室内环境下老年人的主要活动区域包括卧室、客厅和卫生间、厨房[25]。同时，数据表明，老人日常生活中在卫生间跌倒的次数最多，床边跌倒次数次之[25]。本文采用基于环境布设传感器的技术，将压力传感器嵌入地毯，并铺设在客厅、卧室、卫生间、厨房各区域易发生跌倒的位置，如客厅中间、卧室床边、卫生间淋浴区以及洗碗池旁，获取跌倒和姿态数据。考虑到地毯在卫生间的适用性，事先用薄膜对其进行包裹处理，起到防水的效果。使用支持向量机算法构建跌倒检测模型，识别站立、行走和跌倒等行为，并根据传感器的布置区域建立对应坐标系，通过已知坐标位置确定步态参数的计算规则，收集老人的步态信息。

图1 体系架构

1.2 行为数据采集

行为数据采集模块旨在获取老人在室内环境下的行为数据，为系统判定规则和计算规则的确定提供样本集。采集模块由压力感知模块、数据获取模块和数据传输模块三部分组成，如图2所示。

图2 行为数据采集模块硬件架构

(1)压力感知模块

压力感知模块由3块柔性压力传感器纵向拼接组成，传感面积为3×400 mm×400 mm，传感幅面上分布3×32×32共3072个独立感应单元，传感器结构如图3所示。本系统通过将传感器嵌入地毯，并布设在室内指定位置，以实现对人体压力的感知。受力时，传感单元的电阻会随压力的增大而减小，二者之间呈幂函数关系。

图3 柔性压力传感器结构/mm

(2)数据获取模块

采集模块通过多路复用器控制模拟通道实现行列扫描。从左上角开始，通过分压电路将位于第x行y列感应单元的电阻值转化为可识别的电压信号，再经过单片机的模数变换和数值换算即可得该点的压力值，并通过变换通道采集传感器上的所有数据。

(3)数据传输模块

经过模数转换和数值换算可得各传感单元的压力值，将其传输给上位机，实现单片机与电脑的信息交互。

压力感知模块的3块传感器均按照32×32进行行列扫描，因此单片机传输到PC端的数据将是一个96×32的二维数组。然后，对数据进行可视化处理，根据感应单元所受力的大小，由蓝到红呈现不同的颜色，将压力数值转化为更加直观的压力图像。图4是对感知模块进行压力测试时获得的图像，其中图4a是无外力作用时传感器的压力图像，图4b显示了人体的站立位置和脚部轮廓。

图4 压力图像

1.3 行为状态分析

当采集模块获取老人的行为数据后，系统会根据预设的规则对其进行行为状态的分析。该过程分两步，跌倒判别和步态参数计算。基于SVM的行为检测模型被用于识别老人的行为类别，并判别是否跌倒；同时，通过传感网络坐标系统的建立，进行步态参数的计算和步态特征的提取。

1.3.1 基于SVM的跌倒检测模型

进行跌倒判别，首先需要构建跌倒监测模型。根据系统的功能要求，选择常见行为行走、站立、坐着和跌倒，作为SVM模型的输出变量。其中“坐下”指老年人自然屈膝坐在地毯上休息，该姿势与老年人跌倒时的压力状态特征具有一定相似度，需要与跌倒行为进行区分，其发生通常不判定为意外跌倒，不会进行提醒。图5为传感器布设完成后，在不同行为下进行压力测试的图像，红色矩形框表示包围受力传感单元的连接区域。可知，不同行为矩形框的属性也各不相同。行走的压力传感单元个数最少，跌倒状态下最多且集中，因此构成的矩形框面积较大。

图5 不同行为下的压力图像

本文将建立SVM分类模型，用于识别老年人的异常行为，图6是基于SVM构建跌倒检测模型的过程。

图6 基于SVM的跌倒检测模型构建流程

(1)样本数据的处理

根据不同行为下传感器受力的不同，对受力传感单元所构成的矩形框进行特征提取，并选定以下四个指标作为SVM模型的特征变量：受压的传感单元个数N、矩形框的面积S、框内受力传感单元的覆盖率E、边长比R。由于各特征值的单位不一，为了减少训练时间，提升模型的稳定性，本文采用离差标准化方法对样本数据进行归一化处理，使其数值都处于[0,1]之间。同时，根据老人的行为类型，确定模型的输出变量分别为：站立1、坐下2、行走3、跌倒4。

(2)SVM分类模型的构建

由于本文特征量较少，训练样本适中，因此选用高斯核函数，并采用K折交叉检验法优化确定惩罚因子C和核函数参数g。

不敏感系数ε与训练集的样本数量n有关，对于小样本数据，ε的取值见式(1)，其中σ是样本的标准差：

(1)

(3)SVM模型训练和测试

模型训练即通过算法得到适用于样本数据最佳分类的规则方程，模型测试是对于其分类或预测能力的检验。

跌倒检测模型的性能评价指标包括虚警率Pfalse、漏检率Pmissed和正确率Paccuracy，相关指标计算见式(2)～(4)：

(2)

(3)

(4)

式中：TP为实际跌倒判定为跌倒的样本数；FP为实际跌倒判定为非跌倒的样本数；TN为实际非跌倒判定为非跌倒的样本数；FN为实际非跌倒判定为跌倒的样本数。虚警率和漏检率越低，正确率越高，模型的性能越好。

1.3.2 步态参数的计算

计算步态参数，需要先确定其计算规则。根据系统行为数据采集的实现方式，本研究步态参数主要选用步长和步宽两个指标。

在行走状态分析阶段，SVM模型首先会对老人的行为类型进行判断，当判定为行走时，系统会根据其位置还原移动轨迹，并参照轨迹计算步长和步宽，如图7所示。

图7 步态参数计算思路

移动轨迹的本质是根据用户行进的时间顺序，连接其途经关键点形成的线路，即确定移动轨迹的关键就是获取人体的实时位置。时间数据可以通过上位机获取，而位置信息，本研究提出在传感器的布置区域建立地面坐标系，如图8所示。

图8 地面传感坐标系

当老人在嵌有传感器的地毯上行走时，传感单元可以感知到压力的变化，根据相邻两组压力图像确定步行关键点，即可绘制移动轨迹，图9是行走状态下的压力图像。

图9 行走状态下的压力图像

绘制移动轨迹，最重要的是关键点的选择，由于步宽和步长的测量基准点都是脚跟，因此选择矩形框的下边界中点作为步行关键点，得到移动轨迹如图10所示。

图10 移动轨迹

根据相邻两个关键点的坐标即可求出步长和步宽。设第1个关键点坐标为c1(x1,y1)，第2个步行关键点坐标为c2(x2,y2)，步长L和步宽W的计算见式(5)：

(5)

其中，关键点的坐标表示传感单元所在的行列位置，因此计算步宽和步长时需引入距离系数11.5(传感单元边长8.5 mm，布置间距3 mm)。

1.4 异常行为检测流程

本系统通过柔性压力传感器获取老人的行为数据，再利用SVM模型和地面传感坐标系对其行为状态进行分析。系统运行流程如图11所示。

图11 检测系统运行流程

2 异常行为检测系统的应用

2.1 模型训练

出于安全考虑，本实验参考已有跌倒检测的研究[26～28]，选取了10名青年志愿者作为实验对象来模拟老人完成相应动作，以获取行为数据。实验中设计了站立、坐下、行走以及向前、向后和侧向跌倒等动作，为了更真实的模拟老年人的姿态，通过让测试对象佩戴护具、头盔、沙袋，充分还原老年人四肢僵硬、行动迟缓、视听能力退化的状态[29～31]。

行为数据集包含跌倒行为和正常行为，跌倒分为向前、向后、侧向跌倒三种，正常行为包括行走、站立和坐着。在数据采集过程中，10名志愿者按照特定姿态依次完成相应动作，经处理后得到362组样本数据，分类详情如表1,2所示。

表1 跌倒数据集分类

表2 正常行为数据集分类

根据1.3.1中确定的指标，压力数据通过matlab可视化处理生成压力图像，并提取矩形框的特征值构成样本数据值，表3是不同行为数据集对应的平均特征值。

表3 数据集平均特征值

用所得样本数据训练SVM模型，其中，k值最小取为2，最大不超过10。设置初始参数C=1,g=0，k=2，得到图12不同C和g下交叉验证准确率。当k值取4时，系统具有较好的运行速度和分类准确率。最终确定最优的C，g取值为1.741,0.871，计算出不敏感系数ε=0.104。

图12 不同C和g下交叉验证准确率

确定最优参数后，将其代入程序得到最终的检测模型。

2.2 系统实施

本研究在华中科技大学一实验楼内搭建实验环境，如图13所示，在很大程度上对家居环境进行了还原，并在该环境中完成实验数据的采集。实验中，为了确保获取完整的室内行为数据，将嵌有压力传感器的地毯铺设在楼内客厅、卧室、厨房和卫生间各处。其中，卫生间的地毯铺设前应事先用防水膜对其进行包裹。由于每个子模块还需配备多路复用器和单片机，本着满足实验要求同时尽可能节约的原则，分别在卧室床边、客厅中央、卫生间淋浴区以及厨房的洗碗池旁铺设地毯。

图13 具体布设方案

2.2.1 跌倒检测

在传感器布设完毕后，需要让志愿者依次在搭建的实验环境中模拟日常生活，完成从早上起床，卫生间洗漱，吃早饭到出门的一系列活动，并在地毯铺设区域模拟跌倒。我们从原本的10位志愿者中挑选了2男2女进行实验，同时，在室内布置监控摄像头，对实际行为进行记录，以便与检测结果进行比对。经验证，系统的分类准确率高达95.71%，虚警率为2.38%，漏检率为0。异常行为检测系统旨在识别老人在室内环境中跌倒行为并及时提醒用户，该模型漏检率为0，能够准确识别跌倒行为，符合系统设计的初衷。测试集实际类别和预测类别对比如图14所示，表4是经计算得到的模型性能评价指标。

表4 模型性能评价指标

图14 实际类别与预测类别测试结果对比

2.2.2 步态参数收集

在实验过程中，跌倒检测和步态参数收集是交叉进行的。本文对比分析了4名志愿者在行走状态下的实际轨迹和绘制轨迹，如图15所示，进一步验证轨迹绘制方法和步态参数计算规则的可靠性。

图15 实际轨迹与绘制轨迹对比

由图15可知，绘制轨迹与实际轨迹基本吻合，只是由于柔性传感器的行列引线之间存在拉力，导致采集到的受力感应区域比实际情况偏大，因而确定的步行关键点存在偏差。

经计算，受关键点的影响，步态参数存在一定的误差，但均在1 cm以内，步长步宽推算结果如表5，6所示。

表5 步长推算结果 mm

表6 步宽推算结果 mm

研究表明，步速减慢与跌倒风险增加有关，步速每减慢10 cm/s，跌倒风险增加7%，1.08 m/s可能是区分跌倒风险的临界值[28]。同时，步长缩短与跌倒风险也有较强的关联。收集老年人在室内环境下的步态参数，根据步长、步速的变化趋势分析其步态的稳定性，进一步评估老人跌倒的风险，可以实现独居老人异常行为的提前预警。

3 结 语

针对老年人意外伤害频发问题，设计了基于环境布设式技术的老年人异常行为检测系统，用于家居环境的适老化改造。该系统将压力传感器嵌入地毯并布置在指定区域获取行为数据，基于SVM构建异常行为检测模型，可以准确实现对老人跌倒的检测。在确保分类精度的同时，综合考虑了老人的接受程度和对日常生活的干预程度。研究结果表明，系统的异常行为识别准确率高达95.71%，虚警率和漏检率分别为2.38%和0。本文的创新之处在于，不只着眼于跌倒的识别，系统在检测跌倒的同时还对老人的步态参数进行了收集，该数据可用于健康评估，实现意外伤害的提前预警。

需要注意的是，本研究的系统实施仍然是基于实验室模拟居家环境，与真实的生活环境存在差距。一方面，为了解决地毯在卫生间的适用性，本研究使用了防水薄膜进行包裹后铺设，但却并未对其防水性进行检验；同时，在模型训练与实验阶段，都是通过模拟跌倒来获取行为数据，虽然通过相关研究中的方法最大限度削减了模拟跌倒造成的影响，但与实际跌倒间仍存在差异性。考虑到人在不同活动区域内的步态可能存在差异，例如在厨房和卫生间等会步速降低、步频减少，未来可以将该系统应用到养老院等场景中，采集真实的老年人跌倒数据，进一步优化检测模型。

目前，老龄化进程加剧，独居老人意外伤害发生率激增，本系统为实时监测老年人室内环境下的安全状态，构建安全的室内环境提供了新的研究方向，在智能健康住宅领域具有较好的应用前景。