基于智能手機和機器學習的人體跌倒檢測方法研究

王鐵雁

（廈門市美亞柏科信息股份有限公司，福建 廈門 361000）

概述

跌倒是老年人常見傷害原因，嚴重影響健康安全和生活質量。跌倒的危害不僅在于導致嚴重損傷，還在于跌倒時得不到及時救治，造成二次傷害[1]。因此，如何高效便捷地檢測跌倒事故是亟待解決的社會問題。

現有跌倒檢測方法主要包括基于圖像、基于環境感知及基于可穿戴設備的檢測方法[2-3]。圖像檢測法由視頻監視器對人體進行實時監測，通過人體姿態特征屬性建模分析來檢測跌倒。該方法準確率較高，但特征提取易受圖像噪聲、光線影響，算法魯棒性較差，且不能保證用戶隱私。環境感知檢測法通過安裝在人體活動區域的壓力、震動和聲音等傳感器進行跌倒檢測，但該方法僅限于特定環境，裝置安裝復雜，資金投入大，難以普及[4]。可穿戴設備檢測法通過佩戴的傳感器采集人體運動信息進行姿態分析，不受環境限制，精度也較高，對老年人限制最小[2]。其中，智能手機普及廣泛，價格適宜，便于攜帶，配置了可提供跌倒監測數據的加速度計和陀螺儀等傳感器[3,5]，是一款理想的可穿戴跌倒監測設備。

數據處理方面，目前國內外普遍采用機器學習算法進行跌倒檢測建模，有較多研究成果[6]，但基于智能手機的跌倒檢測方法研究還較少。國際上Usmani 等人比較了多種機器學習算法的跌倒檢測模型后指出，綜合傳感器類型、放置位置等多因素，支持向量機（Support Vector Machine，簡稱SVM）綜合性能較優，能達到很高準確率[6]。國內李美惠指出跌倒檢測是典型二分類問題（將跌倒和日常行為區分），SVM是解決該問題的有效算法[7]。SVM的基本思想是找出一個特定的劃分超平面，該平面在劃分數據集時使幾何間隔盡量最大（圖1），具有較好識別效果和實用性。因此，本研究基于智能手機傳感器數據和SVM 進行跌倒檢測方法開發和驗證。

圖1 支持向量機原理圖

1 跌倒過程分析

跌倒是人體在失控狀況下由直立向傾倒姿態的轉變過程。過程中人體最顯著的變化是速度的變化，可由加速度傳感器捕獲[5]。因此，本研究通過手機內置三軸加速度計來采集數據。由于事先無法預知跌倒方向，因此采用三軸加速度的合加速度（A）作為指標，計算如下：

式中：ax，ay，az分別為X,Y,Z 軸方向加速度。

對典型跌倒過程分析（圖2），可發現不同類型跌倒在時間維度上有相同變化特征，可分為三個階段：

圖2 典型跌倒過程分析（以向后跌倒為例）

（1） 跌倒起始階段：人體傾斜，加速度急劇下降，形成一個低谷，人體處于失重階段。

（2） 跌倒碰地階段：人體開始接觸地面，支承力大于重力，合力加速度與速度方向相反，在極短時間內速度減少為零，加速度劇增，速度為零時加速度最大，人體處于超重階段。

（3） 跌倒完成階段：由于人體具有彈性，且各部分非同時接觸地面，可能造成人體加速度快速且有起伏地減少，最后保持在參考基準值（即重力加速度）。

對坐下、行走、慢跑、上樓、下樓及站起等日常行為分析可知：相對跌倒，坐下的加速度變化幅度較小；行走及慢跑的加速度變化類似多個跌倒過程疊加組合，但變化較短；上樓行為無加速度急劇減少階段，且接觸地面后波形劇烈減少；下樓動作中接觸地面后加速度變化較小；站起動作加速度變化與跌倒相反。因而，這些日常活動與跌倒能較好區分。

2 研究方法

2.1 特征提取

根據跌倒的三個典型階段，本研究選取下落時間、撞擊時間和加速度變化值作為特征指標，分別對應跌倒三個階段的主要特征。下落時間指加速度顯著下降到加速度出現最小值的時間，是失重狀態結束的標志。撞擊時間指人體下落接觸地面后，垂直向下的速度減少為零，加速度劇烈增加出現最大值的時間，標志第一次撞擊地面的結束時刻。跌倒后，人體各部位不同時著地，會小幅度彈起和落下，直到靜止，這導致加速度出現快速起伏減少現象，加速度變化相對于行走和慢跑等活動小很多。

2.2 模型建立

本研究在線性SVM 基礎上引入拉格朗日函數，考慮松弛變量，構造SVM模型如下：

為解決數據非線性問題，在SVM中引入核函數，將數據映射到高維特征空間，使之能線性分類。由于徑向基函數校準過程快速，方便調節，采用其作為核函數，公式如下:

接下來使用Matlab 平臺編寫程序，采用最小序列優化算法構造判別函數，如下：

本研究定義跌倒行為為正值（+1），非跌倒行為為負值（-1），分類界面為：

2.3 實驗數據收集與分析

考慮到老年人身體不便及不同年齡群體跌倒行為具有相似特征，本研究招募了10 名大學生志愿者參與模擬實驗收集數據。實驗中，參與者均將測試手機（華為P9）置于右側褲袋，分別針對4 種跌倒（前后左右跌倒）和8 種日常行為（坐下、站起、上樓、下樓、彎腰、躺下、正常行走和慢跑）進行模擬（圖3）。每種行為重復4 次，共收集了480 組數據（包括日常行為320組，跌倒行為160 組）。

圖3 實驗數據收集示例

通過手機加速度計的時序數據提取特征值，進行歸一化處理，消除不同特征量綱差異問題。隨機選擇80%數據作為訓練集，剩余數據為測試集，并基于10折交叉驗證法觀測模型泛化能力。采用準確率、精準率、特異性、靈敏度及混淆矩陣等參數評估模型性能。

2.4 測試結果

結果（表1）表明，模型準確率為94.8%，精確率為90.9%，靈敏度為93.8%，特異性為95.3%。模型測試集混淆矩陣如圖4 所示，可以看出跌倒檢測算法綜合性能較好。跌倒和日常行為檢測的精確率分別為90.9%和96.8%。總的來說，本研究提出的跌倒檢測模型可較準確地識別跌倒行為。

表1 模型測試集實驗結果

圖4 跌倒檢測模型測試集混淆矩陣

2.5 應用探討

利用智能手機實現跌倒檢測具有很大發展潛力。本研究結果表明智能手機內置傳感器能支持有效的跌倒識別。在此基礎上還可進一步集成手機及時通訊與定位功能，形成具備實時跌倒檢測和快速救助通信的跌倒檢測報警系統（圖5）。當跌倒發生時，及時報警，結合GPS 定位，實現快速救助。

圖5 智能手機跌倒檢測與報警系統

3 結論

本研究提出了一種基于智能手機和機器學習的跌倒檢測模型，并基于實證數據對模型進行了訓練和驗證。結果表明，該跌倒檢測模型準確率較高，綜合性能較好，具有一定場景適用性，可向現實應用進行遷移。然而，本研究訓練樣本不大，特征指標也有限，未來研究可結合動力學和位移等其他模態數據，基于大樣本數據來提高跌倒檢測方法的有效性。