基于慣性測量單元的遠程跌倒報警系統*

于瑋，許彬

(1. 南通大學 工程訓練中心，南通 226019；2. 南通大學 護理學院)

基于慣性測量單元的遠程跌倒報警系統*

于瑋1，許彬2

(1. 南通大學 工程訓練中心，南通 226019；2. 南通大學 護理學院)

設計了一種基于九軸慣性測量單元和無線通信網的遠程跌倒報警系統。從數學模型入手，將跌倒過程劃分為身體失衡、碰撞沖擊、倒地靜止這三個階段，研究了加速度與角速度向量模值、瞬時姿態角等參數;采用卡爾曼濾波算法解決了陀螺儀靜態測量時的零點漂移問題;利用佩戴于腰間的慣性測量傳感器對運動參數進行測量，并由微處理器作出基于多閾值的最終判決；當檢測到有跌倒發生時，系統立刻發出多重報警，最大程度地降低跌倒引發的傷害。實驗結果顯示，該系統對跌倒識別的正確率超過90%，可用于老年人的一般醫療監護場合。

跌倒檢測；遠程監護；姿態解算；四元數算法；卡爾曼濾波

引 言

根據第六次人口普查數據顯示，我國社會老齡化趨勢在不斷加重，空巢老人人數急劇增加[1]。老年人是慢性病的高發群體，一些慢性病(如心腦血管疾病)急性發作時，老年人極有可能發生跌倒[2]，此外老人在日常活動中也會有類似情況發生[3-4]。傷者若得到及時救治，能有效降低其受傷害程度[5]，因此老年人的運動醫療監護已成為全社會關注的重大議題[6]。本文介紹了一種基于九軸慣性測量單元和無線通信網的運動監護系統，能實現對人體運動體征的實時測量與上報，做到對病情的及早發現和及時救助，為老年人遠程運動監護及居家養老提供新的參考依據。

1 系統檢測原理

1.1 系統整體結構

該運動監護系統包括監測終端和中繼器兩部分，其結構如圖1所示。監測終端根據九軸慣性測量單元回傳的人體運動信息，進行姿態解算及狀態分析，從而判斷是否有跌倒發生。考慮到該過程數據處理量大，故采用基于ARM Cortex-M3內核的微處理器STM32F103C8T6作為控制核心。中繼器與監測終端通過藍牙連接，并由移動通信模塊SIM908將監測到的數據向遠端發送。若系統確認有跌倒發生，則觸發蜂鳴器報警，同時啟動內置GPS定位，并將報警與定位信息通過GPRS網絡及短信的方式發送給監護人，以便傷者及時獲得救助。對于居家養老的監護對象而言，為了減少電磁輻射，中繼器只需置于居所中部，便能與各終端通信。當有多個監測終端接入時，還可組成超星型結構的射頻網絡。

圖1 遠程運動監護系統結構框圖

1.2 跌倒檢測原理

人體跌倒往往伴隨著身體失衡、碰撞沖擊、倒地靜止等復雜情形，帶有不少未知因素，而體態瞬間的變化在加速度、角速度以及姿態角等參量上均有所反映。研究這些運動參量并建立跌倒時的數學模型是檢測的關鍵。

1.2.1 模值分析

加速度與角速度能反映人體的運動變化，但上述兩種參量均為任意的空間向量，單軸分量無法描述全局特征，因此直接研究疊加后信號的向量模SVM(magnitude of signal vector)成為了最有效的方法[7]。

人體的加速度向量模(aSVM)與角速度向量模(ωSVM)定義如下：

其中，ai(i=x,y,z)為三軸加速度分量，ωi(i=x,y,z)為三軸角速度分量。

人在跌倒時與周圍物體發生碰撞沖擊，加速度與角速度的向量模會出現瞬時峰值，這在日常活動中是沒有的，可以作為跌倒判定的必要條件。但運動強度較大時，以上特征量也會出現瞬時峰值，因此還需要增加其他條件。

1.2.2 姿態解算

圖2 人體姿態歐 拉角示意圖

人體姿態解算可以作為上述判據的有效補充，而測定歐拉角是最直觀的方法[8]。圖2所示為人體姿態歐拉角示意圖，選取固定坐標系，令坐標軸旋轉順序為Z-Y-X，根據右手螺旋法則，先后產生偏向角θyaw、俯仰角θpitch及橫滾角θroll。θyaw和θroll在±180°之間，θpitch的變化范圍為±90°。當俯仰角超過90°時，表示X軸朝后，即θpitch依然是銳角，姿態上是沿Z軸做了鏡像。

其中，λ、q0、q1、q2為初值，可由初始歐拉角求得。根據加速度與磁場強度的初值，得到初始角計算公式如下：

其中，mi(i=x,y,z)表示地磁強度三軸分量,為覆蓋所有角度，正切運算在程序中均需由atan2替代。求得的四元數初值如下，并在此基礎上不斷更新，系統輸出用到的歐拉角是由該公式反推得到。

1.2.3 “長躺”甄別

跌倒后還可能伴隨“長躺”現象，該特征也由姿態分析，作為摔傷程度的判據。在判定跌倒的基礎上，當任意歐拉角長期穩定在較大數值時，則判定對象出現活動障礙，即“長躺”發生。考慮到陀螺儀靜態測量時累計誤差較大，漂移明顯，該狀態應通過加速度分量求得[10]，各角度與單軸加速度的關系如下：

2 系統的硬件與軟件設計

2.1 硬件電路設計

2.1.1 運動檢測電路

運動檢測電路的核心是由六軸運動測量模塊MPU6050和三軸磁阻傳感器HMC5883L構成的九軸IMU。MPU6050接口電路如圖3所示，只需額外配置片上LDO及電荷泵旁路電容即可工作。由于單芯片整合三軸陀螺儀與加速度計，不存在分體安裝的軸間差。MPU6050通過輔助I2C接口與磁阻傳感器交互，并通過主I2C接口向處理器上傳姿態數據流，最大傳輸速率400kHz。為保證傳輸質量，端口作上拉處理。

圖3 MPU6050接口電路

HMC5883L型磁阻傳感器采用各向異性磁阻技術，有效提升了檢測的靈敏度及線性度。當坡莫合金的內磁化方向與外磁場平行時，其阻值保持恒定；當內外磁場出現偏離時，阻值隨之改變，進而轉換為電壓輸出。HMC5883L接口電路如圖4所示，由于其與MPU6050共用串行總線，間接上傳檢測信息，故將DRDY引腳與處理器外部中斷引腳連接。當DRDY引腳發出中斷信號時，處理器申請訪問。

圖4 HMC5883L接口電路

2.1.2 GPRS移動通信

移動通信電路原理圖如圖5所示，其核心采用SIM300模塊，可實現系統與互聯網端口的快速連接。上電引腳PWRKEY接三極管開關電路，實現模塊的開啟與關閉。SIM300通過串行總線與處理器通信。為提高供電質量，源端并聯了去耦電容。與SIM卡間的通信端口經過阻抗匹配，數據傳輸引腳作上拉處理。

圖5 移動通信電路

2.2 系統軟件設計

運動監護系統程序流程如圖6所示，主要任務可以概括為對人體運動參數的監測、分析與上傳。在監測終端程序的初始化階段，需完成慣性測量單元的參數設置，同時使能處理器信號接收引腳的外部中斷，以便在新的采樣周期結束后，讀取數據。通常人體三軸加速度分量在±7g以內，角速度分量小于400°/s。綜合考慮測量范圍、靈敏度等因素后，設置MPU6050采樣頻率為1 kHz，加速度量程為±8 g，角速度量程為±500°/s，測量值需除以字符類型的取值范圍，并與量程標定值相乘才能獲得加速度、角速度及角度。由于磁阻傳感器測量頻率遠小于MPU6050，故將DRDY引腳的中斷信號作為輔助判據。HMC5883L測量完成后，DRDY引腳將出現低電平跳變，一旦處理器檢測到該信號，則從I2C總線上讀入數據；若測量還未完成，則在新的周期中繼續檢測。

如何根據慣性測量結果判定跌倒發生是監測終端程序設計的關鍵,考慮到人體在慢跑、跳躍、下蹲、躺下等日常活動中也有可能出現與跌倒過程高度相似的波形信號，故設置多個閾值，分層判別。只有同時滿足加速度與角速度向量模、瞬時姿態、穩態傾向三方面閾值條件后，才會判斷有跌倒發生。此后，終端打開蜂鳴器本地呼救，當進一步確定為“長躺”時，通過藍牙模塊向中繼器發送報警信息，20 s內若當事人解除警報則關閉蜂鳴器同時取消藍牙會話，反之繼續報警。中繼器程序負責藍牙信息的接收，并根據跌倒報警等級，通過短信和GPRS網絡向監護人求助。當判定結果為“長躺”時，將撥打綁定電話求救。運動監護系統程序流程圖如圖6所示。

圖6 運動監護系統程序流程圖

由于姿態解算涉及的參數較多，且極易受到干擾，系統中引入卡爾曼濾波算法實現數據優化。算法結構如圖7所示，包括狀態更新和觀測更新兩個過程。

圖7 卡爾曼濾波算法框圖

狀態更新是根據(k-1)時刻的狀態值與誤差協方差去估計k時刻的對應結果，狀態方程如下所示：

觀測更新用于修正狀態更新的結果，觀測方程如下所示：

式中，zk為k時刻的觀測向量，H為真值xk的系數矩陣，K為系統增益，R為觀測噪聲協方差矩陣。

選取k時刻，設定經角速度積分所得的姿態角為估計值，經加速度和磁場強度獲得的姿態角為觀測值，兩者與真值的偏差分別為先驗估計誤差和后驗估計誤差。觀測向量zk與先驗估計、后驗估計的關系整理得到：

將檢測電路靜止擺放在水平桌面上，測得卡爾曼濾波前后陀螺儀靜態輸出對比結果如圖8所示。不難看出，濾波前的角速度輸出值包含白噪聲且零點發生漂移；濾波后信號輸出平穩，漂移誤差得到有效補償，當沿y軸迅速敲擊桌子邊沿后，該方向測量結果出現圖8(b)中的瞬時峰值。

3 實驗結果與分析

慣性測量單元是獲取人體運動參數的重要組件，為檢驗其有效性，需要進行穿戴實驗。考慮到老年人參與實驗的潛在危險性，選擇青年人為研究對象。監測終端佩戴于腰間，可以有效反映人體軀干的動作變化。為高度還原老年人跌倒時的場景，參與實驗者將雙眼蒙住，同時在腿上綁住沙袋，以模仿老年人在腿腳不便時的運動狀態。另外，在行進道路上還設置有障礙，用于模擬突然跌倒的情形。實驗中測試了與跌倒相似度較高的日常動作以及典型跌倒動作，例如：慢跑、正常躺下、向前跌倒及向左跌倒。

對比上述4種行為的測量曲線不難發現，在跌倒瞬間，加速度與角速度均出現瞬時峰值，其中單軸加速度幅值接近6 g，角速度幅值約400 °/s，且加速度會出現先變小再變大的現象。這可以理解為，跌倒前期人體失衡導致短暫失重，而跌倒之后與地面的碰撞又引起瞬間超重[11]。倒地靜止后，雖然加速度向量模回歸初始值，但由于歐拉角偏轉的緣故，單軸分量已經與人體靜止站立時相差甚遠。

為檢驗跌倒判斷算法的可靠性，選取4位體型差異較大的參與者，每人每組實驗50次，進一步測試日常生活中的相關行為，以便獲更具一般性的實驗數據。跌倒報警實驗結果如表1所列。

圖8 卡爾曼濾波前后陀螺儀靜態輸出測試結果對比

表1 跌倒報警實驗結果統計

從表1中可以看出，本系統能夠有效區分日常行為和跌倒行為。值得注意的是，向后跌倒時的正確率明顯低于其他情形，這主要是由于在此期間，測試者會下意識彎腰，一定程度上緩和了加速度的突變程度。對于老年人而言，反應速度及力量均不如青年人，報警的正確率還會有所提高。

結 語

本文結合九軸慣性測量單元和無線通信的技術特點，設計了用于老年人跌倒檢測的遠程報警系統，實現了人體運動參數的實時跟蹤、上傳、回放與分析，并且不受運動狀態、時間、地點的約束。當檢測到有跌倒發生時，系統立刻

發出聲音報警，同時通過藍牙和移動通信模塊向外界呼救，最大程度地降低跌倒引發的傷害。經測試，跌倒識別的正確率超過90%。后期還將通過增加實驗樣本數量，進一步修正各層次的判定閾值，以達到更好的監護效果。

[1] 全國老齡工作委員會辦公室. 中國人口老齡化發展趨勢預測研究報告[J]. 中國社會報, 2006-2-27(6).

[2] Hajhosseiny R,Matthews G K,Lip G Y.Metabolic syndrome,atrial fibrillation,and stroke:Tackling an emerging epidemic[J].Heart Rhythm,2015,12(11):2332-2343.

[3] 朱勇，張研，宋佳，等. 基于傾角的跌倒檢測方法與系統研究[J]. 生物醫學工程學雜志，2013, 30(1): 95-99.

[4] Michael R Narayanan, Stephen J Redmond, Maria Elena Scalzi, et.al. Longitudinal falls-risk estimation using triaxial accelerometer[J]. IEEE Transactions on Biomedical Engineering, 2010, 57(3): 534- 541.

[5] 李冬，梁山. 基于加速度傳感器的老年人跌倒檢測裝置設計[J]. 傳感器與微系統，2008, 27(9): 85-88.

[6] 鄭娛，鮑楠，徐禮勝. 跌倒檢測系統的研究進展[J]. 中國醫學物理學雜志，2014, 31(4): 5071-5076.

[7] 張軍建，趙捷，安佰京，等. 基于三軸加速度傳感器的跌倒檢測研究[J]. 現代生物醫學進展，2014, 14(18): 3585-3588.

[8] 陳偉. 基于四元數和卡爾曼濾波的姿態角估計算法研究與應用[D]. 秦皇島：燕山大學，2015.

[9] 孫冬梅，田增山，韓令軍. 捷聯慣導系統中四元素法求解姿態角仿真模擬[J]. 彈箭與制導學報，2009, 29(1):51-53,60.

[10] 王榮，章韻，陳建新. 基于三軸加速度傳感器的人體跌倒檢測系統設計與實現[J]. 計算機應用，2012, 32(5): 1450-1452, 1456.

[11] 李娜，侯義斌，黃樟欽. 基于人體加速度特征的實時跌倒識別算法[J]. 小型微型計算機系統，2012, 33(11): 2410-2413.

于瑋(碩士)，研究方向為計算機測控技術。

Remote Fall Alarm System Based on Inertial Measurement Unit

Yu Wei1,Xu Bin2

(1.Engineering Training Center,Nantong University,Nantong 226019,China;2.School of Nursing,Nantong University)

A remote fall alarm system based on nine-axis inertial measurement unit and wireless communication network is proposed.From the mathematical model,the fall process is divided into three stages including imbalance,crashing and lying on the ground.The vector modulus of acceleration and angular velocity,the instantaneous attitude angle and other parameters are studied.The Kalman filtering algorithm is used to cancel the zero drift of the gyro in static measurement.The motion parameters are measured by the inertial measurement sensors tied to the waist.And the final judgment is made by microprocessor based on multi-threshold.When a fall occurs,the system sends the alarm information in the different ways immediately to reduce the damage to the greatest extent.The experiment results show that the accuracy of fall recognition is more than 90%.It can be used in general situation for elderly health care.

fall detection;remote monitoring;attitude algorithm;quaternion algorithm;Kalman filtering

2014年南通大學自然科學類科研基金一般項目(14Z006)。

TP274

A

迪娜

2016-12-12)