基于慣性傳感器的老年人姿態監測裝置設計*

吳聰，張坤，楊立才

(山東大學控制科學與工程學院，濟南 250061)

1 引 言

老年人由于運動能力和平衡感知能力的衰退，易受跌倒、久坐不起等異常狀態的影響。為此，設計和開發一種具有有效的姿態監測、并能夠實現異常狀態遠程報警及事故發生地定位等功能的老年人姿態檢測裝置，具有重要的社會意義和應用價值。

根據應用的特征參數和技術的不同，針對跌倒等異常狀態的檢測方法主要有基于視頻圖像的跌倒檢測方法、環境式跌倒檢測方法和基于穿戴式裝置的跌倒檢測方法[1]。

王亞飛[2]、劉非非[3]、汪大峰[4]等人都通過實驗研究證明了基于視頻圖像檢測跌倒狀態的可行性。此類方法通常采集多維信號，運用模式識別的分類方法對樣本動作進行訓練并提取閾值，準確度較高，不足之處在于它計算量大，只適用于居家及固定場所監測，不能保證用戶的隱私安全并且視頻圖像的質量受光線等環境影響較大。

李云[5]、Ariani[6]等人基于聲源信號、壓力信號等位置固定的傳感器信息進行了環境式跌倒檢測的研究。此類方法是將各類傳感器固定在人體活動的區域內，實現對人體的運動信息進行采集處理，其優勢在于無需穿戴，對用戶影響較小且不涉及隱私問題，但使用區域具有局限性，并且成本較高。

基于穿戴式裝置的跌倒檢測方法具有計算量小、成本低，易于工程實現，且不存在暴露用戶隱私、不受環境及應用場景的制約等特點，特別適合于社區、家庭等日常環境下老年人的姿態監測，匹配無線通信與定位等功能，還可實現異常狀態遠程報警及事故發生地定位，是目前跌倒等異常狀態的檢測研究的主要方向[7]。

基于上述背景，結合社區及居家養老發展的需求，本研究設計并實現了一種穿戴式人體姿態監測裝置，該裝置基于慣性測量單元，佩戴于使用者腰部，不僅可以及時檢測跌倒等異常狀態，還可對人體日常姿態及位置信息進行連續監測并統計步數信息，通過GPRS網絡向服務器端上傳數據，能準確識別行走、坐/站、跌倒和躺等多種姿態。裝置中還加入了語音播報功能，可以播報服務器端推送的子女問候信息、天氣預報等語音消息，為佩戴者提供生活指導和精神慰藉。經試驗驗證，該裝置可準確識別跌倒等異常狀態并及時發出報警信息，對佩戴者的姿態和位置信息能進行連續有效的監測。看護人員可遠程實時了解老年人當前所處狀態并及時發現異常，有效減輕了看護人員的壓力，降低了跌倒等異常狀態對老年人的危害，對老年人的身心健康實現全方位的呵護，為居家養老等應用提供了一種可行的解決方案。

2 系統設計

本研究設計實現了姿態監測裝置的樣機，樣機主電路見圖1。

2.1 系統硬件設計

硬件部分由電源模塊、微控制器、GPS/GPRS模塊、語音合成播報模塊及慣性測量單元組成，系統硬件連接原理框圖見圖2。

圖1 裝置主電路

圖2 系統硬件原理框圖

微控制器采用ARM內核的STM32F103T8U6嵌入式MCU作為系統的主控，控制各功能單元協調工作，具有低功耗高性能的優勢。

慣性測量單元由MPU6050和QMC5883構成的九軸慣性傳感器組成，可檢測人體加速度和角速度參數，通過I2C總線與MCU通訊，經姿態解算獲取人體姿態角。

語音合成播報部分由語音合成芯片SYN6288以及功放芯片SNAP01組成，通過串口與MCU通訊，接收特定格式的待合成信息，將其合成聲音信號并送給功放模塊，可以播報服務器推送的天氣、提醒、問候等語音消息。

GPS/GPRS部分采用了移遠MC20模塊，支持衛星定位及基站定位。MCU通過AT指令完成對該模塊的控制。系統通過該模組將位置信息及姿態信息上傳服務器。

2.2 系統軟件設計

系統軟件采取模塊化設計的思想，軟件流程見圖3。

圖3 軟件流程圖

系統上電后,首先進行一系列初始化工作,初始化對象為傳感器、GPRS/GPS模塊及MCU的串口。然后進入主循環，每隔30 ms采集一次傳感器數據，據此計算姿態角，并將傳感器數據以及解算得到的姿態角放入隊列。當隊列滿時，進行姿態判別，并更新表征姿態的全局變量。當姿態判定為跌倒狀態時，立即向服務器上報跌倒狀態。

軟件設計加入了10 s的定時器中斷，當定時時間到，自動上報當前姿態、步數、位置信息。在中斷處理過程中，檢索串口緩沖區中是否有服務器端推送來的語音信息，如果有，則進行語音播報。

3 姿態檢測算法設計

本研究基于慣性測量單元，融合多傳感器數據，利用四元數法進行姿態解算，得到人體姿態角，以多種運動狀態下的特征為依據，結合實驗獲得的預設閾值，進行姿態判別。

3.1 人體姿態角解算

姿態解算常用的算法有歐拉角法、方向余弦法以及四元數法。與其他方式相比，四元數法無奇點，計算量小，被廣泛應用于運動控制系統的實時姿態解算[8]。

本系統通過采集陀螺儀的原始數據，根據歐拉角與四元數解算，求解相對姿態角，然后根據采集到的加速度計和磁力計信號，利用重力場和地磁場在地理坐標系與載體坐標系之間的方向余弦轉換，解算出絕對姿態角[9]，即航向角(Yaw)、俯仰角(Pitch)以及橫滾角(Roll)，本研究分別用Ψ、θ和Φ表示這三者。

(1)

本研究通過對加速度計、陀螺儀和磁力計進行數據融合，求解更為精確的姿態角。每進行一次姿態解算，則根據融合傳感器數據更新一次四元數，通過更新后的四元數得到姿態角：

(2)

3.2 特征選取

本研究進行姿態判別的依據為人體姿態角及加速度信息。在不同運動狀態下，人體各方向加速度會呈現不同的變化規律。Hendelma[11]等發現信號幅度區域(signal magnitude area，SMA)與周期運動強度有極大的相關性，并指出Y軸加速度對于區分人體基本姿態效果顯著。基于此，本研究提取Y軸加速度一階差分信號的幅值SMA作為區分人體姿態的基本特征之一。見公式(3)，式中Acc_y[i]為i時刻的Y軸加速度。

(3)

本研究以合加速度作為運動強度的度量指標，其計算見公式(4)。

(4)

其中，Acc_x、Acc_y、Acc_z為三個正交方向的加速度信號，均為n次采樣數據的平均值。通過設計實驗采集數據，我們得到了4種運動狀態下各特征值的變化情況，見圖4～圖7。

圖4 信號幅度區域

圖5 合加速度

圖6 俯仰角

3.3 運動狀態判別

由圖4～圖7可以看出，SMA和ACC可用于區分基本的動和靜兩種相對狀態，靜止狀態下的站和躺兩種狀態可用Pitch角以及Roll角來區分。因為躺又分為平躺、側躺等不同的細分姿態，所以應該結合Pitch和Roll兩個角度設定站與躺的閾值來區分二者。行走和跌倒兩種狀態下SMA和ACC的幅度明顯不同，并且當跌倒發生時，Pitch角會有明顯的突發性變化。本研究利用上述條件構建姿態判別模型，完成對姿態的識別。具體的姿態判別流程見圖8。

圖7 橫滾角

圖8 姿態判別流程圖

上述流程中，首先采集傳感器數據，并進行特征提取，比較SMA和預設閾值的大小：

(1)當SMA大于0.3 g時,說明此時Y軸方向上有較強的運動，如果此時的合加速度大于1.6 g,則認為有跌倒的可能。如果2 S后姿態的判別為躺，則認為發生了跌倒。

(2)當SMA小于0.3 g時,說明此時人體運動狀態為相對靜止狀態，即站、坐或躺，具體的區分應該根據此時的Pitch角和Roll角的大小。

4 系統功能測試

為測試系統性能，檢驗本研究算法及裝置的可行性，本研究選擇了10名學生志愿者佩戴該裝置，進行了驗證實驗。每名志愿者分別進行5次跌倒、行走、靜站/坐、躺實驗，測試結果見表1。

表1 測試結果

從試驗結果可以看出，該裝置可以有效檢測受試者的運動狀態，對于跌倒狀態，有較高的識別率。在windows環境下，采用TCP/UDP Socket調試工具模擬服務器端，接收該裝置通過GPRS網絡上傳的信息，并向終端發送語音信息，運行示例見圖9、圖10。

圖9 服務器端數據接收情況

圖10 服務器端數據發送情況

由圖9可以看出，該裝置可以通過GPRS網絡定時向服務器端上報人體的姿態信息、步數以及位置信息，并且可以在衛星定位和基站定位兩種模式間實現自動切換。圖10示例表明，當服務器向終端裝置發送文本消息時，該裝置可以正確接收來自服務器端的信息并將其合成為語音信號播報出來，具有較強的實用性。

5 結論

本研究通過對跌倒以及老年人的日常行為進行分析研究，設計了一種基于慣性測量單元的人體姿態監測裝置，并給出了相應的人體姿態檢測算法。該裝置通過融合傳感器數據，利用四元數法進行姿態解算，從加速度信息中提取關鍵特征，根據內建模型，實現人體姿態判別，并通過GPRS網絡將終端設備檢測到的人體姿態上報服務器。試驗表明，該裝置可有效檢測跌倒等異常狀態，對人體姿態及位置信息進行連續監測，對服務器端推送的語音消息能準確播報，具有高識別率以及很強的實用性，可有效減少醫護成本，降低跌倒等異常狀態對老年人的危害，為老年人的居家養老等應用提供了一種可行的解決方案。