可穿戴式跌倒检测系统的设计

可穿戴式跌倒检测系统的设计

0智能识别法这种衰落是对老年人健康乃至生命的严重威胁，也是社会的严重负担。在我国,跌倒是65岁以上老年人首位伤害死因。通过多传感器获取人体跌倒行为的运动学数据进行准确识别和及时预警,从而减小老年人跌倒带来的伤害具有重要意义。目前,针对老年人跌倒的自动检测方法主要有3种:1)通过视频检测;2)音频和振动识别;3)通过随身佩戴的装置,它们能够即时检测出跌倒。第3种方法使用简单,价格低廉,易于与现有的无线通信技术、智能识别技术等相结合,从而达到较好的检测/报警效果。其中,基于三维加速度传感的系统成为目前国内外研究跌倒检测的主要趋势,加速度阈值是最常见的跌倒判定方式;如,加州大学伯克利分校设计的家用穿戴式无线跌倒监测系统,国内浙江大学、重庆大学研制的基于加速度传感器的跌倒检测装置。然而,由于人体日常行为活动比较复杂,根据先验阈值的跌倒判别算法在实际应用中存在不同程度的误判,单纯依据加速度传感器的信息难以进行跌倒行为的准确判断。本文将人体运动的角速度信息作为跌倒行为判别的有效补充,构建了以三轴加速度传感器MMA7260Q,双轴陀螺仪IDG—300,STM32微处理器和无线通信模块为核心的跌倒行为实时检测系统,并利用研制的样机进行了人体日常活动与跌倒行为的实验测试研究,提出了基于人体运动特征参数的跌倒识别算法。1可佩戴式采集设计由于系统装置需要安装在人体身上检测运动特征参数,不能影响人的正常动作,因此,采用可穿戴式设计,体积需要尽量小以便于携带,另外,采集装置应带有储存数据的装置。1.1传感器的应用加速度特征是人体运动特征中一个重要参量,人体正常行走时,加速度周期性的规则变化,而在发生跌倒时刻,加速度会发生剧烈变化,加速度的变化可以反映出人体运动状态的变化,因此,采用三轴加速度传感器监测加速度特征,本设计采用飞思卡尔半导体的三轴MEMS加速度传感器MMA7260Q,其最大量程为±6gn;在±6gn量程时灵敏度为200mV/gn。老人在发生危险性跌倒之前,会出现一系列的警示,特别是平衡感越来越差。老年人步态的基本特点是下肢肌肉收缩力下降,脚跟着地,踝、膝屈曲动作缓慢,伸髋不充分,导致行走缓慢,步幅变短,行走不连续,脚不能抬高到一个合适的高度;利用角速度传感器能够及时检测到跌倒征兆并与日常活动区分。在跌倒过程中俯仰角的变化最为明显,另外,倒地之后的姿态与翻转角有关,因此,采用双轴陀螺仪检测角速度的变化。本设计中陀螺仪选择InvenSense公司的双轴MEMS陀螺仪IDG—300,其量程为±500°/s。1.2高速a/d转换处理接口微处理器单元采用ST公司的基于Cortex—M3内核的STM32系列单片机,其构架先进,内核频率72MHz,可以满足数据处理的要求。外设包含了高性能的12位高速A/D转换器以及高速SPI总线,USART接口等多种总线接口。片内总线有DMA通道,从A/D转换器得到的数据可以直接送往各总线接口而不需要CPU干预。1.3sd卡存储单元在系统实验采集模式中,为了分析跌倒过程中各传感器信号的变化,需要将传感器的原始数据存储并发送至上位机分析。在采集数据的过程中原始数据量大,无线模块传输过程中可能会出现丢包现象,因此,需要数据存储单元记录传感器的原始数据。SD卡插拔方便,价格低廉,适合于作为便携式存储设备,在此采用SD卡作为存储单元。通过SPI总线和STM32单片机连接,开启DMA通道,可以将A/D转换器的转换结果直接传送到SPI总线上,从而减少内核用于搬运数据的时间。1.4无线传感器模块系统加入无线通信模块,在算法验证模式下开启无线通信,系统实时处理传感器数据,并将处理好的数据通过无线模块发送至上位机,一旦检测到跌倒,立即发出报警信号。无线模块使用NF905成品模块。系统的硬件结构图如图1所示。2plc软件模块系统软件基于ST公司的STM32标准外设库,采用分层结构编写。实现信号通道选择与A/D转换,数据处理,控制无线模块数据发送,SD卡数据存储,工作状态选择等任务。系统软件的层次结构图如图2所示。(cortexmicrocontrollersoftwareinterfacestandard,CMSIS)为ARM提供的Cortex微处理器的软件接口标准,提供了内核与外设、实时操作系统和中间件设备之间的通用接口。STM32标准外设库中提供了针对MCU外设的总线级操作函数,在此基础上编写总线驱动程序,实现各总线的初始化配置与基本操作。通过调用总线驱动函数编写设备级的驱动函数,提供各模块的操作,实现软件的模块化。同时移植嵌入式Fatfs文件系统,将采集得到的传感器数据直接以文本格式存储在SD卡中,可以在电脑上直接读取数据文件。应用程序利用状态机思想实现,将系统划分为采集状态和低功耗状态,并在采集状态中划分多个子状态,通过状态的跳转进行相关的任务操作。3adl动作模拟实验分别包括模拟摔倒和每天生活中的活动(activitiesofdailyliving,ADL)的实验。受试者为50~80kg的青年健康志愿者,将实验装置通过松紧带和自粘扣固定于受试者后背上。模拟摔倒为模拟意外前向摔倒。ADL动作包括正常行走、快速行走、坐下起立动作、蹲下起立动作。在运动过程中,惯性单元附着在人身上,其坐标系随同人体坐标系,坐标原点即为安装位置。如图所示,前向为x轴,侧向右手方为y轴,竖直向上方向为z轴,同时俯仰角方向与翻转角方向分别如图3所示。4人体坐标系分析对于采集得到的数据在预处理之后,可以提取出相关的特征量,进一步对是否摔倒做出判断。实验中建立了人体的坐标系,在跌倒的过程中与标准参照系之间会产生比较大的差值。通过加速度信号得到的姿态分析可以判断最终是否跌倒;在人体跌倒过程中,无论朝向哪个方向,竖直方向的速度和位置会发生变化,加速度和俯仰角也都会产生较大范围的变化,因此,用加速度值与角速度值提取特征量可以作为判断的依据。4.1wsfm情况图4即跌倒时3个轴向加速度信号图,图中曲线清楚的表明了正向跌倒过程中各方向的加速度变化情况,设置的采样频率为250Hz。实线为X方向的加速度,起始状态下X方向与重力方向几乎垂直,因此,加速度接近于0gn;点线为Z方向加速度,起始状态下与重力方向几乎垂直,因此,加速度值约等于1gn;虚线为Y方向加速度,起始状态下为0gn。摔倒后稳定状态下,X轴与重力方向近似一致,加速度约为1gn,而Z轴方向由1变化至0gn。由于摔倒可能发生在任意方向,使用单独某一轴的加速度其特征不明显。因此,采用合加速度ac=a2x+a2y+a2z−−−−−−−−−−√ac=ax2+ay2+az2作为特征量进行分析。图5为摔倒时合加速度的变化曲线。在静止不动时由于受重力影响,加速度大小为1gn。在摔倒时有2个极值点:极值点1对应加速度值为0.11gn,是跌倒过程中人体不受控制加速倒下,Z轴方向的加速度迅速减小造成的;极值点2是跌倒过程中接触地面时速度迅速减小造成的,最后稳定到1gn。图6和图7分别为正常行走和坐下—起立时加速度变化,而与图6和图7的对比可以看出:非剧烈运动时合加速度峰值不会超过3gn。在摔倒过程中,人体俯仰角或者侧翻角会发生变化,图8为摔倒时刻俯仰角和侧翻角的角速度变化情况,图9为利用陀螺仪数据积分得到的角度变化情况。从陀螺仪的数据可以看出:前向摔倒时,俯仰角剧烈变化;由于是正向摔倒,侧翻角的变化不大。陀螺仪的数据可以联合加速度传感器的数据,进一步提高检测的准确率。4.2起落架时大力判断出断裂时极小值根据上一节对摔倒数据的分析,采用阈值判别法设计摔倒检测算法,如图10所示。an为合加速度值,ρ为俯仰角的值,Δρ为当前时刻相对于开始判断时刻的俯仰角的增加量。阈值门限FT1为摔倒时极小值,取0.20gn;摔倒过程中在一定时间内加速度值迅速增大,同时俯仰角也会增大,令门限值FT2取为3.90gn;门限值FT3取4.80gn,在俯仰角增大接近至75°时,超过FT3的情形可以判