基于人體加速度多特征融合和K 近鄰算法的跌倒檢測①

華仙，席旭剛

1.金華市人民醫院，浙江金華市321000；2.杭州電子科技大學智能控制與機器人研究所，浙江杭州市310018

隨著人口老齡化不斷加劇，動態監測老年人活動狀態已成為多學科研究的一個突出領域[1-3]。根據美國疾病控制和預防中心調查，65歲及以上老年人中，近30%經常發生意外跌倒。跌倒會對老年人心理和身體產生負面影響[4]，導致嚴重傷害，甚至增加老年人死亡率。有過跌倒經歷的老年人因害怕發生跌倒，而不愿意外出走動，變得不活潑，與社會隔離。活動量的減少導致跌倒風險增加。此外，老年人因跌倒造成的傷害消耗家庭收入和社會醫療資源，加劇社會負擔[5]。開發一種關于老年人和其他病患者的自動跌倒檢測系統已被廣泛研究[6-7]。

近年來許多學者提出可穿戴式傳感器的跌倒檢測方法[8]，它的優點是價格低廉，不受環境限制。多數研究者用加速度計，將X、Y、Z軸的加速度值、信號幅度向量、信號幅度域、角加速度等參數作為特征進行跌倒檢測研究[9]。

本研究提出一種基于人體加速度多特征融合和K近鄰(K-nearest neighbor,KNN)機器學習的跌倒檢測算法，旨在探索一種有較高敏感性、特異性以及檢測速度的跌倒檢測算法。

1 對象與方法

1.1 研究對象

2017年9月至11月，身體健康的3例男性在讀研究生，年齡(24±3)歲，體質量(65±5)kg，身高(170±5)cm，以及3例女性在讀研究生，年齡(22±2)歲，體質量(48±3)kg，身高(162±3)cm，共6例志愿者參與檢測，地點為杭州電子科技大學智能仿生假肢實驗室。

參照文獻[10]中的指導原則設計跌倒實驗。通過繃帶將兩個無線加速度傳感器固定在實驗者前胸部和后腰部正中。加速度傳感器對應量程為±6 g，大小49×38×19 mm。根據人體實際運動的頻率設置采樣頻率為50 Hz。每例志愿者檢測前先校準傳感器，捕獲并記錄X、Y、Z軸的原始運動數據，通過藍牙將數據傳輸到上位機軟件，上位機軟件記錄并保存原始運動數據。

跌倒檢測包括13個跌倒動作和11個日常活動動作。見表1。6例志愿者每個動作重復10次為1次實驗記錄。因此1次實驗數據集由780個跌倒動作和660個日常動作構成。

1.2 方法

腰部加速度傳感器輸出的總加速度信號：

其中，Ax、Ay、Az分別是X、Y、Z軸的加速度信號。

找到每個傳感器Aw峰值對應時刻，記錄該時刻前后各2 s區間內的信號共201個采樣點。每次檢測數據由201×6矩陣構成，每列數據由N×1向量s=[s1,s2,…,sN]T(N=201)構成。提取的特征參數包括最小值、最大值、均值、方差、偏度系數、峰度系數、自相關序列的前11個值和離散傅里葉變換(Discrete Fourier Transformation,DFT)的前5個峰值和相應的頻率值。

表1 檢測的跌倒和日常活動動作

其中

從24×6×10=1440次實驗數據中提取特征。前6個特征是每個傳感器每軸的最小值、最大值、均值、方差、偏度系數和峰度系數，3軸共18個特征參數；自相關函數產生33個(3軸×11個參數)特征參數，DFT產生5個頻率值和5個幅度值，共30個特征參數。因此每個傳感器單元共81個特征參數，每次實驗共產生162維特征參數向量。

由于原始特征參數集較大，其中的一些特征參數對區分跌倒與日常活動作用較弱，為了減少分類訓練集和測試集的計算復雜度和運行時間，采用主成分分析法(Principle Component Analysis,PCA)將特征向量降到12維。原始特征向量減少的維數由原始特征向量的協方差矩陣對應的特征值決定。經PCA投影后的特征值對應的主成分累計方差占總方差98.34%，對應的特征向量構成轉移矩陣。

將12維特征向量輸入改進的KNN分類器進行跌倒和日常動作識別。改進的KNN分類器設計如下。

①通過聚類在跌倒和非跌倒兩類中各搜索到N個樣本點，構成訓練樣本簇。

xi為第i個樣本點的12維特征向量，l=1為跌倒，l=2為非跌倒，di為該類的中心向量，Nl為該類的樣本點總數。

③計算每個樣本點模糊熵Hi，

1.3 評價指標

計算敏感性、特異性和準確性，并與支持向量機(Support Vector Machine,SVM)分類器結果進行比較。

2 結果

KNN比SVM有更好的分類精確度和計算時間。見表2。

表2 分類結果

KNN識別敏感性100%，特異性99.76%，6次實驗記錄的分類識別結果類似，算法有較好的重復性、魯棒性。見表3。

表3 6次實驗分類結果

3 討論

跌倒檢測方法主要有視頻分析、環境感知和穿戴式傳感器。

視頻分析系統在固定區域安裝攝像頭，通過計算機視覺分析系統判定人體姿態。Soran等[11]結合單個多視角相機和多個靜態相機，進行行為感知與跌倒判別研究。Sevrin等[12]提出一種優化深度相機校準的方法，創建基于低成本深度攝像機(Kinect)的室內定位系統。該系統有助于監測人們在家中的行為，防止殘疾人或老人、小孩發生跌倒等事件。Staranowicz等[13]提出一種基于Kinect機器人系統，準確監測日常生活中的人類步態。基于視覺的跌倒檢測方法受光照條件、安裝位置和角度、遮擋等諸多因素限制，且對用戶的隱私侵入性較強。

環境感知跌倒檢測系統將紅外傳感器和聲傳感器等放在環境中用于跌倒檢測。Vuegen等[14]使用低功耗無線聲學傳感器網絡，觀察老年人日常生活(如飲食、保持個人衛生、如廁等)的相關活動。Siantikos等[15]提出利用音頻信息識別日常生活活動的框架。基于環境傳感器的方法可以有效獲取人體運動信息，缺點是場所固定且安裝較為繁瑣。

閾值法和機器學習是兩種常用的可穿戴式加速度傳感器跌倒檢測方法[16]。閾值法通過傳感器輸出的特定參數值辨識跌倒[17]。基于閾值的跌倒檢測方法有較高的敏感性，但特異性較低[18]。基于閾值的跌倒檢測方法容易實現，計算效率高，但對不同個體的容錯能力差，跌倒檢測精度低。

基于機器學習的跌倒檢測算法，用多種類型跌倒和日常活動對機器進行算法訓練，然后通過對一系列活動的分類結果評估機器學習算法的分類效率。常用的機器學習算法包括KNN[19]、SVM[20]、高斯聚類分布[2]、決策樹[21]和隱馬爾科夫模型[22]等。已有研究運用加速度信號，借助SVM、模糊神經網絡等分類器，使日常行為的識別率達90%以上[23-25]。

本研究采用可穿戴的加速度傳感器檢測跌倒，具有穿戴方便、價格低廉、不受環境限制的優點；提出一種基于人體加速度多特征融合和KNN機器學習的跌倒檢測算法，敏感性100%，特異性99%以上，比閾值法有更高的識別準確度。算法的應用可以實現跌倒后的及時就醫，提高安全性、獨立性，提高經常發生跌倒的高危人群的生活質量，有助于降低醫療保健成本。該算法很容易嵌入到便攜可穿戴設備，試制的可穿戴跌倒檢測儀已在金華市人民醫院試用。

下肢日常運動非常復雜，本研究選擇日常生活中頻度最高的動作進行測試，其他下肢動作有待進一步驗證。出于安全考慮，實驗通過健康人完成，在運動功能損傷患者中是否同樣有效，也需要進一步驗證。