基于大數據平臺的人體跌倒檢測研究

張帆

摘要：跌倒一直是影響人體健康的重要因素之一，針對現有跌倒檢測算法由于缺乏真實老人跌倒樣本導致的適應性不足等問題，提出了一種基于大數據平臺的人體跌倒檢測方法。該方法通過分析傳感器的信息構建特征向量，運用機器學習的算法建立分類模型，將采集到的信息實時傳送并保存到搭建好的hadoop大數據平臺，平臺通過相似度度量判斷模型是否需要更新。隨著數據樣本不斷增加，系統的準確率會不斷提高。實驗數據表明該方法準確率能在一定范圍內實現穩步提高。

關鍵詞：跌倒檢測；大數據平臺；機器學習；特征向量；準確率

DOIDOI：10.11907/rjdk.162817

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2017）006-0148-04

0 引言

隨著生活方式的變革、年輕人生活觀念的變化、社會老齡化的加速演進，“空巢家庭”問題也越來越嚴重。有關數據顯示，預計到2030年空巢老年人家庭的比例將達到90%，我國老年人家庭將空巢化[1]。跌倒是老年人群中常見的傷害事件，會使老人遭受諸如骨折、出血、中樞神經系統損傷等身體上的傷害，如果不及時治療，可能導致老人失能、癱瘓甚至死亡。此外，跌倒也會致使老人產生諸多心理問題，如害怕運動、擔心獨立生活等。跌倒已成為老年人發病和死亡的重要原因之一。據統計，我國人群中跌倒意外傷害死因排名第4，而在65歲以上的老年人中則位居首位，并隨年齡的增加跌倒的死亡率急劇上升，在85歲以上的老年人中達到了高峰。因此，如何對老年人的跌倒進行實時檢測和報警，最大限度提高老年人醫療監護水平，是一個非常重要的公共健康問題。在日常生活中，當老年人發生跌倒時，能夠及時發現，就可以避免更為嚴重的后果。因此，設計一種針對老年人的摔倒檢測裝置一方面可以提高老年人的生活品質，另一方面可以減輕社會和子女的壓力。

1 相關工作

由于人體運動的復雜性和環境等因素的影響，很難對跌倒進行準確檢測。目前已有跌倒檢測技術分為以下3類[2]：

（1） 基于視頻的跌倒檢測方法[3]。此類方法通過視頻攝像頭捕捉人體運動畫面，經過圖像處理算法，通過圖像特征來判斷是否發生跌倒。但是由于攝像頭安裝地點固定等缺陷，此類系統只能檢測到一定區域，另外，還可能會泄露個人隱私。

（2） 基于聲學的跌倒檢測方法。此類方法通過分析跌倒時的振動導致的頻率波動來檢測跌倒事件，但系統安裝較為復雜，資金投入比較大，而且無法得到很好的精度，故只能作為其它檢測方法的輔助手段。

（3） 基于可穿戴設備的跌倒檢測方法[4-6]。此類方法利用多種傳感設備采集人體運動信息或姿態信息，利用算法對其分析處理，判斷是否發生跌倒事件。基于可穿戴設備的跌倒檢測系統由于不受環境的限制而更加適合于跌倒檢測，因此具有更為廣闊的應用前景。

目前，國內外有很多此類裝置及方法研究，例如李文鋒等[7]通過單三軸加速度傳感器采集人體腰部的加速度數據，運用滑動時間窗方法進行時域特征提取，采用基于閾值的分類方法對特征進行處理；羅丹等[8]采用滑動窗口機制，對窗口內的加速度數據進行時間域和變換域處理，在所有樣本集中進行有放回的Bootstrap隨機抽樣和屬性隨機選擇，構建多個基于最佳屬性分割的支持向量機基本分類器；石棟等[9]設計開發了一種云智能實時檢測系統，系統通過支持向量機算法（SVM）對數據進行處理，輸出特征數據并通過GPRS將數據上傳至物聯網云平臺，同時將跌倒信息發送給監護人手機；北京工業大學研究人員提出一種基于三軸加速度傳感器的人體跌倒檢測算法[10]，通過提取運動時的超重強度、持續失重時間、傾斜角度、靜止時間為特征值，在Android智能手機上使用決策樹進行實時處理。目前跌倒檢測研究普遍存在以下問題：①難以獲取真實的老年人跌倒數據作為跌倒檢測方法的基礎訓練數據；②現有的跌倒檢測算法分類模型都是固定的、面向大眾的，不能根據人體的特征差異進行調整；③傳統關于跌倒檢測的研究，跌倒數據往往只作為判斷跌倒狀態的依據，判斷之后數據就被釋放。這就造成數據資源的浪費以及跌倒檢測連續性的缺失。

為了獲得較準確的跌倒檢測結果，本文提出一種基于大數據平臺的人體跌倒檢測算法。該算法使用樸素貝葉斯和期望最大化的思想對跌倒等動作進行分類識別，能較好地適應特征值的個體差異，適合于跌倒樣本規模相對不足的特點，實驗結果能夠驗證該算法的準確性和有效性。

2 跌倒檢測方法

2.1 跌倒特征分析

跌倒檢測通常是為了發現造成傷害的跌倒事件，對于未造成傷害的跌倒，沒有必要觸發警報，例如人在跌倒之后能迅速起身。造成傷害的跌倒事件一般會經歷3個階段：正常的活動、突然跌倒、持續時間的靜臥狀態或有微弱運動。通過三軸加速度傳感器采集到的信息會隨著人體運動過程發生變化：正常活動時加速度變化比較平穩；而跌倒會產生一個強烈的沖擊力，引起加速度在1～2s內猛烈變化；跌倒后的靜臥或者微弱運動會持續較長的一段時間，此時合加速度接近于重力，且各軸的加速度分量與人體正常狀態時明顯不同。

跌倒檢測是一個二元決策問題，可以將表示跌倒的數據樣本歸為一類，將非跌倒的數據樣本歸為一類。利用機器學習的算法訓練分類器，并且利用Hadoop平臺的存儲和更新性能自適應調整分類器，使得分類器的準確度不斷提高。

2.2 特征向量構建

由于跌倒可能發生在任意方向和角度，因而，采用合加速度、豎直方向的加速度和三軸姿態角度構建特征向量可以使得判斷更為合理和精確。

其中X，Y分別表示兩個數據樣本，Xi表示X的第i個樣本，Yi表示Y的第i個樣本，cov表示協方差，E表示期望值，μ表示均值，σ表示標準差。

（4）為減少跌倒檢測中的誤報，本文引入基于反饋的訓練機制，即當檢測到正常行為被誤判為跌倒行為時，系統會把本次數據加入到日常行為數據集中，形成新的數據集。

3 實驗

3.1 實驗條件

為了驗證本研究的有效性，本文進行了相關實驗。首先利用3臺服務器搭建了3個節點的Hadoop大數據平臺，然后實現平臺和手機的交互，手機為三星Note6，最后將手機置于人體腰間。實驗對象2人，實驗者1：女，23歲，身高162cm，體重53kg；實驗者2：男，26歲，身高176cm，體重65kg。兩人分別進行了向前摔倒100次、向后摔倒100次、左側摔倒100次、右側摔倒100次，日常行為活動600次（時間跨度為5天，每天的數據樣本都在前一天的基礎上增加）。

根據上述表2～表6以及圖2～圖4，可以發現，同一實驗者跌倒檢測的準確度、靈敏度、特異度會隨著天數（訓練數據樣本）的增加不斷提高，從而驗證了本研究的有效性和正確性。

4 結語

本文提出了一種基于大數據平臺的人體跌倒檢測方法。利用大數據平臺存儲和機器學習方法，對日常活動樣本以及跌倒樣本進行學習，確定合理的分類器。經過實驗發現本文具有以下優點：采用樸素貝葉斯算法和期望最大化算法，避免了因初始特征向量數據樣本較少而無法建立分類器的情況，提高了初始跌到檢測準確率；采用計算相似度度量的方法，對特征向量數據樣本進行相似性判斷，只有樣本不相似時，分類器才會作出調整。后續將增加跌倒數據集進行更深層的性能評測，同時與現有跌倒方法作對比以進一步優化該方法。

參考文獻：

[1]RASHIDI P，MIHAILIDIS A.A survey on ambient-assisted living tools for older adults[J].IEEE journal of biomedical and health informatics，2013，17（3）：579-590.

[2]NOURY N，FLEURY A，RUMEAU P，et al.Fall detection-principles and methods[C].International Conference of the IEEE Engineering in Medicine & Biology Society IEEE Engineering in Medicine & Biology Society Conference.2007：1663-6.

[3]NGO Y T，NGUYEN H V，PHAM T V.Study on fall detection based on intelligent video analysis[C].The 2012 International Conference on Advanced Technologies for Communications.2012：114-117.

[4]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.

[5]席旭剛，武昊，左靜，等.基于 sEMG 與足底壓力信號融合的跌倒檢測研究[J].儀器儀表學報，2015，36（9）：2044-2049.

[6]石欣，張濤.一種可穿戴式跌倒檢測裝置設計[J].儀器儀表學報，2012（3）：575-580.

[7]李文鋒，姚丙盟.基于單三軸加速度傳感器的人體活動狀態識別[J].華中科技大學學報 ：自然科學版，2016（4）：12.

[8]羅丹，羅海勇.基于隨機森林的跌倒檢測算法[J].計算機應用，2015，35（11）：3157-3160.

[9]石棟，張克華，徐彪.獨居老人云智能跌倒實時檢測系統的開發[J].計算機工程與應用，2016，52（19）.

[10]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.

（責任編輯：陳福時）