老年人跌倒检测技术研究

word格式文档word格式文档word格式文档word格式文档专业整理专业整理专业整理专业整理老年人跌倒检测技术研究ResearchonFallDetectionTechnologyfortheElderly摘要跌倒重威胁着老年人的健康和生命，提供自由、实时的安全监护对老年人的生活质量和生命保证有重大的应用价值和研究意义，本文正是针对老年人对跌倒自动呼救的需求，围绕面向老人的便携式跌倒监护系统展开应用研究，基于跌倒的运动学原理，设计了跌倒检测算法。该跌倒检测算法通过对人体加速度和姿态的监测，构建了基于不同跌倒阶段的阈值判断的跌倒检测逻辑。经过系统实验验证，该跌倒检测算法对常见的跌倒情况的检测准确率在95%以上，能够满足老年人跌倒的危险情况检测需求。关键词：老年人，穿戴式，跌倒检测，惯性传感器1绪论研究背景20世纪后，全世界正以无法想象的速度步入全球老龄化时代[1]。我国也于20世纪2050国家[2]，这也将从多方面给我国社会带来巨大的压力和挑战。题尤为突出，主要体现在两点：第一，老年人身体机能退化，他们极易意外或因病（其是心脑血管疾病）1/365[3]，跌25%[4]，跌倒非常容易造成老人骨折、内脏震荡；如果跌倒后得不到及时救助，会进一步提高致死率和致残率。跌倒不仅给老年人造成生理上的伤害，还会带来心理上的阴影。此外，当前社会老年人跌倒后无人敢搀扶、无人敢救，渐渐成为一种普遍的社会现象，在这种情况下，跌倒对老年人更是致命的。研究现状目前，跌倒检测算法研究的着眼点包括三点：第一是重点分析临界阶段或冲击，第二是重点分析跌倒后阶段，最后是两者同时分析。跌倒的临界阶段的研究Wu(UniversityofVermont,USA)3[5]。Charif和速度阈值方法检测跌倒[6]。Noury(UniversityofGrenobleinFrance)设计了一种佩带在腋下的自主检测立到水平的体位和跌倒后的静息状态[7]。Mathie等人使用位于胸部的三轴加速度传感器，Hwang等人使用陀螺仪，Bourke和Lyons等人使用双轴陀螺构建阈值算法，在临界阶段检测跌倒[8-10]。Tamura统只能保护向后跌倒的情况[11]。跌倒的冲击的研究Williams1998压电传感器检测冲击，然后激发水银倾角计检测体位[12]。DoughtyetTunstall(Whitleylodge,Yorkshire,England)公司推向市场[13]。Lindemann32g；0.7m/s；6g[14]。跌倒后阶段的研究在跌倒后阶段，人体一般处于平行于地面且静息状态。因此可以通过倾角计测量人综上所述，跌倒是行走过程中常见的危险事件，目前跌倒检测的研究前沿为跌倒检测准确率为90%左右。目前该领域存在的问题跌倒检测的准确率和实用性还有待提高。90%左右，对于危害严重的性和还有一定的提升空间。跌倒检测算法复杂难以产品化由于大部分跌倒检测算法复杂，时效性差，很难工程化，目前市场上也没有相关的老年人监护产品，将算法做到简单实用，便于工程化也是本课题的难点。研究思路本文首先通过分析跌倒运动的定义及运动学原理，通过对跌倒进行建模，提取特征模式，进而通过样机平台搭建为算法研究提供硬件支持，最后通过系统实验验证算法的有效性和实用性。word格式文档word格式文档word格式文档word格式文档专业整理专业整理专业整理专业整理2跌倒运动学机理跌倒的定义与原因[15]。（1）跌倒时间段的划分跌倒主要分为四个阶段：跌倒前阶段、临界阶段、跌倒后阶段和恢复阶段（1跌倒前阶段与日常行为相同；临界阶段以人体倒向地面为起始，以人体承受剧烈冲击为图1跌倒的阶段划分意识或是无意识的倒向并躺在地面或是其较低水平面的事件[17]跌倒的原因是多种因素相互结合的。主要包括生理因素、疾病因素、药物因素、境因素、性别及社会心理因素等[18-21]。跌倒的运动学描述（1）身体重心的变化从而必然伴随着人体重心的位置变化（一般情况是重心的降低2倒的运动轨迹（重心高度的时间变化轨迹）应该呈现为抛物线形状，其运动学方程为：h(t)h0

gt2 （2.1）2其中，h0

为人体重心的初始高度，单位为m；g为重力加速度，单位为m/s2；t为时间，单位为s，初始时刻（t=0）为跌倒开始时刻。ht图2跌倒时重心变化的运动学特征在实际应用中，采用加速度积分的方法描述人体重心变化通常存在较大累积误差，因此，一般结合其他传感量进行修正，譬如检测高度的气压计等。（2）身体姿态的变化可以分为向前跌倒、向后跌倒和侧向跌倒。以人体面向XYYX3xyz（蓝色）为地理坐标系的参考轴，XYZ（红色）为捷联在人体上的载体坐标系的坐标轴，则人体的运动可以用欧拉角表示。θ90°时，方程出现奇异点，姿态角无法解算。3跌倒检测监护装置硬件设计跌倒检测监护装置系统分为跌倒检测终端和监护中心两部分。跌倒检测终端由电源4跌倒检测监护装置惯性传感器监控中心惯性传感器监控中心处理器装置无线接收装置电脑人机交互图4跌倒检测监护装置硬件原理1）处理器模块AVRATmega8L5。图5处理器模块电路图惯性传感器模块该部分由三轴加速度传感器MMA7260及其外部RC滤波电路构成，其原理图如图6：图6惯性传感器模块电路图MMA7260来测量角度，与其他数字量倾角传感器相比自然要精准许多，因为模拟量的，可将电压值换算对应倾斜角度值。并且可通过G1\G2无线通信模块CC2430（ZigbeeSoC）ACXAT70207：图7无线模块电路图电源模块该部分主要有锂电池、低压差调节器（LPO）3.7VTPS796333.7V3.3V；BQ275108：图8电源模块人机交互模块该部分主要由各种外设包括按键开关、电源接口、LED9图9人机交互模块4跌倒检测算法设计跌倒检测的目标是能够将跌倒(Fall)与日常生活的正常动作(ActivitiesofDaily最终提升被监测者的生活质量。跌倒运动学模式分析跌倒与日常行为分类无论是跌倒还是日常行为，如果以分解动作来看都是不同静态姿势之间的转化，当然转化过程中的剧烈程度和时间点也是不同跌倒和日常行为的主要区别。人体的常见静态姿势包括：左/右侧躺、仰卧、俯卧、站立、坐、蹲等。在这些静态姿势之间的转化就形成了人体的运动。常见的跌倒主要分为3种：向前跌倒，即从站立到俯卧的剧烈过程；向后跌倒，即从站立到仰卧的剧烈过程；侧向跌倒，包括向左/右跌倒，即从站立到侧卧的剧烈过程。据O’Neil等人的研究表明,前向跌倒是最为常见的跌倒，约占整个跌倒事件的60%左右

当然实际生活中，还可能出现更加复杂的跌倒情况，这些跌倒模式较为复杂且极少发生，将作为下一步研究的对象，不在本文的讨论范围内。为简化研究，6种容易和跌倒事件混淆的日常行为被作为主要研究对象，其包括：走；跑；跳；上下楼；坐下；躺下。本研究中的跌倒检测即是探讨常见的3种跌倒事件与易混淆的6种日常行为的主要区别和识别方式。由于其主要区别包含两个方面：其一是运动所对应的静态姿势不同，对应的惯性量即是姿态的变化；其二是在不同静态姿势间转换的剧烈程度不同，对应的惯性量即是加速度的变化。下面分别从这两个方面讨论跌倒和日常行为的运动模式。加速度分析数据预处理加速度的时域信号体现了人体运动过程中剧烈程度，以及在不同时刻剧烈程度的分布。然而在实际信号采集过程中，原始数据往往包含了有效信号和各种干扰信号：人体运动加速度；重力加速度；人体抖动；测量噪声；惯性传感器与身体的相对运动10原始总加速度曲线3.02.0）1.0（度 2速加 2.01.51.00.5

4 6 8 10 12 14 16 18滤波后总加速度曲线2 4 6 8 10 12 14 16 18时间(s)图10中值滤波处理加速度信号总加速度强度（AccelerationVectorMagnitude）总加速度即为三轴加速度的矢量和，它能比较直观的体现人体运动的剧烈程度，其数学表示为：

A2A2A2A2x y z

（5.1）6（AVM）与竖直轴加速度（Ax）11其中总加速度（AVM）以黑色曲线表示，竖直轴加速度（Ax）以蓝色曲线表示。分析日常行为的加速度曲线可得以下特征；总加速度（AVM）1g（Ax-1gX坐下起立、走、躺下和上楼的总加速度变化幅值在2g烈程度较小。跑和跳的总加速度（AVM）4g（5，总加速度AVM竖直加速度（Ax）的变化趋势基本一致。躺下时，由于人体从直立状态转化到平躺状态，因此竖直加速度明显“阶跃”变化。坐下起立 跑4 42 20 0-2-40 2( 1度0速-1

-28 12 16 走210-1

2 4

6 8 10-20 2 4 6 8 上楼

-20 2 4 6 8 10 12 14跳2 51 300-1-2 -30 2 4 6 8 10 12 0 0.5 1 1.5 2 2.5 3 3.5 4时间(s)图11常见日常行为的总加速度（黑色）与竖直轴加速度曲线（蓝色）3（AVM）与竖直轴加速度（Ax）12其中总加速度以黑色曲线表示，竖直轴加速度以蓝色曲线表示。分析这3种跌倒事件的加速度曲线可得以下特征：不同方向的跌倒事件加速度曲线非常相似，变化趋势基本保持一致。总加速度曲线（AVM）中存在明显峰值，该峰值是由身体与地面冲击造成的。总加速度曲线（AVM）中峰值之前时刻，对应的竖直加速度曲线（Ax）明显的加速度谷值，该谷值是由身体在跌倒过程中的失重造成的。总加速度曲线（AVM）中峰值之后一段时间，对应的竖直加速度曲线（Ax）一个明显“阶跃”变化，这是由于人体姿态变化造成的。向前跌倒0-1-20 2 4 ）2

8 10 12 14（度速加-2

0 2 4 6 8 10 12 14 16 向后跌倒0-1-20 2 4 6 8 10 12 14 16时间（s）图12常见跌倒事件的总加速度（黑色）与竖直轴加速度曲线（蓝色）比较日常行为和跌倒事件的和加速曲线特征可知，两者总加速度峰67表1日常行为总加速度最值ADL 行走 坐 蹲 上楼 下楼 慢跑 跳Max(g)1.881.541.751.781.984.53.11Min(g)1.551.471.051.121.542.783.61表2跌倒总加速度最大值范围Fall前倒后倒侧倒Max(g)5.785.685.78Mean(g)4.984.454.37Min(g)4.764.824.454.1.3姿态分析人体处于静止状态时，可以通过重力加速度在三个方向的分布估计人体姿态，仅需加速度传感器支持，且计算简单。13-1g（正方向为垂直地面向上，而在人体平躺时，竖直方向加速度为0g0°左右快速变为90°90°冲击阶段平躺阶段冲击阶段平躺阶段失重阶段1.0）0.5（度 0速加-0.5方-1.0竖-1.5-2.00

2 4 6 8 10 12 14 16时间（s）图15跌倒时竖直方向加速度曲线跌倒检测算法设计第一阶段是失重阶段，此时人体开始无意识的倒向地面；第二阶段是冲击阶段，此时人体其他部位与地面发生冲击；第三阶段是平躺阶段，此时人体平躺在地面上处于静息状态。并且，跌倒过程中突出的特征可以归结为（16：在人体处于失重阶段时，竖直轴加速度（Ay）先下降再急剧增加。在人体承受冲击阶段时，总加速度的激增。冲击之后，由于人体姿态变化而处于平躺状态，总加速度(AVM)1g冲击阶段AVM冲击阶段AVMAy平躺阶段失重阶段3.02.0）g 1.0度速加0-1.0-2.00 2 4 6 8 10 12 14 16时间（s）图16跌倒的运动学特征33（AVM）与人体与竖直轴夹角的变化时序来设计跌倒检测算法。总加速度的定义已（非运动状态的计算采用重力加速度分布的方法估算，其公式如下：TAyarccos(Ay/G)(180/) （5.2）TAydegAyG。基于以上分析和大量试验，总结出以下跌倒检测算法，其流程图如图17所示。该人体运动剧烈状态和人体姿态：HATAVMHAT到强烈冲击。LATAVMLATTAyAT实验调校和验证。数据准备数据准备延时2NN|TA|<ATyAVM>HATYNNY延时3延时1|TA|<ATyAVM<LATY跌倒报警Y其主要流程描述如下：

图17跌倒检测算法流程图200Hz。AVM。AVMLAT，3sAVM<LAT继续判断。|TAy|<AT，则为接近水平状态，判定跌倒。5实验验证5.1跌倒检测实验设计N.Noury3表3跌倒检测实验项目实验项目项目细分报警种类向后跌倒以坐姿结束是以平卧结束是以侧卧结束快速恢复是否向前跌倒膝盖着地是胳膊着地是以平卧结束倒后翻滚以平卧结束是是倒后翻滚以侧卧结束是快速恢复否左侧跌倒以平卧结束快速恢复是否右侧跌倒以平卧结束是快速恢复否晕厥沿墙跌坐是日常行为坐–起立否躺–起立否行走否弯腰拾物 否咳嗽或打喷嚏 否跌倒检测实验结果经过志愿者总共100040060013表13跌倒检测实验结果统计行为种类实验次数报警次数未报警次数准确率日常行为5000500100%向前跌倒10099099%向后跌倒1001000100%向左跌倒10094694%向右跌倒10095595%由于跌倒检测的输出只有跌倒报警和未报警两个值，因此跌倒检测的准确性可以由以下四种情况发生的概率来评价。真阳性事件（truepositive,TP，即跌倒确实发生，并且跌倒报警发出。假阳性事件（falsepositive,FP，即跌倒没有发生，而跌倒报警发出。真阴性事件（truenegative,TN，即跌倒没有发生，并且没有跌倒报警。假阴性事件（falsenegative,FN因此，跌倒检测的准确性可以通过以下两个指标来评价：率。其计算公式如下：Sensitivity TP 100% （6.1）TPFN为虚警率。其计算公式如下：Specificity TN 100% （6.2）TNFP其中，TP，FP分别真阳性和假阳性事件，TN，FN分别真阴性和假阴性事件。由于在倒检测算法具有很高的特异性（100%。同时，由于存在小部分跌倒事件没有被成功检测出，即检测存在假阴性事件，但是该情况发生概率很小（13，因此该跌倒检测算法同样具有很高的敏感性（95%。参考文献.联合国人口司.联合国老龄化议题-老龄化问题概况[EB/OL],/chinese/esa/ageing/introduction.htm,2013-03-092010[EB/OL],/wszb/zhibo449,2010-04-28[3] [J].疾病控制杂志,1999,3(4):300-303郝晓宁,胡鞍钢.中国人口老龄化:健康不安全及应对政策[J].中国人口.资源与环境,2010,2(3):73-78WuG.Distinguishingfallactivitiesfromnormalactivitiesbyvelocitycharacteristics[J].JournalofBiomechanics,2000,33:1497-1500Nait-CharifH.,MckennaS.J.ActivitySummarisationandFallDetectionaSupportiveHomeEnvironment[A].PatternRecognition,2004,ICPR2004,Proceedingsofthe17thInternationalConferenceonIEEE[C],2004:323Noury,N.,Hervé,T.,Rialle,V.,etal.Monitoringbehaviorinhomeusingasmartfallsensorandpositionsensors[A].MicrotechnologiesinandBiology,1stAnnualInternationalConferenceonIEEE[C],2000:607Mathie,M.,Celler,B.,Lovell,N.H.,etal.Classificationofbasicmovementsusingatriaxialaccelerometer[J].MedicalandBiologicalEngineeringandComputing,2004,vol.42,no.5:679-687Hwang,J.,Kang,J.,Jang,Y.,etal.Developmentofnovelalgorithmandreal-timemonitoringambulatorysystemusingBluetoothmoduleforfalldetectionintheelderly[A].EngineeringinMedicineandBiologyIEMBS'04,26thAnnualInternationalConferenceoftheIEEE[C],2004:2204Bourke,A.,Lyons,G.Athreshold-basedfall-detectionalgorithmusingabi-axialgyroscopesensor[J].Medicalengineering&physics,2008,vol.no.1:84-90Tamura,T.,Yoshimura,T.,Sekine,M.,etal.AWearableAirbagtoFallInjuries[J].IEEETransactiononInformationTechnologyinBiomedicine,2009,vol.13,no.6:910-914.Williams,G.,Doughty,K.,Cameron,K.,etal.Asmartfallandactivitymonitorfortelecareapplications[A].EngineeringinMedicineandSociety,Proceedingsofthe20thAnnualInternationalConferenceoftheIEEE[C],1998:1151Doughty,K.,Lewis,R.,McIntosh,A.Thedesignofapracticalfalldetectorforcommunityandinstitutionaltelecare[J].Journaloftelemedicineandtelecare,2000,vol.6,no.suppl1:150-154Lindemann,U.,Hock,A.,Stuber,M.,etal.Evaluationofafallbasedonaccelerometers:Apilotstudy[J].MedicalandBiologicalEngineeringandComputing,2005,vol.43,no.5:548-551Gibson,M.J.Thepreventionoffallsin