老年人跌倒預測系統綜述

曹麗杰

（國防科學技術大學計算機學院，長沙　410073）

老年人跌倒預測系統綜述

曹麗杰

（國防科學技術大學計算機學院，長沙410073）

0　引言

老年人健康保障是一個永恒的話題，在當今世界老齡化日益嚴重下老年人的身體健康尤其重要。跌倒，是威脅老年人健康的最危險意外事故之一。跌倒是人體受傷的一個重要原因，對老年人更是如此。統計顯示，在我國，跌倒是老年人（高于65周歲者）傷害致死的最主要原因，是所有年紀的人意外受傷致死的第四大原因。Stevens等人的研究表明[1]，在美國，每年超過65歲的老年人中的1/3曾跌倒過，共約1300萬次跌倒發生，其中50%是復發性跌倒，大約10%-20%會導致嚴重損傷如骨折、頭部創傷等，甚至死亡。盡管某些跌倒未曾導致傷害，但非損傷性跌倒中47%的老年人在沒有外人幫助下不能自主站立起來。老年人跌倒受傷會造成他們生活自理能力減弱和害怕跌倒的心理影響，間接影響到老年人的生活體驗。除了對老年人身體的傷害，老年人跌倒后的醫療費用也是巨大的，占美國總醫療費用的6%。在2005年，跌倒引起的直接花費是236億美元，2010年是304億美元，這個數字還在逐年增加。可以說，跌倒這一可以被盡可能避免的意外事故，是老年人健康的重大隱患，也給社會帶來了負擔。

對老年人跌倒的及時幫助或預防一直都深受國內外研究者們的關注。國內外對老年人的救護系統設計主要是從以下幾個方面考慮：跌倒檢測方法，即對老年人的日常生活實時檢測，通過加速度值、姿態、軀干傾斜角等指標設計算法，如閾值算法、機器學習算法等，實時判斷老年人是否跌倒，完成的主要工作是姿態識別、跌倒檢測系統，對于跌倒后不能自主站起來的老年人，可以減少他們坐或躺在地上的時間，進而降低他們的傷害程度；跌倒風險評估方法，此方法多應用于健康醫療領域，通過分析老年人的身體指標，如心血管狀態、身體平衡能力、步態等，判斷老年人是否會易于跌倒，提醒家人對易跌倒老人多加關注；跌倒預判方法，同跌倒檢測所用技術類似，但研究方向重在跌倒前而非跌倒后，即分析跌倒前人體姿態特征，以實現提前預測老年人跌倒事故的功能，此方法可以最大程度地減少老年人的跌倒損傷，具有非常好的現實意義，對老年人的身體保護作用最為顯著，但目前跌倒預測系統的研究相對不是很成熟。本文重點討論跌倒預測系統的相關技術和研究現狀。

1　跌倒過程數據指標

1.1加速度值

人體跌倒過程伴隨著身體失衡，由于重力作用，人體加速倒向地面，這個過程一般是不可逆的。這個過程一般發生在1-3秒，很短的一段的時間。愛爾蘭國立大學的A.K.Bourke教授對跌倒事件進行了深入的分析，在理論上將跌倒事件劃分為以下四個相位：跌倒前相（Pre-fall phase）、關鍵相位（Critical phase）、跌倒后相（Post-fall phase），以及恢復相位（Recovery phase）[2]。圖1是梁丁等依據其跌倒實驗過程中加速度信號做出對應的相位劃分[2]。

圖1　跌倒相位劃分

由圖中可以看出，關鍵相位部分加速度值變化趨勢是先下降，然后快速上升和快速下降，后期有振蕩變化，日常活動，則不會有如此劇烈的加速度變化。閾值算法在跌倒檢測系統中有廣泛的應用，即通過設定加速度閾值，判斷跌倒是否發生，此種方法特異性和靈敏性都很高。另外，為了跌倒預測研究，可以進一步將圖中關鍵相位劃分為三部分，沖擊前相，沖擊相位和沖擊后相，階段劃分如圖2。沖擊前相特征為加速度值逐漸下降，也是跌倒預測的關鍵時期。

圖2　關鍵相位劃分

1.2傾斜角

傾斜角指身體軀干的彎曲角度，包含軀干左右傾斜和前后傾斜，根據傾斜角大小也可以判斷人體跌倒的方向。研究表明人體站立時，身體和豎直方向的夾角一般不超過60度。但是單純根據傾斜角很難完全正確地對身體姿態進行分類，因此傾斜角常作為姿態分類的輔助指標，對可能的跌倒事件作進一步判斷。

1.3垂直速度

類似于加速度值，垂直速度曲線同樣可以表示跌倒下降過程不同階段的運動學特征。所有的跌倒者都經歷了向下垂直速度曲線中的某個階段，這可以作為跌倒預測的有效參數。但目前來看，因為垂直速度需要對傳感器獲取的加速度值進行積分運算，而且實際表現和加速度值相似，因此選用垂直速度的研究者們相對較少。

1.4足底壓力

當人體跌倒時，足底壓力也會相應變化，此指標也是作為跌倒預測系統的輔助性指標，以便進一步加強算法的準確度。

2　人體活動分類

近些年，盡管人體跌倒檢測已經越來越受到人們的關注，但實驗動作設計仍然存在著很大的挑戰。首先，某些類似跌倒的日常活動很容易被誤判為跌倒。目前實驗判定跌倒的方法多依據加速度值的閾值，但是，如果超過閾值的加速度值均被判定為跌倒可能會導致一些錯誤警告，例如快速坐下或快速躺到床上。其次，并非所有的跌倒都具有大的加速度值。Rubenstein等[3]統計顯示老年人經歷的跌倒中22%是緩慢的，由頭暈或眩暈引起的占到13%，突然的跌倒發作占9%。因此，若要設計一個成功的跌倒預測系統，慢跌倒實驗應當是其中很重要的一部分。

目前實現的跌倒預測系統多數沒有對日常活動進行細致的劃分，跌倒類型也只選取一兩種，而且以快速跌倒方式為主，系統實驗的結果可信度較低。若要實現跌倒預測系統在生活中的適用性需要考慮到老年人的各種日常活動。對日常活動的分類如下描述。

日常生活中靜態姿勢：站，坐，躺。

日常生活中動態姿勢：站到坐，站到躺，坐到站，抬起腰，彎下腰，上樓梯，下樓梯，慢跑。

生活中跌倒：滑倒，絆倒，暈倒，站到坐跌倒，坐到站跌倒，失足跌倒。

從椅子上站起來時跌倒，由于人下意識會尋找周圍物體支撐，容易被誤判為非跌倒事件，暈倒也易被誤判為非跌倒事件。

跌倒事件中快速躺到床上或者快速坐到椅子上則容易被誤判為跌倒事件。

因此在設計系統時應注意對這些易引起誤判的事件加強分析和學習。

3　跌倒預測系統研究現狀

迄今為止，盡管各種跌倒檢測系統大多能達到近100%準確度，但能夠提前預測老年人跌倒并提供保護措施則是一種更值得期待的技術。目前部分學者對跌倒預測進行了詳細的研究。跌倒預測關鍵是研究跌倒觸地前下降期的數據特征，目前研究現狀如下陳述。

2000年，Wu[4]采用軀干水平和垂直速度的閾值算法實現了跌倒預測系統，結果表明可以在跌倒觸地前300-400ms時間檢測出跌倒發生。2006年，Nyan等[5]用三軸陀螺儀固定在三個不同位置，胸部、腰前、上臂內側實現跌倒預測，達到100%的靈敏度和接近200ms的前置時間，但是16%的正常活動被誤判為跌倒。此外，他們發現跌倒被檢測到的時刻，軀干與垂直軸的角度為40-54度。2008年，Bourke等[6]通過軀干的垂直速度閾值進行跌倒預測，一個運動捕捉系統和一個慣性測量單元被應用于實驗中，慣性測量單元固定于人體胸部。實驗結果達到100%的準確度和平均提前323ms檢測到軀干觸地和提前140ms檢測到膝蓋觸地。Nyan 等[7]在2008年對跌倒預測的研究中，通過大腿和腰部的角度閾值算法對模擬暈倒進行分析，實現了100%的特異度和 95.2%的靈敏度，跌倒前置時間平均為700ms。2009年Shi等[8]，2010年Shan和Yuan[9]采用支持向量機（SVM）的方法，通過對眾多加速度計和陀螺儀原始數據的特征選擇，再利用SVM算法分類，實現了100%的靈敏度和100%的特異度，檢測到的跌倒前置時間平均為203ms。

2014年，Ding Liang等[10]采用基于慣性測量單元的加速度閾值算法對跌倒前置時間進行了分析，而且對主動跌倒和被動跌倒作了對比分析，結果顯示被動跌倒因為外力作用有瞬間的加速度的輕微增加過程，因此相比于主動跌倒更容易檢測，主動跌倒的平均前置時間是514ms，被動跌倒的是731ms。Ding Liang等雖然對跌倒前置時間作了詳細的對比，且有比較好的研究結果，前置時間比較長，準確率也很高，但實驗設計和算法比較簡單，正常活動只設計了簡單的走，跑和躺，這些動作與跌倒有明顯的差異因此很容易被檢測，但是對類跌倒事件未作比對。

2015年，Lee[11]對接近跌倒（near-falls）事件進行了研究，提出了基于垂直速度的跌倒預測方法，并對基于垂直速度的方法和基于加速度的方法進行了對比，實驗用例為分別區分跌倒和正常活動 （Activity Daily Life，ADL，排除接近跌倒事件），區分跌倒和非跌倒（包括接近跌倒事件）。實驗結果表明兩種方法在跌倒和正常活動的分類上具有相似的準確性，然而在跌倒和非跌倒事件中使用垂直速度具有更高的準確度，表明當跌倒檢測中包含有接近跌倒事件時，使用垂直速度參數比使用加速度閾值具有更好的效果。

除了依據數據特征設計的跌倒預測系統，對老年人的跌倒風險分析也具有一定的實際意義。老年人多由于身體機能下降，容易出現糊涂、身體平衡失調等癥狀，通過分析老年人的跌倒風險因子，進而提前對老年人的日常生活予以關注，同樣可以起到保護老年人的效果。Kressig Rw等[12]發現，僅1.7cm的步長變異就可導致跌倒風險增加幾乎一倍。步態變異性很難通過肉眼觀察或簡單的運動檢測辨別，需要相關儀器進行精準的測量。然而精確的步態測量方法，如光學運動捕捉系統（optical motion capture）等，儀器價格昂貴，并且需要專業人員測量、分析數據，很難廣泛用于老年人跌倒風險預測。Mariani等[13]以視覺運動捕捉系統為參照，用IMU（慣性測量單元）對12名健康成年人進行足離地間隙測量，證明 IMU能夠達到對短距離測量的準確性，可以用于實驗室外臨床步態評估。Paterson等[14]利用IMU對97名健康且經常運動的老年人進行的一項步態參數和跌倒風險的前瞻性試驗顯示，在各種步態參數中，跌倒者和非跌倒者僅在兩腿步態差異性方面有顯著性差異，提示兩腿運動協調性的下降可能是步態或平衡功能異常的早期表現，可作為檢測步態不穩和跌倒風險的敏感指標。

4　展望

老年人現實生活中的突然跌倒病發率高，對于老年人的健康生活有很大隱患，對于此種完全可能避免的意外事故我們都應該關注并尋找方法降低老年人跌倒事件發生或降低其受傷害程度，因此跌倒預測系統研究具有重大的現實意義。目前的跌倒預測系統在生活中還沒有應用，市場上存在的產品多是基于跌倒檢測，但實現的功能也不僅僅是跌倒檢測，如檢測老年人健康指標，血壓、心率等；當判斷出用戶長時間蹲著時，會提醒用戶站起時緩慢，防止突然的眩暈感；當檢測到用戶過長時間靜止不動時，則預測用戶可能暈倒，呼叫救助中心予以救助；自主呼救按鈕，當用戶跌倒后意識清醒，只是不能自主站起時，可以按動按鈕呼救。這些設計在生活中都會對老年人的身體健康起到保護作用，應該繼續發展。跌倒預測功能仍然是最值得期待的技術，當檢測到跌倒即將發生時，可以通過安全氣囊緩沖跌倒，減少傷害。另外，跌倒主要原因是身體失衡，老年人的平衡能力是影響跌倒的一個主要因素[15]，因此可以通過設計跌倒風險因子，對老年人的身體狀況做判斷，分析其是否容易跌倒，引起家人重視。

跌倒傷害是全球面臨的嚴重問題，也是目前各個國家關注的熱點，但是研究結果參差不齊，主要因為跌倒防護系統沒有統一的實驗標準，如實驗對象多采用年輕人模擬老年人跌倒，少部分是老年人模擬跌倒，另外對活動類型的分類也沒有建立統一規范，每個研究者采用自己獨立的實驗環境，相互之間參考性和比較性有限，研究結果不具有代表性和可靠性。為了老年人跌倒防護系統研究的可持續發展，希望可以成立管理組織，不斷建立完善現實世界老年人跌倒過程重要指標的數據庫，并對數據公開，方便眾研究者分析，以盡早實現高準確率和實用性的跌倒預測系統。

[1]Stevens J A，Corso P S，Finkelstein E A，et al．The Costs of Fatal and Non-Fatal Falls Among Older Adults[J]．Injury Prevention，2006．

[2]梁丁．基于MEMS慣性傳感器的跌倒檢測與預警研究[D]．大連：大連理工大學計算機科學與技術，2012．

[3]Rubenstei L Z，Josephson K R．The Epidemiology of Falls and Synscope[J]．Clinics in Geriatric Medicine，2002，18（2）:141-158．

[4]WU Ge．Distinguishing Fall Activities From Normal Activities by Velocity Characteristics[J]．Journal of Biomechanics，2000，33: 1497-1500．

[5]NYAN M N，TAY F E H，TAN A W Y，et al．Distinguishing Fall Activities from Normal Activities by Angular Rate Characteristics and High-Speed Camera Characterization[J]．Medical Engineering&Physics，2006，28:842-849．

[6]Bourke A K，Donovan K J O'，LAIGHIN G．The Identification of Vertical Velocity Profiles Using an Inertial Sensor to Inverstigate Preimpact detection of falls[J]．Medical Engineering and Physics，2008，30（7）:937-946．

[7]Nyan M N，Francis E H，Matthew Z E，et al．Application of Motion Analysis System in Pre-Impact Fall Detection[J]．Journal of Biomechanics，2008，41:2297-2304．

[8]SHI Guangyi，CHAN Cheung Shing，LI Wen Jung，et al．Mobile Human Airbag System for Fall Protection Using MEMS Sensors and Embedded SVM Classifier[J]．IEEE Sensors，2009，9（5）:495-503．

[9]SHAN Shaoming，TAO Yuan．A Wearable Pre-Impact Fall Detector Using Feature Selection and Support Vector Machine[J]．Proc．IEEE Int．Conf．Signal Process，Beijing，China，2010:1686-1689．

[10]DING Liang，KAMEN Ivanov，LI Huiqi，et al．Exploration and Comparison of the Preimpact Lead Time of Active and Passive Falls Based on Inertial Sensors[J]．Bio-Medical Materials and Engineering，2014，24:279-288．

[11]LEE Jung Keun．Inertial Sensing-Based Pre-Impact Detection of Falls Involving Near-Fall Scenarios[J]．IEEE Transactions on Neural Systems and Rehabilitation Engineering，2015，23（2）:258-266．

[12]Kressig R W，Herrmann F R，Grandjean R，et al．Gait Variability While Dual-Tasking:Fall Pre-dictor in Older Inpatients[J]．Aging Clin Exp Res，2008，20（2）:123-130．

[13]Mariani B，Rochat S，Bula C J，et al．Heel and Toe Clearance Estimation for Gait Analysis Using Wireless Inertial Sensors[J]．IEEE Trans Biomed Eng，2012，59（11）:3162-3168．

[14]Paterson K，Hill K，Lythgo N．Stride Dynamics，Gait Variability and Prospective Falls Risk in Active Community Dwelling Older Women[J]．Gait Posture，2011，33（2）:251-255．

[15]呂岳．老年人跌倒的危險因素分析．臨床醫學雜志，2008，9（4）:30-34．

Pre-Impact;Lead-Time;Fall Detection;Activity Classification

Survey on the Eldly Fall Prediction System

CAO Li-jie
（College of Computer Science and Technology,National University of Defense Technology,Changsha 410073）

1007-1423（2016）02-0047-05

10.3969/j.issn.1007-1423.2016.02.012

曹麗杰（1987-），女，河南漯河人，碩士研究生，研究方向為嵌入式系統設計

2015-11-19

2015-12-29

老年人跌倒事件時常發生，老年人即使受到很小的傷害，也可能會對他的生活和健康造成很大影響。跌倒預測系統通過人體姿態分類算法，提前判斷老年人跌倒事件，然后通過保護措施阻止老年人跌倒或減少跌倒后的傷害，具有很好的實際意義。對跌倒預測系統國內外研究現狀作調查分析，并展望系統未來可能的發展方向。

跌倒預測；前置時間；跌倒檢測；姿態分類

Falls and fall-related injuries are common in the eldly.Their life and health may be significantly affected,even though they hurt slightly. Fall prediction system of the eldly can detect impending falls in their descending phase before the body hits the ground,which is implemented by classifying the activity through the accelerometer of the body,then the system can prevent the fall or do something to reduce the severity of injuries.Fall prediction is of great significance.Investigates the status of fall prediction system and discusses the possible work on the future.