老人跌倒检测系统分析与研究

吴鹏

摘要：目前，老龄化问题日益严重，跌倒问题已经成为老人生活中遇到的主要安全问题，如果不能及时发现老人跌倒，可能会造成很严重的后果。针对老人的跌倒检测已经成为研究的焦点，研究者开发了很多的智能检测系统。文章针对跌倒检测系统进行了分析和研究，首先分析了感知层数据的获取方式，接着分析了数据处理层采用的智能检测算法，以期为从事跌倒检测的相关研究者提供一定的参考。

关键词：跌倒检测；感知层；检测算法

中图分类号：TP391.4  文献标志码：A

0 引言

随着中国经济的快速发展，人口的出生率逐年下降，老龄化人口数量却逐年增加，预计到2050年，中国老龄化人口数将达到总人口的34.9%，独居老人居家养老的安全问题成了子女和社会关注的问题［1］。在常见的老人监护中，最容易发生的一种情况就是意外跌倒。跌倒逐渐成了影响老人健康的主要原因，因此，针对老龄化群体，各种各样的跌倒检测系统逐渐成了国内外研究的热点。马敬奇等［2］提出了基于优化的AlphaPose优化模型，可以在低成本的硬件平台上运行和快速检测老人是否跌倒，实验结果表明，该算法在嵌入式平台上检测准确率为91.3%，具备较高的参考价值。徐甲栋等［3］使用STM32作为主控制器，通过MEMS传感器采集姿态数据，设计了一套可穿戴式的实时跌倒检测系统，通过微信小程序可以看到老人的状态和位置等，该系统检测准确率为97.75%。Giovanni Diraco等利用人体活动时会和雷达产生一组多普勒频移，设计了一套雷达感应跌倒算法，根据人体的动作特征来区分跌倒等行为。本文将针对常见的跌倒检测系统，从感知层和数据处理层进行分析与论述，为同行业的研究工作者提供一定的参考。

1 跌倒检测系统概述

跌倒一般是指老人非主观、突发地躺在地面上，身体发生了剧烈的姿态变换。常见的跌倒情况包括垂直跌倒、左右垂直跌倒、前膝着地、臀部着地等［4］。目前，跌倒检测系统通过感知层获取人体的相关信息，通过数据处理层对采集的传感器数据进行分析和处理，使用相关检测算法分析跌倒行为是否发生，如果有老人发生了跌倒，则触发报警等装置。跌倒检测系统的流程如图1所示。

2 感知层

目前，跌倒检测系统在感知层通过各种传感器获取人体相关的数据，根据传感器的采集数据类型进行分类，常见的有3種：穿戴式的惯性传感器、智能监控设备传感器、基于场景的传感器。

2.1 穿戴式惯性传感器

近年来，MEMS传感器工艺有了很大的提高，使得MEMS传感器具备体积小、集成化程度高、成本低、效能高的特点。同时，MEMS传感器还能把采集到的信号进行分析和智能地处理和识别，在可穿戴式的设备上得到了广泛的应用。基于可穿戴式的惯性传感器通常是把设备戴在人体的各个部位获取人体的姿态，比如手腕、肩部、膝部等。常见的惯性传感器有加速度计、陀螺仪等。加速度计能够测量物体在x轴、y轴、z轴3个方向的加速度，当跌倒行为发生时，加速度传感器采集的数据会发生很大的突变，达到某种条件时，可以认为是跌倒动作。陀螺仪可以用来测量物体的角速度，常用来和加速度计一起配合使用，可以在撞击到物体或者在失重状态下，检测人体的姿态数据，提取特征，进一步判断是否发生了跌倒。MEMS传感器采集的数据的精度相对较低，不适合高精度的应用，在适用的温度范围内有较大的浮动，如果不进行温度补偿，采集的数据可能会有较大偏差。MEMS传感器采集数据后，通常需要借助中值滤波、卡尔曼滤波等方法进行数据预处理来消除噪声干扰。可穿戴式的传感器检测系统需要戴在身上，用户使用不够方便，对老人使用不够友好，并且需要经常更换电池才能使系统正常工作。

2.2 智能监控设备传感器

智能监控设备传感器首先通过在家布置摄像头采集老人生活的图片或者视频，检测算法计算人体轮廓的曲率尺度空间特性，对图像进行行为特征提取，然后进行人体行为地识别，从而判断是否发生跌倒事件。摄像头由于安装方法简单，采集数据方便，目前，很多学者针对视觉类的跌倒算法进行了研究。基于智能监控设备的跌倒检测算法已经比较成熟，可以检测多人跌倒的场景，具备较高的实时性和准确性，但是图像处理算法复杂度高，对处理器性能有一定的要求。智能监控设备类的传感器拍摄图像通常会受到老人和家庭居住环境背景的影响，检测的效果也会受到一定的影响。在视频监控过程中，由于摄像头需要固定在一个地方，可能会拍到老人的个人隐私信息，且环境中可能存在一定死角，会导致无法拍到老人的情况。

2.3 基于场景的传感器

场景传感器通常被固定在老人常见的活动区域，可以用来检测分布在周围的环境信息，比如震动信息、压力信息和声音信息等。常见的场景传感器有声音传感器、红外热释电传感器、力传感器、雷达传感器等。由于人体正常体温在37℃左右，身体会发出约10 μm的特定波长的红外线，红外热释电传感器能够检测人发射的红外线并转换成电信号输出。不同于主动式的红外传感器，被动的红外式传感器本身不发出任何类型的辐射信号，正常工作时，器件功耗比较低，隐蔽性强。但是，被动的红外式传感器也比较容易受到其他光源的干扰，穿透性能力差。当人正常走路和跌倒时，引起的地板震动特征是有明显差别的。压电传感器被部署在地板表面，跌倒检测系统通过采集人体跌落时地板的震动特征数据，对数据进行处理分析，获取信号的频率、幅度等震动特性，进而判断人体是否跌倒。声音传感器一般安装在地面设备上，通过麦克风线性阵列设备采集老人活动区域的声音，如果跌倒检测系统通过声音传感器获取的信号强度大于疑似跌倒的声音信号，则认为老人发生了跌倒。雷达传感器一般不易受到温度光照等环境因素的影响，可以部署在光照不是很好的环境和私密场所采集数据。目前，雷达传感器价格比较低，对老人的隐私保护比较好，基于雷达的跌倒检测系统得到了迅速发展。基于场景的传感器的跌倒检测系统是一种非入侵的方法，使用比较方便，检测的范围只能在固定的场所，如果环境比较复杂，会导致检测精度降低。

3 数据处理层

跌倒检测系统在感知层采集人体相关的各种数据后，在数据处理层使用检测算法分析处理数据。检测算法通过建立合适的算法模型训练提取的关键数据特征值，利用优化好的模型识别是否发生了跌倒行为。常见的跌倒检测算法有3类：基于阈值分析的检测算法、基于机器学习的检测算法、基于深度学习的检测算法。

3.1 基于阈值分析的检测算法

基于阈值分析的检测算法是通过传感器提取采集信号的特征值与设定的阈值进行比较，在合理的阈值范围内，认为老人是正常状态；超出了某个阈值范围，则认为老人发生了跌倒。跌倒检测系统采集数据常用的特征值有信号最大值、最小值、均值、标准差、方差等。基于阈值分析的检测算法处理速度快、计算量小，比较适合运行在资源受限的嵌入式系统中。但是阈值的设定通常是人工经过大量的实验测试得到的，当环境发生变化时，会导致识别模型的精度和普遍适用性降低。

孙子文等［5］采用佩戴在腕表内部的加速度传感器获取运动数据，提取了人体的合加速度和倾角作为分类特征，根据人体跌落过程中发生的失重、地面撞击和平稳过程，建立了基于阈值的跌倒检测系统。检测系统流程如下：首先通过检测人体的加速度下降值和阈值比较，判断人体是否处于失重状态；然后根据人体撞击地面0.4 s后合加速度达到的最大值和阈值比较，判断人体是否撞击地面；最后根据人体跌倒后会平稳躺在地面这一特征，在人体撞击地面2 s内，测量人体合加速度和倾角的均值，与设定的阈值比较，判断人体是否发生跌倒。罗文志等［6］设计了一个佩戴在腕部的检测设备，结合加速度和角速度传感器采集人体的姿态数据和阈值进行比较，实现人体跌倒检测并远程报警，准确率达到95.8%。该跌倒检测系统通过在UMAFALL数据集进行测试，确定有效的特征数据和跌倒检测的阈值大小，并使用MPU9250运动传感器采集了老人不同活动时产生的运动信息。跌倒检测的判断流程为：通过MPU9250获得人体的三轴加速度和三轴角速度信号，计算对应的合速度；如果合加速度的峰值超过设定的阈值，接着计算1 s内的合角速度的均值；如果合角速度的均值小于设定的阈值，检测系统通过Lora模块给远程监护人员发送老人跌倒报警信息。

3.2 基于机器学习的检测算法

基于机器学习的检测算法根据样本数据的特征选择合适的算法，具备強大的自我学习和分类能力，适合应用于小样本数据的场景，在跌倒检测系统中得到了广泛的应用。机器学习算法的识别精度比较依赖手工提取特征，对复杂的场景识别效果欠佳。

裴利然等［7］为了降低惯性传感器检测的误报率，提出了基于支持向量机的算法实现跌倒检测，实验结果表明，该系统的准确率达97.67%。该检测系统通过佩戴在腰间的MEMS传感器以100 Hz速率采集人体的加速度和角速度数据，使用中值滤波和均值滤波减少随机噪声干扰，将采集的600组数据分成训练集和测试集，输入支持向量机模型进行训练和测试。该系统为了找到最优的支持向量机参数以提高模型的识别精度，采用PSO算法对SVM模型进行优化，实验结果表明，该算法识别性能优于传统的阈值检测法。华仙等［8］提出了一种基于加速度的多特征融合，利用主成分分析算法降维和使用KNN算法识别的跌倒检测算法。该检测系统通过绷带将2个加速度传感器固定在人体的胸部和后腰，采集13个跌倒动作和11个日常活动等动作的信息数据，通过主成分分析算法把162个维度特征数据减少到12个维度特征数据，利用改进的KNN模型分类器对特征数据进行训练和识别。

3.3 基于深度学习的检测算法

近年来，深度学习在图像处理识别方面发展迅速，很多学者对基于深度学习的跌倒检测技术进行了研究。有别于机器学习技术，深度学习技术可以自主选择特征，不需要主动输入特征数据，具备强大的学习能力和较高的识别精度。深度学习技术需要进行大量的数据运算，需要依赖较高的硬件成本提供算力，随着嵌入式设备的算力逐步提高，为深度学习算法部署在嵌入式设备提供了可能性。

付娜娜等［9］使用Yolov5算法检测人体和轻量级的OpenPose网络模型识别人体的骨骼关键点坐标，通过每10帧画面计算一次人体中心点纵坐标的下降移动速度，结合人体的宽高比来判断人体是否发生跌倒。实验结果表明，跌倒行为的识别率为95.43%，检测速度达到25fps。Yolov5模型包括Yolov5n，Yolov5s，Yolov5m，Yolov5l，Yolov5x这5种模型结构，具备部署容易、检测速速快的优点，该系统经过测试选择了性能和检测准确率都比较高的Yolov5s模型。该系统为了提取更准确的特征数据和轻量化的模型，使用移动端轻量级的MobileNet网络替换Yolov5s模型的CSPDarkNet53网络。杜群贵等［10］在可穿戴的嵌入式端部署了轻量级的CNN模型来实时检测跌倒行为，结果表明，该模型在Sisfall数据集上达到了97.5%的准确率，在STM32单片机上算法延时8.24 ms，具有较高的预测精度和实时性。

4 结语

基于老人的跌倒检测系统目前已经得到了广泛的应用，但仍然存在一些不足之处。现有传感器采集的数据通常是年轻人在固定环境下通过模拟跌倒测试获取的，样本的数据有一定的局限性，当设备处在新的环境时，检测精度会出现一定的下降。单一的跌倒检测算法有场景的局限性，无法满足多场景下的跌倒行为检测，融合多种检测算法的优点可以满足复杂场景的检测。因此，提供高精度和个性化的实时跌倒检测是一个值得研究的方向。

本文从跌倒检测系统的感知层和数据处理层，重点分析和讨论了现有研究的内容和进展情况。在感知层方面，有基于场景、智能监控设备和可穿戴式设备的传感器；在数据处理层方面，有基于阈值、机器学习和深度学习的检测算法。基于这些研究成果，老人跌倒的问题正在逐步得到解决，大大降低了老人的跌倒风险，为老人晚年生活提供了更好的保障。

參考文献

［1］陈旻罡.基于多普勒雷达的跌倒检测方法研究［D］.太原：太原理工大学，2018.

［2］马敬奇，雷欢，陈敏翼.基于AlphaPose优化模型的老人跌倒行为检测算法［J］.计算机应用，2022（1）：294-301.

［3］徐甲栋，陈强，徐一雄，等.基于MEMS传感器的实时跌倒检测系统设计［J］.传感器与微系统，2022（7）：77-80.

［4］陈建国，王田，李玉榕.基于MEMS传感器的可穿戴跌倒监测系统的设计［J］.福建电脑，2017（3）：21-23，82.

［5］孙子文，孙晓雯.基于加速度传感器的人体跌倒检测方法［J］.计算机工程与科学，2017（2）：330-335.

［6］罗文志，张自豪.基于LoRa的老人跌倒监护系统设计［J］.电子设计工程，2022（18）：114-118.

［7］裴利然，姜萍萍，颜国正.基于支持向量机的跌倒检测算法研究［J］.光学精密工程，2017（1）：182-187.

［8］华仙，席旭刚.基于人体加速度多特征融合和K近邻算法的跌倒检测［J］.中国康复理论与实践，2018（7）：865-868.

［9］伏娜娜，刘大铭，程晓婷，等.基于轻量级OpenPose模型的跌倒检测算法［J］.传感器与微系统，2021（11）：5.

［10］杜群贵，钟威.轻量级CNN实时跌倒预测及嵌入式系统实现［J］.电子测量技术，2022（11）：10-15.

（编辑 何 琳）

Analysis and research of fall detection system for the elderly

Wu  Peng

（Xinyang Agriculture and Forestry University， Xinyang 464000， China）

Abstract：  At present， the aging problem is becoming more and more serious. Falls have become the main safety problem for the elderly in their lives. If the elderly cannot be detected in time， it may cause very serious consequences. Fall detection for the elderly has become the focus of research， and researchers have developed many intelligent detection systems. This paper analyzes and studies the fall detection system. First， it analyzes the acquisition method of data in the perception layer， and then analyzes the intelligent detection algorithm used in the data processing layer， in order to provide some reference for researchers engaged in fall detection.

Key words： fall detection; perception layer; detection algorithm