一種實時多傳感器跌倒檢測系統

劉石雨，王多琎

（1.上海理工大學康復工程與技術研究所；2.上海康復器械工程技術研究中心；3.民政部神經功能信息與康復工程重點實驗室，上海 200093）

0 引言

當前，我國人口老齡化問題日趨嚴重［1］，老年人監護和安全需求也逐年增加。WHO2015《關于老齡化與健康的全球報告》［2］顯示，30%的65 歲以上老人和50%的85 歲以上老人每年至少經歷一次跌倒，其中4%～15%的跌倒會造成重大傷害，老年人與傷害相關的死亡中有23%～40%是由于跌倒產生的。同時在臨床中，跌倒是造成老年人髖關節骨折的重要原因［3］，而且跌倒后的花費不管是對個人還是社會都是沉重負擔［4］。近年來，老年人跌倒預測研究逐漸成為研究熱點，在老齡化社會，一種能預測跌倒的系統對于獨居老人將會有重要意義。

1 研究現狀

現有跌倒檢測相關研究根據使用的特征數和技術進行分類［5］，一般分為3 種：①基于視頻圖像的跌倒檢測［6-7］，該方法通過高速攝像頭進行圖像識別，精度高，但使用者隱私得不到保障；②基于環境傳感器的跌倒檢測［8-9］，該方法通過在特定場景內設置電磁式、聲學、光學式傳感器進行跌倒檢測，但使用不便，且只局限于室內；③可穿戴式的跌倒檢測，此方法結構簡單、使用簡便、成本低，且能適應多種環境，當前研究大多集中在該領域，本文也基于此方法。

可穿戴式的跌倒檢測以檢測算法進行區分，可分為兩種：①基于機器學習、深度學習的檢測，該方法通常準確率高，但對數據量的要求也較高，且算法較為復雜，容易造成檢測時間長和過擬合等問題；②基于閾值法的檢測，該方法通過設置跌倒和日常活動（ADL）的閾值分辨跌倒，該方法簡單，較容易實現，且運行速度快，但目前對閾值選擇還沒有統一標準。

研究表明，主動跌倒持續時間為514±112ms，被動跌倒（當受到外力時）持續時間為713±104ms［10］，而如何在人體跌倒前就作出檢測并進行相應干預具有重要意義。因此，從系統檢測出跌倒到倒地這段時間PIT（Pre-Impact-Time）將是評價檢測系統及時性的重要標準。

Ahn 等［11］采集軀干的加速度、角速度，使用兩種不同的閾值法進行研究并作對比；Zhong 等［12］設計一種位于腰部的可穿戴系統，采集加速度計和角速度，使用行加速度和歐拉角計算垂直位移和速度，再設置其閾值，通過多級判斷以達到實時檢測跌倒目的；Leone 等［13］采集小腿處肌電信號，使用肌肉共收縮指數（CCI）和EEG 信號絕對值之和（IEMG）作為特征值，通過設置4 種不同的閾值進行檢測；Shi 等［14］設計一種基于足底壓力和位于腰部的慣性傳感器的跌倒檢測系統，通過設置壓力和慣性數據的閾值判斷跌倒狀態，且也能達到不錯的效果；Su 等［15］通過收集腰部和大腿的加速度計信息，使用三級分類器對跌倒和ADL 進行分辨；Shi 等［16］采集位于腰部的慣性數據，并使用基于類激活映射的卷積神經網絡（CNN）進行分類；Xiao 等［17］使用位于下肢的四通道肌電信號作為特征值，運用支持向量機（SVM）進行訓練；茅莉磊等［18］使用加速度和角度作為特征，基于SVM 設計一個檢測方法。各研究表現性能如表1所示。

Table 1 The methods and performance of current researches表1 當前研究方法及性能

從算法類型上看，前4 種采用了閾值法，后4 種使用了機器學習算法。可明顯看出，閾值法系統的特異性和敏感性相對較差，但PIT 較高，即算法響應較快，而機器學習算法則相反。

為了能同時保證檢測系統的準確率和PIT，本文設計了一種基于加速度、角速度和足底壓力的多傳感器跌倒檢測系統，并且使用了一個三層的BP 神經網絡作為檢測算法，實現了實時跌倒檢測，這樣既保證了數據的多樣性，又不會因算法的復雜程度影響檢測速度。

2 系統設計

整個系統設計結構如圖1 所示，包括硬件系統和上位機系統兩大部分。硬件系統分為左右腳兩部分，均位于鞋體外側，運行時采集左右腳的加速度、角速度和足底壓力信息，隨后通過WiFi 模塊傳給上位機系統，并對數據進行顯示和持久化，將數據預處理后傳給檢測算法，檢測算法得到結果并反饋給上位機。

Fig.1 The block diagram of the proposed fall detection system圖1 系統結構

2.1 硬件設計

系統硬件包括4個部分：主控芯片STM32F103、姿態采集模塊MPU6050、四路薄膜壓力傳感器FSR402、無線模塊ESP8266、電池模塊。整個系統只有半個手機那么大，且只有200g，滿足可穿戴系統的小型化要求，系統主體如圖2所示。

姿態采集模塊能采集人體的加速度、角速度，而薄膜壓力傳感器是一種電阻壓變式傳感器，其量程可從20g 到10kg 且能對壓力變化有快速反應。該系統使用4 路薄膜壓力傳感器，分別位于足底的大拇指、第一跖骨、第四跖骨、足跟，人體運動時這幾個點的足底壓力變化最具代表性［19］，如圖3 所示。人體的多種活動都離不開足部作用，因此足底壓力變化趨勢能明顯反映人體當前重心變化情況，為跌倒檢測提供重要信息。

Fig.2 The fall detection system圖2 跌倒檢測系統實物

Fig.3 The position of pressure sensors圖3 壓力傳感器擺放位置

系統上電后，主程序對各模塊進行初始化，對加速度、角速度和壓力信息進行循環采集，并對其進行濾波，隨后對數據進行打包，統一發給上位機軟件。

2.2 上位機與算法

上位機包括通信模塊、主界面、表格數據可視化、數據持久化、給算法傳輸數據的接口。在通信時上位機作為服務端，不斷接受下位機傳來的數據，并對數據進行顯示，而檢測軟件能對這些信息進行顯示，并為算法提供檢測數據。

人的活動是多樣性的，為了將跌倒從各種ADL 中區別出來，使用BP 神經網絡作為跌倒的分類器。BP 神經網絡可以說是目前最成功的神經網絡學習算法，其通過前向傳播得出結果，再反向傳播減小誤差，通過對采樣數據不斷訓練，達到一個局部最大的準確率。算法訓練和檢測流程如圖4 所示。

Fig.4 Algorithm training and testing process圖4 算法訓練測試流程

為了保證檢測準確率且不影響檢測的PIT 值，使用一種三層神經網絡，如圖5 所示。該神經網絡輸入層數為20，隱藏層數為10 并包括一個偏移常量，輸出層數為1，算法輸出1 為跌倒，0 為日常活動。

Fig.5 The structure diagram of BP neural network圖5 神經網絡結構

在神經網絡的前向傳播中，后一個節點和前面節點關系如式（1）、式（2）：

對于一組數據xi={x1,x2…x20},yi={y} 通過網絡預測得到預測值為oi，其單個數據代價函數如式（4），求所有數據的平均代價如式（5）。

網絡反向傳播是為了減小模型的平均代價，求得一個所有神經節點代價最小時的權重，達到一個局部最優解，通常使用梯度下降法更新權重、bn，2＜n，u是學習率，為0～1。

為了作進一步計算，引入一個中間變量，表示網絡中第n層第j個神經節點的誤差，如式（8），并且誤差與權重關系如式（9），將其代入式（6）和式（7）可實現網絡權重更新和偏置目的。

2.3 實驗設置與特征處理

為了構建模型訓練集，本文將人類的行為活動分成了兩大類：跌倒和日常活動（ADL）。為了便于區分，又將跌倒分解成了前后左右4 個方向，同時ADL 包括站立、行走、上下樓梯、坐下起立等常見活動，如表2 所示。

Table 2 The classification of human behavior表2 人的行為分類

本文設計實驗，選取成年男性為受試者，以確保受試者人身安全，采集人在跌倒和ADL 時各傳感器信號。實驗時讓受試者佩戴檢測系統，逐步進行上述活動，每次活動都控制在10s 以內，行走和上下樓梯都以勻速進行，同時告知試驗者盡可能地模擬真實跌倒情況，每種活動重復5 次。

系統采集到的原始數據如式（10），其中Accx、Accy、Accz代表3 軸的加速度值，Grvx、Grvy、Grvz代表3 軸的角速度值，F1、F2、F3、F4分別對應第一腳趾、第一跖骨、第四跖骨、足跟的壓力值。得到的原始數據并不能直接使用，還需對其做特征處理，首先為保證模型能夠快速收斂，將會對原始數據做歸一化處理，即每一個數據都會除以其傳感器量程。

隨后還需對跌倒和ADL 進行標注，這對檢測系統性能尤其是PIT 有很大影響。為了找到這樣的零界點，本文通過觀察足底壓力變化，確定4 類跌倒的臨界位置，即包括臨界點在內的前5 個點都認定為跌倒正在發生，4 種跌倒的標注方法如圖6 所示（彩圖掃OSID 碼可見）。各跌倒的臨界位置確定方式如下：①向后跌倒：雙足跟壓力F4_l 和F4_r 最高點；②向前跌倒：雙足大拇指壓力F1_l 和F1_r 最高點；③向左跌倒：取左第四跖骨F3_l 和右第二跖骨F2_r壓力最高點；④向右跌倒：取右第四跖骨F3_r 和左第二跖骨F2_l 壓力最高點前。

Fig.6 The recognition methods of four types of falls圖6 4 種跌倒標注方法

跌倒是一個動態過程，用單數據點并不能反映一個完整的跌倒過程，因此使用滑動窗口算法解決該問題［20］。該算法使用一個窗口函數代表一個動態過程的矩形窗口，如圖7 所示（彩圖掃OSID 碼可見）。窗口右邊代表當前時間，窗口長度設置為4，代表當前時間的前4 個點。計算這4 個點時間上的平均值作為算法輸入數據。

系統采樣頻率設置為10Hz，這意味著每100ms 窗口就會向前移動一格，并對當前人體狀態進行判斷，窗體移動過程如圖7 所示。為了方便展示，圖中只顯示了壓力數據。

Fig.7 The schematic diagram of system sliding window圖7 系統滑動窗口示意圖

通過實驗采集到的跌倒和ADL 數據比例為100∶1712，雖然數據比例接近于真實情況，但數據比例差距過大會嚴重影響模型訓練效果。為了保證模型準確率和訓練方便，對跌倒數據進行過采樣處理，即通過統計學中的采樣使數據比例達到1∶1，并使用此數據對BP 神經網絡進行訓練。得到一組權重值使檢測性能最好，隨后將該模型作為整個系統的檢測模塊，通過實時輸入傳感數據，對人體狀態進行實時檢測。

2.4 實驗結果與分析

為了評估本系統的分類性能，使用所有數據對模型進行測試，結果通常有以下幾種情況：真陽性（TP）、假陽性（FP）、真陰性（TN）、假陰性（FN），分別代表跌倒且檢測為跌倒、非跌倒檢測為跌倒、非跌倒檢測為非跌倒、跌倒檢測為跌倒。以上參數可組成混淆矩陣如圖8 所示，其中，1 代表跌倒，0 代表日常活動，表明檢測結果真實值和預測值的對應數量。

驗證一個模型的分類性能有3 個指標：準確率（Accura?cy）表示系統平均分類能力；敏感性（Sensitivity）表明系統對跌倒的敏感程度，敏感性越高代表漏檢概率越低；特異性（Specificity）表明對跌倒和非跌倒的區分程度。

由圖7 計算得出系統準確度可達99.7%，敏感度和特異性分別為100%和99.3%，可以看出系統檢測性能很高，且對跌倒和ADL 有很強的區分能力，檢測系統的PIT 值約為400ms。系統在保證檢測準確度的情況下，也能達到一個很好的PIT 值，證明本系統能很好地完成跌倒檢測要求。

Fig.8 The Confusion matrix of proposed algorithm圖8 混淆矩陣

3 結語

為了滿足對老年人跌倒的檢測需求，本文設計了一種位于足部的多傳感器跌倒檢測系統。該系統通過采集人體足部的壓力、加速度、角速度等信息，經過特征處理后，使用BP 神經網絡作為檢測模型實現老年人跌倒檢測。同時，該系統體積小、重量輕、置于鞋體外側，滿足了可穿戴系統便于穿戴的需求。實驗證明，該系統能在較短時間內對跌倒作出反應，且達到很高的檢測精度。但該系統只能對人體的跌倒進行實時檢測，而如何對發生跌倒進行干預還需作進一步研究。