基于多參數融合的行為安全監測研究

李小奇，鄭建立

（上海理工大學醫療器械與食品學院，上海 200093）

0 引言

國家統計局于2021 年5 月11 日發布的第七次全國人口普查結果顯示，全國老齡化程度進一步加深，60 歲以上人口數為26 402 萬人，約占總人口數的18.70%，相較于2010 年人口比重上升了5.44 個百分點［1］。隨著全球老年人口增多，老年人監護問題受到了人們的普遍關注［2］。由于年齡增長，身體的各種機能逐步衰退，極易發生跌倒。跌倒是一種突然、不自主、無意識的姿勢變化，其中步態失衡是指無意識跌倒在地上或更低的平面［3］。分析表明，跌倒是人體受傷的主要原因，也是全球第二大意外死亡原因，尤其對老年人而言更為致命。據WHO 報告顯示，每年全球因跌倒而死亡的人數超過30 萬，其中年齡在60 歲以上的占一半以上，跌倒已成為老年人日常受傷的“元兇”之一。

1 國內外研究現狀

由于跌倒檢測根據應用特征參數和使用相關技術不同，現階段可分為以下3 類［3］：基于視頻圖像的跌倒檢測［4］、環境傳感器的跌倒檢測與可穿戴式的跌倒檢測。

1.1 基于視頻圖像的跌倒檢測

謝輝等［5］利用Le2i 數據庫和采集的跌倒行為視頻數據作為訓練數據集，基于OpenCV 框架開發了一套跌倒檢測系統。系統能準確區分日常行為與跌倒行為，識別跌倒行為的準確率高達96%。高苗等［6］采用改進的ViBe 算法對視頻前景進行提取，經過形態學方法處理后能夠有效去視頻除噪聲。實驗表明，該算法能準確、快速地檢測運動的目標。馬凌云等［7］提出了基于單應性的投影重合率特征和投影變化速率特征檢測算法，該算法能對“疑似摔倒事件”進行初步判定。Chen 等［8］提出了一種基于視頻的人體跌倒檢測算法，該算法能在靜止狀態下實現高精度實時檢測。

1.2 基于環境傳感器的跌倒檢測

Chandra 等［9］借助附加特征減少了計算量，提高了計算效率，檢測準確率高達95.53%。Sixsmith 等［10］提出了基于S-IMBAD 模型的監測報警系統，顯著提高了系統功能的可靠性。

1.3 基于可穿戴式的跌倒檢測

王翔等［11］比較分析了現階段基于MEMS 和磁阻傳感器的姿態檢測系統和數據融合算法。季祥等［12］通過建立右手坐標系，以俯仰角、橫滾角、足底壓力為依據，通過支持向量機確定閾值，判斷人體行為動作。趙晉偉等［13］設計了以FPGA 為核心的多傳感器姿態融合算法和導航位置解算方法，相較于傳統算法在長期穩定性和精度上都具有顯著提升。徐濤等［2］設計了一種基于加速度傳感器的檢測方法，通過監控加速度幅值進行跌倒檢測。歐國維等［14］結合四元數卡爾曼濾波進行姿態識別和活動強度分析。崔瑞超等［15］通過自適應加權信息融合技術，對傳感器模型進行分析。薛源等［16］通過結合人體傾角信息和足底壓力閾值作為判斷跌倒依據。李坤等［17］融合加速度計和陀螺儀的特征參數，設計了基于閾值多特征參數的跌倒檢測算法。Kim 等［18］提出了一種三軸加速度傳感器和深度傳感器相聯合的跌倒檢測算法。Li 等［19］基于訓練數據確定閾值，同時最大化算法的檢測概率，提出了一種最優檢測算法。

然而，上述跌倒檢測技術都存在一定的缺陷，例如基于視頻圖像的跌倒檢測技術無法保障使用者的隱私；基于環境傳感器的跌倒檢測技術受場地限制的同時易受外部噪聲干擾；基于可穿戴設備的方法雖然結構簡單、使用簡便、成本低，但目前仍缺乏統一的閾值設定標準。

由于在跌倒過程中必然伴隨著身體高度變化，目前高精度高度微型傳感器的出現給跌倒檢測帶來了新的思路。結合三軸加速度和角加速度傳感器，可將融合的高度變化率和姿態角變化率作為檢測跌倒的聯合判據。基于此，本文設計了一種可穿戴式跌倒檢測裝置，通過采集高度和加速度數據，融合多種傳感器參數檢測跌倒。

2 可穿戴裝置系統設計

可穿戴式跌倒檢測系統的硬件包含主控芯片、加速度傳感器和高度傳感器三個部分。其中，主控芯片選擇支持低功耗藍牙5.1 的多核微控制器DA14695，該芯片采用Cortex-M33 內核，片內SRAM 大小為512KB。加速度傳感器選擇MPU6050，最大量程范圍可達±16g，角速度全格感測范圍為±2 000°/sec（dps），可精準追蹤快、慢速動作。高度傳感器模塊SPL06 的量程范圍為-500～+9 000m，精度小于0.09m，采樣頻率為50HZ。系統硬件總體框如圖1所示。

Fig.1 Overall design block diagram of wearable device hardware圖1 可穿戴設備硬件整體設計框圖

系統上電后，初始化各模塊，不斷循環采集加速度、角速度和高度信息，并將數據通過藍牙模塊與手機互聯實現數據實時傳輸。運算模塊通過控制模塊對跌倒行為進行判斷并發出警報。系統運行模塊總體框圖如圖2所示。

Fig.2 Overall module composition block diagram of wearable device hardware圖2 可穿戴設備硬件整體模塊框圖

3 多參數融合跌倒檢測算法

3.1 卡爾曼數據融合

對于動態系統的狀態估計，卡爾曼數據融合是一種高效遞推濾波器（自回歸濾波器），可在一系列不完全或包含噪聲的測量中估計動態系統的狀態，統計每一被測量數據不同時間的值，通過分析其在各時間的綜合分布，估計未知變量。系統的狀態方程如式（1）所示：

其中，k表示當前時刻，k+1 代表下一時刻，T為時間間隔，(k+1)為k+1 時刻狀態矩陣，h(k)為k時刻的高度，h(k+1)為k+1 時刻的高度，v(k)為k時刻的速度，v(k+1) 為k+1 時刻的速度，a(k) 為k時刻的加速度，a(k+1)為k+1時刻加速度。

狀態方程的觀測輸出矩陣Y為k時刻加速度a(k)和k時刻氣壓P(k)。當海拔較低且變化范圍在幾百米以內時，氣壓與高度呈線性關系，即氣壓每變化ΔP時，高度變化0.09×ΔP。由此可得式（2），其中P0為初始氣壓值。

式（3）中根據高度傳感器的實際測量值Y(k)，通過卡爾曼增益K(k)計算本次高度的最優估計X(k+1)。H為狀態變量到測量（觀測）的轉換矩陣，(k+1)為k+1 時刻估計的狀態矩陣。比較融合了加速度信息前后的高度信息如圖3所示。

Fig.3 Height comparison before and after fusion圖3 融合前后高度對比

由圖3 可見，相較于原始高度數據，融合加速度信息后高度變化更平緩，可直觀反映實際高度的變化數值，并由于加速度計的快速響應特性，彌補了高度計反映滯后的缺陷。因此，本文將兩者融合可有效提升系統的響應速度和抗干擾能力。

3.2 姿態解算算法

由于人在不同行為過程中，加速度和角加速度會動態發生變化。為了避免在實際測量過程中外界因素的干擾，在實際姿態解算中常用四元數和互補濾波相互融合獲取姿態角，作為日常行為檢測系統的補充判據，以準確反映人體姿態變化。常用Mahony 姿態解算算法輸出人體的三個姿態角，主要過程分為以下3 個步驟，具體運算過程如式（4）-式（6）所示。

4 實驗結果與分析

由于人在運動時重心的加速度會發生變化，因此重心處的加速度是跌倒檢測的重要信息。本次實驗將裝置佩戴在實驗者的腰部，選取了男、女各5 名志愿者，采集他們在12 種日常行為過程的數據，包括走路、跑步、站立、坐下、上樓、下樓、乘坐電梯、跳躍、向前倒、向后倒、向左倒、向右倒，為了避免實驗的偶然性，每組動作反復采集10次。其中，采集主要日常行為的數據信息如表1所示。

Table 1 Summary of main daily behavior characteristics表1 主要日常行為特征匯總

如圖4、圖5 可見，人體在發生跌倒時高度變化率明顯高于其它日常活動的數值。同時，人體姿態變化角度出現極大值。基于融合后的高度及歐拉角變化率作為判據，實驗結果如圖4 所示，在跌倒發生時融合算法曲線能在1s 內趨于穩定，即使在跌倒過程中高度傳感器數值發生劇烈波動，融合后的曲線仍能保持穩定，體現了系統的魯棒性。

Fig.4 Height change rate圖4 高度變化率

Fig.5 Change vate of Euler angle圖5 歐拉角變化率

5 結語

本文通過對老人日常行為的跟蹤調查與數據分析，設計了一種基于DA14695 平臺的多參數融合跌倒檢測系統。通過采集人體日常運動的加速度、角速度、高度等信息，采用卡爾曼濾波算法融合加速度傳感器和氣壓計計算高度變化率，利用Mahony算法檢測姿態角變化率。

實驗結果表明，高度與姿態角的變化率在跌倒和非跌倒行為中有著顯著差異，以此作為判據條件的平均準確率為95%。該方法在結合加速度傳感器高靈敏度特點的同時，避免了外界溫度和氣壓對高度傳感器的干擾，能夠準確采集高度變化信息。