基于5G無線定位技術(shù)的老年人摔跌監(jiān)控研究和應(yīng)用

陳鳳蓮 盧旭文

廣東南方電信規(guī)劃咨詢設(shè)計院有限公司

0 引言

近年來，我國老年人口在總?cè)丝谥兴嫉谋壤粩嗌仙淆g化程度加深，老年人的健康和安全日益成為很多家庭贍養(yǎng)老人面臨的問題。老年人視力下降，骨質(zhì)疏松，平衡協(xié)調(diào)能力較差，稍有不慎就會摔跌，摔跌后如無法及時得到救助就會造成嚴(yán)重后果。研究表明，每年有約30%~40%的65歲以上老人至少跌倒一次，老年人跌倒死亡率隨年齡的增大而上升。因此，實時掌握老年人的定位信息，并基于定位信息進(jìn)行防摔技術(shù)的研究和預(yù)測就顯得格外重要。

本研究基于5G無線定位信息分析研究老年人正常活動與摔跌的狀態(tài)和相關(guān)特征參數(shù)，及時回傳至云端并根據(jù)判斷結(jié)果及時發(fā)出告警和求助信息，同時根據(jù)相關(guān)特征參數(shù)進(jìn)一步預(yù)測老年人摔跌的概率和可能性，提升老年人生活的安全感，同時減少親人們的擔(dān)憂。

1 5G無線定位

1.1 5G無線定位原理

5G R16引入了新的定位參考信號（PRS），采用了多種定位技術(shù)來合力提升定位精度。同時，由于5G時代超密集網(wǎng)絡(luò)增加了參考點的數(shù)量和多樣性，Massive MIMO多波束可讓AoA估計更精確，更低的網(wǎng)絡(luò)時延可提升基于時間測量的精度，這些優(yōu)勢進(jìn)一步提升了5G定位能力。

無線定位是指通過無線信號的測量獲得目標(biāo)的位置信息。大多數(shù)定位過程是將信號測量轉(zhuǎn)換成距離或者角度信息，然后計算出位置信息。

根據(jù)3GPP 5G標(biāo)準(zhǔn)，5G定位常用的無線定位技術(shù)原理有以下幾種：（1）基于信號到達(dá)時間：到達(dá)時間TOA（Time of Arrival）、到達(dá)時間差TDOA（Time Difference of Arrival）；（2）基于信號角度：到達(dá)角度AOA（Angle of Arrival）、離開角度AoD（Angle of Departure）；（3）基于信號多普勒頻移FDOA（Frequency Difference of Arrival）；（4）基于接收信號強(qiáng)度（Received Signal Strength，RSS）。

以上原理均需要首先對無線信號進(jìn)行測量，而這些測量信息均與無線信號的發(fā)射端和接收端的相對位置有關(guān)。通過測量獲取足夠多的發(fā)射端和接收端的位置信息，就可通過這些已知的無線測量信息計算出其他接收端和發(fā)射端的位置信息。

1.2 5G無線定位方法

由于發(fā)射機(jī)與基站間一般難以做到嚴(yán)格的時間同步，基于TDOA的位置估計可以通過計算信號到達(dá)2個基站的時間差進(jìn)行位置估計，經(jīng)過多方法驗證采用TDOA定位方法。TDOA是指在假設(shè)不知道信號具體發(fā)射時間的情況下，只需要在發(fā)射端同步發(fā)射多個信號至基站接收端，接收端就可以估算出距離發(fā)射端的距離差。該方法至少需要利用3個監(jiān)測站，通過測量信號到達(dá)任意2個基站的時間差，構(gòu)造以基站為焦點，以距離差為長軸的雙曲線，雙曲線的交點即為發(fā)射機(jī)所在的位置。TDOA的方法雖然不需要發(fā)射機(jī)與基站間的同步，但是多個基站之間仍需要有較好的時間同步機(jī)制，目前的5G網(wǎng)絡(luò)超高精度的時間同步（±10 ns級）可以滿足要求。

在TDOA定位中，設(shè)（a，b）是待測量位置的坐標(biāo)，第i個基站（BS）的已知坐標(biāo)為（ai，bi），則第i個基站（BS）（i=1，2，…，N）到待測量位置（a，b）的距離為：

令lij表示BSi、BSj（i≠j）與待測量位置（a，b）之間的距離差，則：

由式（1）、（2）可以得到：

通過測量l21、l31、l32三組距離差，由上式求解方程組可以得到待測目標(biāo)位置的坐標(biāo)（a，b），如圖1所示。三組雙曲線的交點即為待測量位置的坐標(biāo)（a，b）。

圖1 雙曲線定位示意圖

定位需要配備一款穿戴的設(shè)備，經(jīng)過多種方式的研究和對比，采用以舒適性和安全性較高的手環(huán)為主，并內(nèi)置5G卡。利用5G無線定位的原理，5G網(wǎng)絡(luò)定期采集老年人的位置信息，并回傳至5G基站和云端。

在老人居家獨處或出門上街等過程中，親人通過老人身上佩戴的手環(huán)，即可準(zhǔn)確地獲取老人的位置信息，在老人摔倒或即將摔倒時就能非常及時準(zhǔn)確地對老人實施救助。5G無線定位在摔跌事件監(jiān)測和預(yù)測中的應(yīng)用，將大大提高獲取老人位置信息的準(zhǔn)確率，減少盲目尋找老人具體位置而消耗的無用功，縮短實施救助的時間。

2 特征參數(shù)監(jiān)測

老人在摔跌過程中會呈現(xiàn)出很多特征，因此對這些特征參數(shù)進(jìn)行提取和監(jiān)測將是判斷和檢測摔跌事件發(fā)生的關(guān)鍵。但是如果僅用一個特征參數(shù)來判斷摔跌事件，則會有比較高的誤判率，因此必須從多維角度來監(jiān)測摔跌的特征參數(shù)，這樣才能更逼近實際情況。本研究從以下幾個方面對摔跌過程進(jìn)行監(jiān)測。

（1）監(jiān)測項目：手環(huán)距離地面的高度差

手環(huán)內(nèi)置有5G卡，通過內(nèi)置的氣壓計定時測量氣壓數(shù)據(jù)，并從云端服務(wù)器獲取數(shù)據(jù)支持，進(jìn)而可以得到當(dāng)?shù)氐膶崟r海拔氣壓換算方式，進(jìn)而計算出具體位置的海拔高度，進(jìn)一步計算出前后2次提取數(shù)據(jù)的高度差。摔跌前后手環(huán)（A點）距離地面高度圖2和圖3所示。

圖2 摔跌前手環(huán)距離地面高度示意圖

圖3 摔跌后手環(huán)距離地面高度示意圖

監(jiān)測頻率：采樣頻率與手環(huán)的耗電量息息相關(guān)，采樣頻率高，則手環(huán)耗電量大，采樣頻率低，則手環(huán)耗電量小。考慮到此參數(shù)非常重要，設(shè)定此參數(shù)的重要級別為一級，因此設(shè)定此參數(shù)的采樣頻率為密集。設(shè)定每5S提取一次手環(huán)的海拔數(shù)據(jù)，并與前一次提取的海拔數(shù)據(jù)做對比計算出高度差。

（2）監(jiān)測項目：手環(huán)的運動加速度

人體摔跌過程相對于日常活動會有一個比較大的加速度。手環(huán)定時上報運動加速度。

監(jiān)測頻率：考慮到此參數(shù)非常重要，設(shè)定此參數(shù)的重要級別為一級，因此設(shè)定此參數(shù)的采樣頻率為較密集。設(shè)定手環(huán)每5S提取一次運動加速度數(shù)據(jù)。

（3）監(jiān)測項目：手環(huán)的運動速度

人體的摔跌過程相對于日常活動會有比較快的速度，手環(huán)定時上報運動速度。

監(jiān)測頻率：考慮到此參數(shù)比較重要，設(shè)定此參數(shù)的重要級別為二級，因此設(shè)定此參數(shù)的采樣頻率為較密集。設(shè)定手環(huán)每10S提取一次運動速度數(shù)據(jù)。

（4）監(jiān)測項目：手環(huán)受到的壓力值

人體在摔跌后與地面碰撞，會產(chǎn)生比較大的壓力。手環(huán)定時上報所受到的壓力值。

監(jiān)測頻率：考慮到此參數(shù)比較重要，設(shè)定此參數(shù)的重要級別為二級，因此設(shè)定此參數(shù)的采樣頻率為較密集。設(shè)定手環(huán)每10S提取一次所受到的壓力值數(shù)據(jù)。

3 摔跌事件檢測及預(yù)測

摔跌過程中手環(huán)距離地面的高度差、運動加速度、運動速度、受到的壓力值，這些特征參數(shù)對摔跌事件的檢測及預(yù)測起著非常重要的作用。在對上述4個特征參數(shù)的監(jiān)測過程中，會得到一系列的采樣實際值。經(jīng)過對多種算法的研究和比較，采用梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）算法對監(jiān)測獲取的海量數(shù)據(jù)進(jìn)行深度數(shù)據(jù)分析。GBDT屬于集成算法的一種，基分類器是回歸樹，是一種boosting算法，即逐步擬合逼近真實值，是一個串行的算法。

梯度提升算法的回歸樹基本模型，如下所示：

輸入：訓(xùn)練數(shù)據(jù)集T={（x1，y1），（x2，y2），…，（xN，yN）}，損失函數(shù)為L（y，f（x））。

輸出：回歸樹F（x）。

第一步：建立初始化弱學(xué)習(xí)器，估計使損失函數(shù)極小化的常數(shù)值，它是只有一個根節(jié)點的樹，一般平方損失函數(shù)為節(jié)點的均值，而絕對損失函數(shù)為節(jié)點樣本的中位數(shù)。

第二步：對m=1，2，……，M（M表示迭代次數(shù)，即生成的弱學(xué)習(xí)器個數(shù)）。

（1）對每個樣本i=1，2，……，N，計算損失函數(shù)的負(fù)梯度在當(dāng)前模型的值，將它作為殘差的估計。對于平方損失函數(shù)，它就是通常所說的殘差；而對于一般損失函數(shù)，它就是殘差的近似值（偽殘差）。

（2）將上步得到的殘差作為樣本新的真實值，并將數(shù)據(jù)（xi，rmi），i=1，2，……，N作為下棵樹的訓(xùn)練數(shù)據(jù)，對{（x1，rm1），…，（xN，rmN）}擬合一個回歸樹，得到一顆新的回歸樹fm（x）對應(yīng)的葉子節(jié)點區(qū)域Rmj，j=1，2，……，J，其中J為每棵回歸樹的葉子節(jié)點個數(shù)。

（3）對葉子區(qū)域j=1，2，……，J，利用線性搜索，估計葉子節(jié)點區(qū)域的值，使損失函數(shù)最小化，計算最佳擬合值。根據(jù)輸入x和上一輪殘差rmi計算得到（xi，rmi），擬合回歸樹得到cmj，其中fm-1（x）的是上一代（m-1代）的學(xué)習(xí)器，在此輪決策樹種加入?yún)?shù)c，擬合上一輪殘差rmi，并使得擬合時誤差最小的情況下得到輸出cmj。

（4）更新強(qiáng)學(xué)習(xí)器：

第三步：得到最終的回歸樹，即最終學(xué)習(xí)器：

算法輸入包括摔跌過程4個特征參數(shù)的采樣實際值。

第一階段：建立摔跌過程的梯度提升算法的回歸樹基本算法模型，在每次迭代中擬合殘差來學(xué)習(xí)一個弱學(xué)習(xí)器，然后不斷擬合、更新，得到最終學(xué)習(xí)器，從而對摔跌過程進(jìn)行檢測，檢測到摔跌事件時，手環(huán)立即發(fā)出告警和求助信號。

4 實施進(jìn)展及成果

本方案已在第一階段展開一定規(guī)模的試驗，試驗階段收集參數(shù)及判斷的結(jié)果主要用于算法的迭代升級，試驗對象主要為輪滑運動的初學(xué)者，通過近5個月超百名案例的跟蹤，從正常α、棄真β、存?zhèn)桅玫热椊Y(jié)果判斷算法的準(zhǔn)確率。

（1）正常α定義為樣本實際發(fā)生了摔跌異常行為，算法演算同時提示發(fā)生摔跌異常行為；（2）棄真β定義為樣本實際發(fā)生了摔跌異常行為，但算法未演算出相應(yīng)的結(jié)果；（3）存?zhèn)桅枚x為算法演算提示發(fā)生摔跌異常行為，但樣本實際處于正常狀態(tài)。

近3個月試驗結(jié)果如表1所示。

表1 近3個月試驗結(jié)果統(tǒng)計表

近3個月試驗結(jié)果各項占比如圖4所示。

圖4 5G核心網(wǎng)采集結(jié)構(gòu)圖

圖4 近3個月試驗結(jié)果占比圖

從上述試驗結(jié)果可以看出準(zhǔn)確率在不斷提升，但仍在比較低的水平，且提升的幅度在減小；存?zhèn)温视幸欢ㄏ陆担陆捣容^小。經(jīng)分析，受參數(shù)值的準(zhǔn)確性影響比較大，該準(zhǔn)確性受硬件精度、成本所限，同時算法還需要更多場景進(jìn)行迭代優(yōu)化。第一階段試驗主要結(jié)合了輪滑的特殊場景，與老人生活的場景有一定區(qū)別，下一步將在室內(nèi)開展5G+WIFI結(jié)合的場景試驗，同時為第二階段DRL做準(zhǔn)備。

通過第一階段的研究和試驗，證明了該技術(shù)切實可行，項目如果實施后將對防止老年人摔跌起到非常積極的作用，有助于全社會關(guān)愛老年人、幫助老年人，極大提升老年人晚年生活的安全指數(shù)和幸福指數(shù)。

5 結(jié)束語

本方案應(yīng)用5G無線定位手段和GBDT算法，并開展了一定規(guī)模的試驗，在一定程度上證明了方法的合理性，但從試驗結(jié)果可以看出離實際規(guī)模應(yīng)用仍有較大的距離。

第二階段將爭取更廣泛的合作，在控制成本的基礎(chǔ)上，開展更深入的探索和實踐，具體工作思路、方法和目標(biāo)如下：深度強(qiáng)化學(xué)習(xí)（DRL：Deep Reinforcement Learning），利用人工智能（AI：Artificial Intelligence）算力進(jìn)行模擬、模糊運算，不斷修正學(xué)習(xí)器。回歸樹葉子節(jié)點得分就是均值，然后每棵樹每個樣本都有一個得分，得分累加就是最后的預(yù)測值，這樣就可以對摔跌事件的發(fā)生進(jìn)行預(yù)測，檢測到異常事件就能通過手環(huán)提前發(fā)出預(yù)警信號，提示關(guān)注身體狀態(tài)，從而有利于減少老年人摔跌事件的發(fā)生。