基于STM32的跌倒防護裝置研究

陶成林，雷必成，楊揚戩

（臺州學院 物理與電子工程學院，浙江 臺州 318000）

隨著老年人口的劇增，老齡化問題成為當前社會的最突出問題[1-2]。目前已知世界范圍內60歲以上的老年人口已超過6億[3]。跌倒對于老年人群而言是一個很嚴重的問題，除了肢體上的傷害，跌倒之后在心理及社交生活上也可能造成嚴重的后遺癥。據統計，約三分之一65歲以上老人平均每年跌倒一次[4]。面對這種情況，開發跌倒智能探測和報警系統，具有極其重要的現實意義和社會意義。

目前的跌倒檢測可分為三類：基于視頻圖像的跌倒檢測[5]，其不足之處是受空間上的限制、視頻圖像的質量受環境影響較大和不能保證用戶的隱私安全；基于聲學系統的跌倒檢測，其不足之處是安裝復雜且資金投入比較大；基于穿戴式裝置的跌倒檢測，不受空間限制、環境干擾相對較小。

本系統開發的是基于穿戴式裝置的防跌倒裝置系統，是通過加速度計和陀螺儀對老年人身體姿態和運動的實時檢測，采集到人體的加速度和角速度，再經過微處理器使用閾值判斷法進行分析，并在未著地之前報警和進行防護措施。本系統采用加速度計、陀螺儀和閾值判斷法使準確度提高，日常行為的誤報低，并且實施保護防止老年人受到跌倒帶來的傷害。

1 系統總體設計

根據老人防跌倒裝置系統原理，整個系統有二部分組成：跌倒檢測部分和防護挽救部分。而跌倒檢測部分又由兩部分組成：系統的硬件設計和軟件算法，軟件算法使用閾值判斷法，硬件由以下四部分組成：

1）傳感器模塊:用加速度計、陀螺儀實時采集人體加速度信號和角速度信號，再通過A/D轉換成數字信號傳送到STM32核心控制模塊上。

2）STM32核心控制模塊：接收傳感器A/D轉換后的信號進行處理、分析并判斷是否符合跌倒條件，再通過D/A對安全氣囊進行動作。

3）無線傳輸模塊：它是用于本模塊與上位機進行無線通信，使上位機得到數據并設計出跌倒檢測的算法，并根據算法進行了實驗。

4）防護挽救模塊：通過STM32核心控制模塊對其發送動作的信號，在老人沒跌倒在地之前進行保護。

本文主要介紹跌倒檢測部分，即硬件設計部分和軟件算法。系統的整體構圖如圖1。

2 硬件電路設計

2.1 STM32F103RBT6單片機

基于穿戴式裝置要求系統輕便小巧和事前判斷跌倒發生要求處理單元運行速度足夠快等因素考慮。本系統選用高性能的ARM?CortexTM-M3 32位的RISC內核單片機STM32F103RBT6作為主處理單元，工作頻率為72 MHz，內置高速存儲器，豐富的增強I/O端口和聯接到2條APB總線的外設。

圖1 系統框圖Fig.1 Circuit diagram

2.2 加速度計

加速度計屬于慣性感測元件，可測量物體的加速度。本系統選用亞德諾半導體公司的一款小而薄的超低功耗三軸加速度傳感器ADXL345。本設計中加速度傳感器與單片機STM32F103RBT6采用I2C總線連接方式，測量范圍±16 g，使用最大分辨率（13位），數據輸出速率100 Hz。初始化主要對ADXL345的數據輸出速率、測量范圍、分辨率、數據的對齊模式以及中斷觸發方式進行設置。

2.3 陀螺儀

陀螺儀，是一種用來感測與維持方向的裝置。本系統中選用意法半導體公司可以讓用戶自主設定量程，提供一個16位數據輸出的三軸陀螺儀L3G4200D。本設計中L3G4200D使用I2C數字接口與單片機STM32F103RBT6相連，量程使用±250 dps，數據速率100 Hz，初始化主要對L3G4200D的量程、數據速率的進行設置。

2.4 無線傳輸模塊

系統加入無線通信模塊，在驗證算法時開啟無線通信，系統實時處理采集到的傳感器數據，并將數據通過無線模塊發送至上位機進行處理。本系統中使用Nordic公司電流消耗極低的RF24L01模塊。模塊與STM32單片機采用SPI方式連接，初始化主要對通信通道，通信頻率，數據寬度和收發模式進行設置。

3 軟件設計

本系統中是選擇穿戴式傳感器的方法設計跌倒探測器。由于腰部活動范圍和頻率都較小，一般都保持豎直位置，有利于檢測且舒適度高，因此將裝置佩戴在腰部。下面我們應用三軸加速度和角速度信號對人體的跌倒檢測技術進行研究，并詳細論述跌倒檢測算法。

3.1 算法設計

人體加速度向量幅值SVM判斷法是研究人體跌倒的常見方法。SVM通過計算加速度幅度反應人體運動的劇烈程度，其值越大說明運動越劇烈[7]，其定義如式（1）。

式中，αx、αy、αz分別為加速度傳感器的 X、Y、Z 三軸輸出，單位為g。

采用該特征值的優點在于其將空間的加速度合為一矢量，在跌倒判斷中忽略跌倒的方向。因為發生跌倒時，無論朝哪個方向，SVM都會超過某一闞值。而本系統使用的加速度閾值判斷法的的核心就是檢測人體的SVM的大小，從而判斷加速度是否超過正常范圍。下面對加速度閥值確定進行研究。

圖2是經過試驗得到的人體跌倒過程中的合加速度曲線。在跌倒過程中產生2個極值分別是圖2中第75個采樣點和第85個采樣點。第85個采樣點合加速度約為5.3g，這是由于人體跌倒時與地面碰撞產生的加速度，其幅值要比絕大多數日常活動產生的加速度幅值都要大，因此，許多人體跌倒檢測的算法都是根據這個幅值來判斷。

圖2 跌倒過程中的合加速度曲線Fig.2 In the process of the acceleration curve and fall

但是此幅值來判斷的跌倒檢測算法人體已經著地，跌倒傷害已經產生了，而本系統需要對人體進行保護，即必須在人體跌倒著地之前進行檢測，因此不符合本系統的設計要求。經過多次試驗找到符合本系統要求的過程（圖2中從第50到第75個采樣點左右），該過程一直呈下降趨勢直到合加速約為零，且該過程也明顯區別于日常動作。本系統中把合加速度的閾值設為0.88 g，當合加速度小于0.88 g時，系統進入預警狀態，初步判定有可能發生跌倒，但是也有可能是突然站起或轉身等正常動作引起的。由于該過程一直呈下降趨勢，因此設計中將本次加速度的值與上一次的加速度值做差如果差值小于零計數，當計數值達到一定值的時候就可以判斷人體發生跌倒。

圖3是經過試驗得到的人體跌倒過程中的合角速度曲線（與圖2同一時刻）。通過試驗得到當合加速度值小于0.88 g至剛好著地的這段過程時（圖2中第55至第75個采樣點），陀螺儀檢測的角速度卻是增大的。但是實際觀察多次跌倒的角速度波形，發現跌倒時角速度并不是線性增加的，它有時候也會減小，但是總體是增加的。根據M.N.Nyan，Francis E.H.Tay，E.Murugasu等人的研究[8]，在這一時段角速度的變化很小只有10°/s。于是在算法判斷加速度減少并計數的同時加入角速度做差值且是否變化在10°/s內。實驗中我們發現通過同時滿足加速度減小和角速度增加并計數能明顯減少單一運用加速度計的誤判。

3.2 軟件整體設計

結合跌倒判斷算法后，系統的整體軟件框圖如圖4所示。

圖3 跌倒過程中的和角速度曲線Fig.3 In the process of the fall and angular velocity curve

圖4 算法流程圖Fig.4 Algorithm flow chart

4 實驗測試

測試時為避免測試者在實驗過程中摔傷，所有跌倒實驗都在一張雙人床上完成，跌倒在雙人床上與跌倒在地面唯一不同的是，跌倒在地面產生的加速度沖擊會更大。因此，對本系統而言，跌倒在地面的情況會更容易檢測出來。

系統測試分為兩部分，第一部分是通過模擬老年人幾種典型的跌倒方式來檢驗跌倒判斷的識別率，在將要發生跌倒事件時，能夠準確無誤的觸發報警。測試內容包括向前跌倒，向后跌倒，向左側跌倒，向右側跌倒這4種典型類型的跌倒，每類跌倒各試驗50次。

第二部分通過正常的日常活動來檢測本系統的誤報率，實驗的日常活動包括步行、彎腰、下蹲和慢跑等日常行為，同樣每類實驗也進行50次。測試結果如表1所示。

由表1試驗數據，可以看到在實驗條件下，每種跌倒的跌倒識別率都在95%以上。在排除老年人做劇烈運動的情況下（如表中的慢跑），日常事件的誤報率約為0%，所設計的跌倒檢測系統能檢測出絕大多數的跌倒事件并準確報警，對日常行為的誤報較低。

為了提高系統的可靠性，本次還研究了從防跌倒裝置開始報警到老年人完全跌倒在地上之間的時間，我們根據采集到的數據和算法，得到裝置開始報警到老年人完全跌倒在地上之間采樣點個數，再根據采樣時間求得時間。此時間越長表示后續的防護措施可進行更復雜的保護，老年人跌倒受傷的幾率就越低。防護措施可用時間如表2所示。

表1 試驗數據Tab.1 Test data

表2 防護措施可用時間Tab.2 Protective measures available time

5 結束語

本系統使用了三軸加速度傳感器ADXL345，三軸角速度傳 感 器 L3G4200D、nRF24L01無 線 傳 輸 模 塊 和STM32F103RBT6嵌入式處理器，實時采集人體跌倒的加速度和角速度數據，并運用了以特征量閾值判斷的跌倒檢測算法為主的解決方案，完成了老人跌倒檢測系統的設計。通過試驗分析，排除老年人做劇烈運動的情況下，系統能準確地檢測跌倒并能在老年人未著地之前報警并實施后續防護措施，其準確率高。且本系統可靠性高、簡單，易于穿戴。

[1]李正宇，張盤德，王寧華.踝背屈延遲預測老年人跌倒[J].國外醫學：物理醫學與康復學手冊，2004，24（1）：39-40.

LIZheng-yu，ZHANG Pan-de，WANG Ning-hua.Ankle dorsiflexion delay forecast falls in older people[J].Foreign Medical Sciences：Physical Medicine and Rehabilitation，2004，24（1）:39-40.

[2]周白瑜，于普林.老年人跌倒和心血管疾病[J].中華老年醫學志，2006，25（3）：224-227.

ZHOU Bai-yu，YU Pu-lin.Fallsin olderpeople and cardiovascular disease[J].Chinese Journal of Geriatrics，2006，25（3）:224-227.

[3]中華人民共和國衛生部.2010年中國衛生統計年鑒[M].北京：中國協和醫科大學出版社，2010.

[4]趙如如，吳海翔，等.基于手機短信息的老年人跌倒檢測裝置[J].醫療衛生裝備，2012（3）:25-27.

ZHAO Ru-ru，WU Hai-xiang，et al.Falling detection device for the eldely based on short message of mobile phone[J].Chinese Medical Equipment Journal，2010（3）:25-27.

[5]楊帆，謝靖，等.基于頭部運動軌跡和3D視覺的跌倒檢測系統[J].現代電子技術，2012（2）:54-57.

YANG Fan，XIE Jing，et al.Fall detection system based on head moving trajectory and 3D vision[J].Modern Electronics Technique，2012（2）:54-57.

[6]鄭立，蔡萍.人體跌倒監測方法及裝置設計[J].中國醫療器械雜志，2009（2）:99-102.

ZHENG Li，CAI Ping.Fall detection and reliable device design[J].Journal of China Medical Instrument，2009 （2）:99-102.

[7]曹玉珍，蔡偉超，程旸.基于MEM S加速度傳感器的人體姿態檢測技術[J].納米技術與精密工程，2010（1）：37-41.

CAO Yu-zhen，CAI Wei-chao，CHENG Yang.body posture detection technique based on MEM S acceleration sensor[J].Nanotechnology and Precision Engineering，2010（1）:37-41.

[8]Nyan M N，Francis E，Tay H，et a1.A wearable system for pre-impact fall detection [J].Journal of Biomechanics，2008，41（16）：3475-3481.