基于姿態融合的實時跌倒檢測系統研究

徐甲棟，陳強，王洪杰

（1.上海工程技術大學電子電氣工程學院，上海 201620；2.國網臨沂供電公司，山東臨沂 276000）

0 引言

如今社會生活水平不斷提高，但同時也面臨著人口老齡化問題日益嚴重與監護資源不足的矛盾。目前與老年人監護相關的跌倒檢測技術還不夠完善，且老人意外跌倒的發生率較高，存在極大的人身安全問題。老人發生跌倒時，監護人若第一時間發現并進行救助，可有效降低跌倒造成的傷殘和死亡率。因此，針對老年人群的跌倒檢測成為目前的研究熱點之一。

目前跌倒檢測主要有3種方式：基于視頻圖像、基于環境信號與基于可穿戴式裝置的跌倒檢測。基于視頻圖像的檢測方式是利用視頻設備采集老人生活中的活動圖像信息，通過提取圖片或視頻里的人體輪廓尋找姿態特征點，運用圖像處理相關算法判別老人姿態，從而判斷其是否發生跌倒；基于環境的檢測方式通過收集老人跌倒在地面的聲波信號，從聲波信號中提取老人跌倒的特征，運用相關算法處理采集的信號，從而判別其是否跌倒；基于可穿戴式裝置的檢測方式是將一些傳感器放置到人體上，采集相關的傳感器數據信息，并利用采集的物理信息設計跌倒檢測算法，從而判別老人是否發生跌倒。

相對于基于視頻圖像與基于環境信號的跌倒檢測方法，基于可穿戴式裝置的檢測方法具有諸多優勢，包括：①適用場景更廣，可擺脫空間限制，在絕大多數環境中都可以使用，能夠滿足老人的外出需求；②隱私保護性較好，不會給老人造成心理壓力；③成本低廉，易于普及；④不受周圍不同環境的干擾；⑤不影響正常生活。綜上考慮，本文研究基于可穿戴式裝置的檢測方式，結合閾值法與模式識別算法的優點設計一種基于姿態融合的聯立判別跌倒檢測算法，并引入云技術和微信小程序，提出一種更便捷、可行的跌倒檢測系統。

1 系統設計

本文設計的跌倒檢測系統主要由3部分構成：可穿戴式硬件設備、云服務器和監護端小程序“工程大智能看護助手”。可穿戴式硬件設備負責通過慣性傳感器和定位模塊采集人的運動信息與位置信息，并將識別結果及其他信息上傳到云服務器；云服務器負責存儲數據，同時負責與小程序進行數據交互；監護端小程序則負責顯示被監護人的狀態信息，在發生意外情況時，便于監護人與醫護人員通過“工程大智能看護助手”微信小程序查看被監護人位置及狀態，在第一時間實施救助。系統總體框架如圖1所示（彩圖掃OSID碼可見，下同）。

Fig.1 Overall framework of fall detection system圖1 跌倒檢測系統總體框架

1.1 硬件設計

系統硬件設計如圖2所示。外部電源負責供電，慣性傳感器模塊MPU6050內置3軸MEMS陀螺儀和三軸MEMS加速度計，負責采集人體的角速度和加速度等信息。采集到的是模擬信號，通過模數轉換將模擬信號9轉換成電信號，并根據MPU6050使用手冊將電信號轉換成對應的角速度和加速度數據信息。ATGM332D定位模塊默認采用NMEA-0183協議，NMEA-0183協議可輸出GNGGA、GNRMC、GNVTG、GNZDA、BDGSA、GPGGA等格式的數據。主處理器STM32F103選擇GPGGA格式進行定位解析，處理完MPU6050模塊采集的數據后，對數據進行存儲，并基于姿態融合的聯立判別跌倒檢測算法判斷是否發生跌倒行為，通過SIM900A數據傳輸模塊將設備編號、狀態與位置等信息上傳到云服務器進行存儲。

Fig.2 System hardware design圖2 系統硬件設計

1.2 軟件設計

通過SSH工具連接云服務器搭建環境。LNMP是在Linux系統下由Nginx服務器、MySQL數據庫及PHP搭建的服務器架構，具有高效、免費、擴展性強等優點。LNMP搭建完成后，微信小程序不能直接操作數據庫中的數據，需要借助接口文件完成數據請求與數據返回功能。將寫好的PHP腳本文件部署到服務器并配置好MySQL數據庫，之后微信小程序即能與服務器進行數據交互。微信小程序與服務器交互框圖如圖3所示。

Fig.3 Interaction diagram between WeChat applet and server圖3 微信小程序與服務器交互框圖

微信小程序作為監護端，相比傳統APP更方便、快捷。本文設計的小程序名為工程大智能看護助手，可方便監護人實時查看老年人行為狀態與實時地理位置。使用微信開發工具對小程序進行開發，需要實現的主要功能如下：

（1）注冊與登錄功能。注冊手機號必須為11位，并規定密碼不能少于4位，注冊時需要對注冊手機號位數與密碼位數進行校驗。登錄時會匹配數據庫賬號密碼是否正確，并顯示登錄成功或賬號、密碼錯誤等信息。

（2）設備綁定功能。用戶可通過設備編碼添加與刪除設備，可綁定到指定被監護人對應的設備，便于查看。

（3）狀態信息顯示功能。添加設備信息后，通過查看狀態信息可查看綁定設備對應的被監護人姓名、身體狀況與地理位置信息。同時，在該頁面可更新位置信息，重新獲取最新的位置數據。

（4）地圖顯示功能。根據采集到的經緯度數據，借用百度地圖顯示被監護人與監護人的地理位置信息，以便更快速地找到跌倒的被監護人，并對其實施救助。

軟件設計完成后，經過測試，各功能模塊可正常使用，實用性強且使用便捷。

2 數據預處理

2.1 坐標系建立

建立合理的坐標系是分析人體姿態變化的前提。將可穿戴設備置于人體腰部，人體坐標系O-XYZ會隨人體軀干的狀態變化而變化。人直立靜止時為初始狀態，同樣以人體腰部為原點O，人體左手方向為Z軸正方向，繞X軸順時針旋轉的是俯仰角

θ

；人體面前的方向為Y軸正方向，其垂直于X軸，繞Y軸順時針旋轉的是橫滾角

θ

；人腳下的方向為Z軸正方向，繞Z軸順時針旋轉的是偏航角

θ

。三軸互相垂直，人體坐標系（即載體坐標系）會隨人體的運動而變化，如圖4所示。參考坐標系與人體坐標系初始狀態相同。

Fig.4 Human body coordinatesystem圖4 人體坐標系

（1）人向不同方向跌倒時，三軸加速度的變化不同，但三軸的加速度幅值與

acc

的變化相近。跌倒行為相比于步行、跑步等日常行為的變化更為劇烈，因此可將三軸加速度幅值與

acc

作為跌倒行為特征進行識別。加速度幅值與

acc

計算公式如式（1）所示。

其中，

acc

、

acc

、

acc

是三軸加速度計3個軸向的加速度值。（2）人體跌倒時，角速度變化也是一個重要的特征量。日常行為與跌倒行為的角速度具有明顯不同，與加速度變化相似，跌倒方向不同也會產生不同的三軸角速度變化。由于不同方向跌倒行為的三軸合角速度

ω

變化也具有相似之處，因此取三軸合角速度

ω

作為特征量：

其中，

ω

、

ω

、

ω

是三軸陀螺儀3個軸向的角速度值。

2.2 互補濾波

MEMS陀螺儀具有良好的高頻特性，但累計誤差較大。MEMS加速度計與陀螺儀相反，加速度計具有良好的低頻特性，沒有累計誤差，但動態特性較差。其特性對比如表1所示。

Table1 Characteristic comparison of MEM Saccelero meter and gyroscope表1 MEMS加速度計與陀螺儀特性對比

因此，可借助互補濾波充分應用兩者的特性融合計算姿態角，從而提高姿態角的測量精度，同時又可增強系統穩定性。互補濾波器根據傳感器的不同特性，濾掉了加速度計的高頻信號與陀螺儀的低頻信號。具體過程如下：

假設加速度計的輸出為

a

=[

a

a

a

]，陀螺儀的輸出為

ω

=[

ω

ω

ω

]，重力加速度為

g

=[0 0 1]，姿態矩陣為

C

。將

g

由N系轉換到B系當中，轉換過程如式（6）所示。

進行歸一化處理后求得誤差e為：

通過誤差e修正陀螺儀的誤差

δ

：

對陀螺儀進行誤差補償：

ω

=

ω

+

δ

，然后采用一階龍格庫塔法更新四元數。

之后根據四元數、方向余弦矩陣與歐拉角的轉換關系，將四元數轉換成歐拉角：

為驗證姿態數據融合濾波算法的有效性與可行性，設計一個仿真試驗。將慣性裝置穿戴在人體腰部，采集加速度傳感器與陀螺儀的輸出數據進行姿態角解算。具體實驗流程如下：首先將采集裝置打開，靜止在初始位置并輸出記錄值；然后變速跑動40s再正常行走20s，輸出記錄值；最后回到初始位置，取下采集裝置并靜置，輸出記錄值。通過互補濾波融合處理不同階段運動載體的姿態角，動態環境下歐拉角輸出結果如圖5所示。

對動態環境下俯仰角、橫滾角與偏航角數據偏差進行對比分析，動態姿態角精度如表2所示。

Table2 Dynamic attitudeangle accuracy表2 動態姿態角精度

結果顯示在動態精度中，偏航角誤差相對較大，但本文研究不使用該姿態角，其余兩姿態角誤差都較為理想。從圖5、表2可以看出，互補濾波可保證姿態角在動態環境下偏移較小，滿足跌倒檢測系統的誤差范圍，因此選擇互補濾波算法作為姿態數據的融合濾波算法。

Fig.5 Euler angleoutput result under dynamic圖5 動態下歐拉角輸出結果

3 算法設計

通過查閱相關文獻資料，相比于模式識別算法，閾值法的判別準確率不足，但其優點是計算量小且響應速度快。模式識別算法的識別率雖然高，但是計算量大，對大量日常行為數據的識別使其效率降低，占用內存資源多，且功耗也較大。基于上述考慮，本文結合兩種算法的優點提出一種基于姿態融合的聯立判別跌倒檢測算法，先使用閾值法進行跌倒行為判別，在判別出可疑動作后，再通過模式識別算法進行最終判別。

3.1 閾值法

本文選擇加速度幅值和

acc

、合角速度

ω

及姿態角度

θ

3個變量作為閾值法檢測可疑跌倒行為的特征參數，下面將通過分析靜止、行走、坐下、躺下、跑步、跌倒6種行為的數據變化，確定3個特征參數的閾值。每個動作行為取5s的數據進行分析，其中加速度幅值和、合角速度與姿態角度變化如圖6所示。

Fig.6 Comparison of three characteristic variables of six behaviors圖6 6種行為3個特征變量比較

通過大量實驗對跌倒及日常活動數據的

acc

、

ω

與

θ

進行分析，結果表明，在一般情況下，日常活動中

acc

≤3

g

，

ω

≤3.4

rad

·

s

，

θ

≤50°。部分劇烈活動可能超過該值，但本文以此閾值作為可疑跌倒行為的判別依據。若閾值設置過大，會導致漏判概率增大，因此不以劇烈活動的峰值作為閾值。設定本文中檢測跌倒的加速度幅值和閾值

acc

=3

g

，合角速度閾值

ω

=3.4

rad

·

s

，姿態角度閾值

θ

=50°。

3.2 支持向量機

人跌倒與非跌倒是二分類問題，支持向量機（SVM）是常用的解決二分類問題的模式識別算法。

這就是SVM分類器的基本模型。

若要進行正確分類，首先要選擇并提取合適的特征參數，這是支持向量機算法的關鍵步驟，將直接影響識別效果。特征提取的常用方法有時域分析法與頻域分析法，時域分析法的運算速度更快，對計算能力要求低，因此本文選擇時域分析法進行特征提取。下面對各特征的特點進行分析：

（1）最大值與最小值。采集信號中的最大值與最小值是跌倒檢測中非常重要的特征指標，在日常行為和跌倒行為中，該特征區別較大。

（2）最大值與最小值的差值。最大值與最小值的差值也是重要的特征指標，跌倒行為發生時，二者差值通常較大。

（3）均值。均值數據可反映整體數據的一般趨勢。例如，對于實驗采集信號中的加速度信號，加速度均值可反映某數據片段內整體加速度的一般趨勢。

（4）方差。方差反映數據的變化幅度，即上下左右波動的劇烈程度，可反映一組數據的集中與離散程度以及波動與穩定狀況。一般方差越小，說明數據越集中、穩定，反之則越離散。跌倒行為與日常行為的加速度、角速度、角度方差特征指標波動較大。

根據以上分析分別提取合加速度幅值和

acc

、合角速度

ω

與姿態角度

θ

的最大值、最小值，以及最大最小值的差值、均值與方差共15個特征參數。以加速度幅值和為例，差值、均值、方差計算公式如下，其余兩特征計算方法相同。

本文選用LIBSVM工具對樣本數據進行訓練，建立分類模型，并使用測試集進行測試。

首先，將待訓練樣本數據集train.txt與待測試樣本數據集test.txt按照LIBSVM要求的格式進行調整。數據格式如下：

[label][index1]：[value1][index2]：[value2]…

［label］是目標值，即分類類別。本文研究的是跌倒檢測的二分類問題，設跌倒行為為label=+1，非跌倒行為為label=-1。［index］是特征編號，即特征的有序索引，取值為1～n的整數。［value］是待訓練樣本與測試樣本的特征值。

按LIBSVM格式要求整理的部分訓練樣本數據如圖7所示。其中，序號1-15代表15個特征參數，按順序排列。

Fig.7 Part of training sampledata arranged according to LIBSVM format圖7 按LIBSVM格式要求整理的部分訓練樣本數據

不同特征參數具有不同的量綱和單位，同時為避免不同特征值的范圍差距過大，進行歸一化處理，即對不同的特征參數值進行無量綱處理。對待訓練的樣本數據進行歸一化處理后，將數據縮放到［-1，1］之間，然后選擇核函數。RBF核函數對于大樣本與小樣本都有不錯的效果，應用最廣，因此本文選擇RBF核函數訓練模型。選擇好RBF核函數后，通過交叉驗證方法尋找一組最優懲罰因子

C

和核函數參數

γ

，得到結果如下：最優懲罰因子

C

=0.4，最優核函數參數

γ

=0.236。

采用svm-train命令行的方式獲取分類模型，對歸一化處理后的數據集svm_scale_train.txt進行訓練，生成分類模型文件model.txt。部分分類模型文件內容如圖8所示。

訓練出分類模型后，根據準確率Accuracy的結果篩選出分類性能較好的分類模型，留下分類精確率大于95%的分類模型作為最終的跌倒檢測模型。

Fig.8 Part of classification model filecontent圖8 部分分類模型文件內容

3.3 聯立判別跌倒檢測算法

根據人摔倒的特征變化，設計多級閾值的跌倒檢測判別流程：

Step1：判斷加速度幅值與

acc

是否超過閾值。因為人摔倒時，加速度變化較為劇烈，且響應速度較快，所以最先判斷加速度變化。Step2：若加速度幅值和超過閾值，則判斷合角速度

ω

是否超過閾值。若合角速度超過閾值，則進行下一步判斷。

Step3：若合加速度與合角速度都超過閾值，再判斷姿態角度是否超過閾值，當3個閾值都超過閾值時，則判定為可疑跌倒行為。

人的日常活動占據了生活中的大部分時間，多級閾值法負責檢測可疑的跌倒行為，主要是快速過濾掉較低強度的活動，輸出可疑的跌倒數據。通過閾值法檢測出可疑跌倒數據后，將啟動SVM分類算法對該數據進行最終判定。該數據經過數據預處理提取特征向量后，再由3.2小節介紹的所獲得分類性能較好的分類模型進行分類判定。若判定結果為跌倒，即判斷該可疑跌倒動作為跌倒行為；若判定結果為未跌倒，即判斷該可疑跌倒動作為非跌倒行為。聯立判別跌倒檢測算法流程如圖9所示。

Fig.9 Flow chart of simultaneous discriminant fall detection algorithm圖9 聯立判別跌倒檢測算法流程

4 實驗結果與分析

本文選取10名男生和5名女生共15位志愿者模擬跌倒動作與日常行為動作，將采集裝置放置于人體腰部，采集加速度、角速度等數據。每名志愿者分別采集步行、慢跑、彎腰、坐下、躺下、下樓梯、向前跌倒、向右跌倒、向左跌倒、向后跌倒共10種行為動作數據各20組，在采集數據過程中，志愿者盡量模擬無意識的行為動作，減小人為誤差。

下面對基于姿態融合的聯立判別跌倒檢測算法的識別結果進行評估。對測試數據集進行驗證，跌倒行為檢測結果會出現以下表3所示4種情形。

Table 3 Four cases of fall detection表3 跌倒檢測4種情形

根據4種可能發生的跌倒檢測情形，主要有以下5個評估指標，分別是靈敏度S（Sensitivity）、漏報率M、特異度P（Specificity）、誤報率F和準確率A（Accuracy）。其中，S表示發生跌倒行為時，正確檢測到跌倒行為的比率；M表示發生跌倒行為時，未正確檢測到跌倒行為的比率，即漏報比率；P表示未發生跌倒行為時，正確檢測到人體正常行為的比率；F表示未發生跌倒行為時，將未跌倒行為錯誤判別為跌倒行為的比率；A表示正確判別出實驗中全部未跌倒行為與跌倒行為的比率。

從采集的數據中選擇向前跌倒、向后跌倒、向左跌倒、向右跌倒4種跌倒行為及步行、慢跑、坐下、躺下、下樓梯、彎腰6種日常行為數據對算法進行評估，針對每一種行為的實驗樣本數量為150個。實驗結果分析如表4所示。

Table 4 Analysis of experimental results表4 實驗結果分析

由表4的統計結果分析可知，本文提出的跌倒檢測算法正確率達到90.1%，靈敏度達到91.2%，特異度達到89.4%，且漏報和誤報率較低，分別只有8.8%和10.6%。對于步行這類強度不大的動作，該算法基本都能正確進行檢測識別，而對于躺下這種與跌倒相似的行為動作，該算法的檢測識別率也較高。通過實驗分析驗證了本文設計的聯立判別跌倒檢測算法具有較好性能，對跌倒行為的識別準確率較高。

5 結語

本文基于姿態融合數據提出一種聯立判別跌倒檢測算法，該算法相較于閾值法更為準確。由于能快速過濾大量日常行為數據，其相較于SVM算法更為高效。通過實驗測試，該算法的正確率達到90.1%，靈敏度達到91.2%，特異度達到89.4%，且漏報和誤報率較低。實驗結果驗證了本文算法的有效性與可行性，同時引入云技術與微信小程序設計一套用于老年人遠程智能監護的跌倒檢測系統。相較于傳統的APP監護軟件，該軟件使用更為方便、快捷，滿足了老年人智能監護的需求，在未來社會應對老齡化問題與提升社會養老能力方面可發揮一定作用。