基于SVM和閾值分析法的摔倒檢測系統

陳 瑋 周 晴 曹桂濤

1(華東師范大學教育信息技術學系 上海 200062)2(上海浦東發展銀行上海分行 上海 200000)3(華東師范大學計算機科學與軟件工程學院 上海 200062)

?

基于SVM和閾值分析法的摔倒檢測系統

陳 瑋1周 晴2曹桂濤3*

1(華東師范大學教育信息技術學系 上海 200062)2(上海浦東發展銀行上海分行 上海 200000)3(華東師范大學計算機科學與軟件工程學院 上海 200062)

隨著我國人口老齡化的快速發展，老年人口呈現出高齡化、空巢化的趨勢。當老年人在家中發生意外跌倒而未能及時獲得救助時，會給老年人造成嚴重的身心傷害。針對這個問題，設計并實現老年人摔倒檢測系統。 該系統以嵌入式微處理器K60核心開發板作為處理內核，加速度傳感器MMA7660FC采集人體三軸加速度信息，ENC-03陀螺儀采集兩軸角速度信息。通過基于支持向量機(SVM)和閾值分析法的摔倒檢測算法判斷是否摔倒，在摔倒時能自動地發送摔倒報警信息。實驗結果表明，系統能有效地區分摔倒和其他日常生活行為，算法準確度高、實時性高。

加速度傳感器 陀螺儀 支持向量機 閾值分析法 摔倒檢測

0 引 言

當前我國人口老齡化、高齡化、空巢化、獨居化趨勢延續，針對老年人的照料和護理問題就顯得日益突出。而在所有關心的問題中，其中一個關鍵的問題是如何預防和及時發現老人摔倒等意外事故。相關研究表明，摔倒會給高齡者的生理和心理上帶來不同程度的傷害，盡管有時跌倒不會使人受傷，但是如果沒有及時發現并救助，47%的跌倒者無法自己站立起來，而且這段不能移動的時間會給他們的健康帶來傷害[1]。如果能及時發現老年人的摔倒并進行及時有效的救護，就會大大降低摔倒對老年人的傷害，并減輕家庭的醫療費用負擔及國家的醫療資源壓力。目前，研究開發的摔倒檢測系統方面的技術有以下幾種：① 基于視頻圖像的摔倒檢測，基于視頻圖像分析，雖然這種技術的準確度高，但是這種檢測設備成本花費高，適用于范圍小的居家環境，容易牽扯隱私問題[2]； ② 基于手機傳感器的摔倒檢測，基于手機自帶加速度傳感器和方向傳感器，雖然攜帶方便，但是需要經常充電，才能夠滿足長時間的摔倒檢測[3]；③ 基于聲頻信號的摔倒檢測，只適用于安靜、范圍小的居家環境，受外界噪聲影響明顯，如果地板鋪上了毛毯，那么將不容易辨別聲頻信號的差別，通用性弱[4]；④ 基于可穿戴式傳感器的摔倒檢測，通過傳感器獲取人體運動信息數據[5-6]，該技術不易對使用者的日常生活造成干擾，實時性和準確度高，已經成為目前研究的趨勢。通常使用的傳感器是三軸加速度傳感器，例如安徽理工大學的學者提出的基于三軸加速度傳感器的老人摔倒檢測[7]和安徽工業大學的學者提出的基于MMA7660加速度傳感器的老人跌倒檢測裝置[8]都僅是選用加速度傳感器獲取摔倒特征數據，存在容易將坐下、蹲下、上下樓等這系列動作劇烈的日常活動誤判為摔倒的問題。最近“一種六軸運動處理組件的老人跌倒檢測裝置”技術被提出，蘭州理工大學的學者運用一種新型的 MEMS 傳感器 MPU6050，它整合了三軸陀螺儀和三軸加速器能同時對三軸加速度及三軸角速度進行檢測[9]。然而沒有將人體摔倒過程中的身體姿態的改變過程作為摔倒判斷特征，容易造成將人快速躺下等日常活動行為誤判為摔倒的情況。北京工業大學的學者提出了基于三軸加速度傳感器及陀螺儀的老年人摔倒識別，其中基于閾值分析法的摔倒識別算法將特定部位的合加速度和豎軸偏離的合偏轉角作為摔倒識別的閾值[10]。但是人體運動行為過程中具有一定程度的復雜性與隨機性，僅僅是采取單一的加速度值作為判斷人體首次摔倒撞擊和撞擊結束的運動行為閾值，容易造成誤判，而且沒有體現人體摔倒過程中角速度產生峰值這個特點。

針對上述問題，大多數誤判樣本中的瞬時線速度與摔倒樣本相當，但是其角速度的峰值點存在較大的差值。所以本文進行了基于三軸加速傳感器和兩軸角速度傳感器的摔倒檢測系統的硬件設計，選取人體質量分布中占據大比例且活動頻繁的上軀干腰間部位作為設備佩戴位置，盡可能地減少對用戶平日生活活動的干擾。并提出了支持向量機(SVM)和閾值分析法的摔倒檢測算法，將人體三軸合加速度、兩軸合角速度和軀干偏離豎直方向的傾斜角作為摔倒行為判斷閾值。實驗結果顯示，該檢測系統實時性好、檢測精度高，能準確地區分摔倒和其他日常生活行為，當檢測到摔倒時，會自動發送摔倒報警信息，并且一定程度上成功避免了上述的誤判情況。

1 摔倒檢測系統設計

1.1 系統結構

摔倒檢測系統的硬件由三軸加速度值采集模塊、兩軸角速度值采集模塊、數據處理模塊、無線數據傳輸模塊組成，三軸加速度值采集模塊通過加速度傳感器獲取人體上軀干部位的繞X、Y、Z軸的加速度變化數據，兩軸角速度值采集模塊通過角速度傳感器獲取以人體豎直方向為軸繞前后左右的兩軸的角速度變化數據。數據處理模塊將采集到的加角速度值進行數據解析，結合摔倒檢測算法判斷是否摔倒，如果判斷為摔倒則通過無線數據傳輸模塊將摔倒報警信息發送到附近醫院和家屬的手機上，系統結構圖如圖1所示。

圖1 系統結構圖

根據圖1的系統結構，搭建出硬件開發平臺如圖2所示，開發出的可穿戴式摔倒檢測系統信息采集端佩戴在人體腰部如圖3所示。

圖2 硬件開發平臺

圖3 摔倒檢測系統信息采集端

1.2 三軸加速度值采集模塊

本文采用三軸加速度傳感器MMA7660FC采集人體運動狀態下的三軸加速度，檢測出傾斜、運動、定位、振動和撞擊力下產生的變化，輸出人在運動情況下產生的X、Y、Z三軸加速度信息。MMA7660FC是通過12C數字輸出結果的，其輸出的格式是X、Y、Z三軸各輸出一個6位數字，表示當前測量得到的加速度值。

1.3 兩軸角速度值采集模塊

為采集兩軸角速度值的信息和變化情況，本文選擇ENC-03陀螺儀，輸出模擬電壓信號。電壓值與角速度值成正比關系，靜止時ENC-03RC OUT引腳輸出電壓是1.35 V，單位角加速度對應的電壓變化：0.67 mv/deg/sec,陀螺儀每秒向正方向偏轉1度，則輸出電壓會加上0.67 mV，每秒向負方向偏離1度，則輸出電壓需減掉0.67 mV。所以在計算陀螺儀數據的時候，利用下列公式來計算角速度：

(1)

其中V代表陀螺儀的輸出電壓，V0表示陀螺儀靜止時輸出電壓1.35 V，計算得出的角速度單位是deg/s。

1.4 無線數據傳輸模塊

為了實現報警信息的傳輸和嵌入式設備通過UART 接口與WIFI網絡中的設備進行數據交換。本文選用ST-MW-08S芯片，其UART接口最高頻率達到115 200 B，并且有可編寫程序來操控的透明串口，用于數據傳輸；有簡單數據傳輸模式，即UDP 數據傳輸模式；也有可靠數據傳輸模式，即TCP 服務器模式和TCP 客戶端模式，100%保證數據在網絡中的可靠傳輸，無線數據傳輸模塊是通過UART協議來發送警告信號。

1.5 數據處理模塊

數據處理模塊采用的主控模塊是Freescale的K60開發板。K60開發板搭載ARM Cortex-M4處理器，32位ARM Cortex-M4內核，2個I2C總線接口等多種串口，外設包含了8-12位ADC單元，USART接口等多種總線接口，還有標準的JTAG測試/調試接口。陀螺儀和三軸加速度傳感器分別通過ADC接口和I2C接口與微處理器通信。實現數據處理模塊的軟件環境是IAR Embedded Workbench for ARM 6.30，在該開發環境下，編寫程序用于加速度傳感器MMA7660FC、ENC-03陀螺儀采集數據的解析、校準，以及實現摔倒檢測算法和摔倒報警信息發送程序。然后通過JTAG仿真器J-Link下載到K60開發板，識別人體摔倒和發送摔倒報警信號，圖4給出了K60開發板同無線數據傳輸模塊、各個傳感器的電路連接圖[11]。

圖4 電路連接圖

2 摔倒檢測算法設計

本文的摔倒檢測算法如圖5所示。

圖5 摔倒檢測算法流程

具體的步驟如下：

(1) 系統進行初始化，讀取當前時刻t的人體三軸加速度值、兩軸角速度值，并計算這些時刻的合加速度值Vt、合角速度值St和t-1、t時刻的人體傾斜角度Wt-1、Wt。定義兩個數據存儲空間F1和F2，F1以滑動窗口的方式存儲從當前時刻t開始的連續三個采樣時間的合加速度值，F2以滑動窗口方式存儲當前時刻t的合角速度值和t-1、t時刻的傾斜角度,即F1={Vt,Vt+1,Vt+2},F2={St,Wt-1,Wt}。當采集到新的數據時，滑動窗口向前移動，釋放最早的數據存儲空間，存儲新的數據。

(2) 將當前的存儲數據空間F1作為特征樣本，通過支持向量機檢測該時刻是否發生摔倒事件，如果判斷為摔倒行為類別，則進入下一個步驟，如果判斷為其他平日活動行為類別，則返回步驟(1)。

(3) 讀取當前的存儲數據空間F2的合角速度值St，同摔倒合角速度閾值進行比較，如果大于閾值，則進入下一個步驟，否則返回步驟(1)。

(4) 獲取當前時刻t1上一個采樣時間的人體傾斜角度Wt1-1。

(5) 繼續檢測當前時刻t1下一個采樣時間的合角速度值，即是St1+1，然后和摔倒合角速度閾值進行比較，用以判斷人體是否還處于撞擊狀態，如果St1+1大于摔倒合角速度閾值，說明撞擊還未結束，繼續步驟(5)檢測，否則進入下一個步驟。

(6) 如果撞擊結束,記錄首次撞擊結束的時刻Z,信息獲取過程繼續，繼續讀取Z時刻下一個采樣時間的人體傾斜角度Wz+1。

(7) 假如Wz+1大于人體摔倒傾斜角度閾值而且Wt1-1小于或者等于人體摔倒傾斜角度閾值，那么判斷摔倒事件發生，否則返回步驟(1)繼續檢測。

2.1 基于支持向量機的摔倒檢測

本文通過支持向量機(SVM)把人體平日活動的行為過程與人體摔倒過程區分出來[12]：運用支持向量機構造分類器將訓練樣本集分為如下HF和HS兩類互不相交的集合，其中HF∩HS=φ，其中φ為空集。

HF:摔倒行為類別數據樣本集，由150次摔倒行為過程(包括向前摔倒、向后摔倒、向左摔倒、向右摔倒、行走過程中摔倒)數據樣本組合而成。

HS:其他平日活動行為類別數據樣本集，由200次平日活動過程(包括行走、跑步、蹲下、坐下、下樓)數據樣本組合而成。

區分摔倒行為過程與其他平日活動行為過程的特征之一是人體在摔倒的過程中撞擊低水平平面或者地面產生的加速度峰值。因而首先獲取摔倒行為類別數據樣本集HF里各個數據樣本的三軸加速度，然后計算出合加速度，計算公式如下，其中a、b、c分別為X、Y、Z軸加速度。

(2)

如果人失重后跌倒在地面上受到的沖擊是振動型的，那么可能會出現多個合加速度峰值，摔倒過程可能歷經1～3秒鐘。所以然后從各個數據樣本的合加速度篩選中合加速度峰值Vt1，并取得峰值點的連續三個時間段的合加速度值{Vt1,Vt1+1,Vt1+2}，將其記錄為Hb。接著計算其他平日活動行為類別數據樣本集的合加速度，然后從各個數據樣本的合加速度篩選中合加速度峰值Vt2，并取得峰值點的連續三個時間段的合加速度值{Vt2,Vt2+1,Vt2+2}，將其記錄為Hc，因為是分別從兩類樣本HF和HS篩選出Hb和Hc，所以它們兩者之間是獨立的。假設Hb和Hc是線性可分的，那么可以通過SVM方法確定出最優分類界面[13]，但是如果這兩類數據是非線性可分的，首先將原始空間數據映射到特征空間，然后選擇合理的核函數之一，本文選擇多項式核函數。

2.2 基于兩軸合角速度閾值的摔到檢測

在區分摔倒和平日活動過程中線加速度的變化特征，運用基于支持向量機的方法基本準確,但是人在快速蹲下、坐下等過程中，合加速度峰值可能接近甚至等同于摔倒的合加速度峰值，因此僅是基于支持向量機方法的摔倒判定是不夠的。摔倒情形下加速度和角速度的峰值振幅比較明顯，實驗表明蹲下、坐下等一系列平日活動合角速度最大值也不會超過56 deg/s，而跌倒時合角速度最大值一般都超過62 deg/s。摔倒的時候人體胸腰部位偏離與地面垂直方向的俯仰角、側傾角角速度(Sx,Sy)的峰值振幅發生明顯變化。所以在支持向量機方法的基礎上增加閾值分析方法,取兩軸合角速度作為判斷摔倒的閾值，合角速度公式如下：

(3)

首先依據摔倒行為類別數據樣本集HF計算和篩選出合角速度峰值Smax，并記錄為集合Lmax，給定樣本數據集合為{Qi}。接著根據其他平日活動行為類別數據樣本集HS計算和篩選出合角速度峰值Rmax，并記錄為集合Pmax，假設集合Lmax和集合Pmax線性可分，那么可以通過SVM方法確定出最優分類界面，集合Lmax類中元素和集合Pmax類中的元素皆為合角速度值，計算出最優分類超平面為：Q=62 deg/s，即人體摔倒合角速度閾值的取值是62 deg/s。

2.3 基于人體傾斜角度閾值的摔倒檢測

在集合Lmax和集合Pmax非線性可分的情況，即人在進行快速行走、跑步、快速下樓等劇烈活動的過程，合角速度峰值有可能等同于或甚至超過人體摔倒過程中合角速度峰值，而且也沒有體現人體在摔倒過程中傾斜角度比較大的特點[13]。所以在基于支持向量機和人體合角速度閾值判斷的摔倒識別方法基礎上，加上人體傾斜角度(身體軀干相對于地面垂直方向的角度)閾值判斷方法，它是檢測摔倒方面的一項重要依據，計算公式如下：

(4)

其中a(t)、b(t)、c(t)是t時刻的X、Y、Z軸上的加速度值，G為重力加速度。

如摔倒合角速度閾值的計算方法一樣，計算出人體摔倒傾斜角度閾值是60度。

3 實 驗

為了驗證摔倒檢測系統和算法的準確性和可靠性，本次研究請了五名青年在日常生活模擬的情境內做了前向行走、跑步、坐下、蹲下、快速上樓和下樓、向前摔倒、向右摔倒、左側摔倒、右側摔倒、行走過程中摔倒等一系列實際應用場景的動作檢測。為了驗證摔倒檢測算法的準確性，本文選擇了精確度指標[14]，用來檢驗摔到和非摔倒動作的識別率，最后的計算結果都達到100%。出于安全考慮，本實驗未請老年人參與實驗。

3.1 摔倒相似動作檢測

坐下、蹲下這些日常動作和摔倒動作類似，以蹲下活動場景為例，圖6是蹲下過程中傳感器獲取的數據信息結果圖，其中采樣頻率是每秒5個樣本。為了更好地顯示動作變化特征，選取時間長度為10秒的采樣數據，加速度值單位是G，角速度值的單位是deg/s。從圖中可以看出，當人蹲下的時候，會導致人體線加速度曲線振幅，傳感器數據發生明顯變化，有時候在蹲下的過程中瞬間的合加速度幾乎屬于摔倒過程的合加速度數據類別，即使蹲下動作場景能順利地進行到本文提出的摔倒檢測算法里的步驟(3)。但從圖中可以看出蹲下的過程中X、Y軸的角速度峰值的絕對值都不超過70 deg/s，所以當進行到算法中步驟(3)，判斷此場景的合角速度不超過摔倒合角度閾值62 deg/s，返回算法步驟(1)，無法檢測為摔倒事件。這個蹲下行為過程說明了摔倒檢測算法的準確性。

圖6 蹲下實驗結果圖

3.2 快速動作檢測

快速下樓、快速向前行走、跑步都是平日活動場景，以快速下樓場景為例，圖7是快速下樓過程中傳感器數據的變化圖。快速下樓這種劇烈運動的合加速度、合角速度有可能超過摔倒時的線加角速度。從獲取的信息數據圖可以看出，合加速度峰值屬于摔倒過程的合加速度數據類別，合角速度峰值是63.63 deg/s超過了本文算法設定的合角速度閾值62 deg/s，即使快速下樓的動作場景能順利地進行到本文提出的摔倒檢測算法里的步驟(6)，但是計算得到的身體軀干傾斜角不滿足摔倒行為的傾斜角判斷標準，所以無法判斷為摔倒事件。這個快速下樓的行為過程也說明了摔倒檢測算法的準確性。

圖7 快速下樓實驗結果圖

3.3 不同方向摔倒檢測

向前摔倒、向后摔倒、左側摔倒、右側摔倒、行走過程中前向摔倒都是摔倒場景，以行走過程中前向摔倒為例，圖8是人行走過程中前向摔倒時的傳感器獲取數據信息結果圖。根據上述摔倒檢測算法，行走過程摔倒的合加速度峰值點的連續三個采樣時間段的合加速度值屬于基于支持向量機方法劃分出的摔倒特征樣本。合角速度峰值超過算法設定的摔倒合角速度閾值，沖擊結束后人體傾斜角度等于76度，超過摔倒檢測算法設置的人體摔倒傾斜角度閾值60度，故系統判斷為摔倒事件發生，并發出警報信號。

圖8 行走過程前向摔倒實驗結果圖

4 結 語

本文進行了基于三軸加速傳感器和兩軸角速度傳感器的摔倒檢測系統的硬件設計，并設計與實現支持向量機(SVM)和閾值分析法的摔倒檢測算法。對人體日常行為和向前摔倒、向后摔倒、向左摔倒、向右摔倒、行走過程中摔倒等一系列活動場景進行實驗檢測。實驗結果表明，該系統能準確地區分摔倒和其他日常生活行為。當檢測到摔倒時，系統自動發送摔倒報警信息，并且一定程度上避免了引言中提到的誤判情況，證明了本摔倒檢測系統可靠性高、算法準確度高。此系統適用于獨居老人，它對于應對獨居老人數量及其日常護理需求日益增多的形勢具有重要的現實意義。

[1] 李婷.養老院老人跌倒相關知識認知的調查研究[D].沈陽:中國醫科大學,2013.

[2] Vaidehi V, Ganapathy K, Mohan K, et al. Video based automatic fall detection in indoor environment[C]// International Conference on Recent Trends in Information Technology. IEEE, 2011:1016-1020.

[3] Cheng W C, Jhan D M. Triaxial accelerometer-based fall detection method using a self-constructing cascade-adaBoost-svm classifier[J]. Biomedical & Health Informatics IEEE Journal of, 2013, 17(2):411-419.

[4] Zigel Y, Litvak D, Gannot I. A method for automatic fall detection of elderly people using floor vibrations and sound-proof of concept on human mimicking doll falls[J]. IEEE Transactions on Biomedical Engineering, 2009, 56(12):2858-2867.

[5] Chen J, Kwong K, Chang D, et al. Wearable sensors for reliable fall detection[C]// Engineering in Medicine and Biology Society, 2005. Ieee-Embs 2005. International Conference of the. IEEE, 2005:3551-3554.

[6] Maglogiannis I, Ioannou C, Tsanakas P. Fall detection and activity identification using wearable and hand-held devices[J]. Integrated Computer Aided Engineering, 2016, 23(2):161-172.

[7] 崔英輝,詹林. 基于三軸加速度傳感器的老人摔倒檢測[J]. 現代電子技術,2013,36(3):130-132.

[8] 章小兵,祝寅. 基于MMA7660加速度傳感器的老人跌倒檢測裝置[J]. 中國新通信,2013(1):71-72.

[9] 李戰明,王曉萌. 基于新型MEMS傳感器的老年人跌倒檢測系統設計[J]. 工業儀表與自動化裝置,2013(4):52-55.

[10] 吳天昊.基于3軸加速度傳感器及陀螺儀的老年人摔倒識別[D].北京工業大學,2013.

[11] 周晴.人體運動檢測系統設計與摔倒預測方法研究[D].華東師范大學,2014.

[12] Marseguerra M. Early Detection of gradual concept drifts by text categorization and support vector machine techniques: the trio algorithm[J]. Reliability Engineering & System Safety, 2014, 129:1-9.

[13] 佟麗娜. 基于力學量信息獲取系統的人體摔倒過程識別方法研究[D].中國科學技術大學,2011.

[14] Noury N, Fleury A, Rumeau P, et al. Fall detection - principles and methods[C]// Conference: International Conference of the IEEE Engineering in Medicine & Biology Society IEEE Engineering in Medicine & Biology Society Conference. 2007:1663-1666.

FALL DETECTION SYSTEM BASED ON SVM AND THRESHOLD ANALYSIS

Chen Wei1Zhou Qing2Cao Guitao3*

1(DepartmentofEducationInformationTechnology,EastChinaNormalUniversity,Shanghai200062,China)2(ShanghaiBranch,ShanghaiPudongDevelopmentBank,Shanghai200000,China)3(SchoolofComputerScienceandSoftwareEngineering,EastChinaNormalUniversity,Shanghai200062,China)

With the rapid development of aging population, China’s population gradually shows the trend of aging and empty nest phenomenon. Once if the aged fall to the ground, they haven’t been discovered soon enough and take reasonable measures immediately; it would bring serious physical and psychological harm to them. In order to solve this problem, we design and implement the fall detection system for the elderly. The system uses the embedded microprocessor K60 core development board as the processing core, the accelerometer MMA7660FC collects the three-axis acceleration information of human body, and the ENC-03 gyroscope gathers the angular velocity information of the two axes. A fall detection algorithm based on SVM and threshold analysis is used to judge whether the old man falls down or not, and it can automatically send the falling alarm information when falling. Experimental results show that the system can effectively distinguish between falls and other daily life behaviour. The algorithm has high accuracy and high real-time performance.

Accelerometer Gyroscope Support vector machine Threshold analysis Fall detection

2016-07-16。國家重點基礎研究發展計劃項目(2011CB707104)。陳瑋，碩士生，主研領域：嵌入式系統設計和模式識別。周晴，碩士生。曹桂濤，副教授。

TP391.4

A

10.3969/j.issn.1000-386x.2017.07.034