基于三軸加速度計對閾值跌倒識別算法的優化

陳子萱，林永熠，盧韻潔，郭雪妮，常相輝

（西南交通大學 物理科學與技術學院，四川成都，610031）

0 引言

近年來，我國人口老齡化趨勢不斷增速，預計2030 年空巢老人家庭比例有可能達到 90%以上[2]。目前跌倒是老年人傷殘、失能和死亡的主要原因，且是65 歲以上老人死亡的首因[3]。為保障老年群體，特別是缺少監護的獨居老人的安全，做出性能好、適用性強的的跌倒防護裝置成為迫切需求，而防護裝置的重點在于如何識別跌倒，做到“跌落前識別，跌倒時防護”。傳統的跌倒識別[4]是一種跌倒后檢測方法，旨在自動提醒監護人。雖然它可以在跌倒后立即報警，提醒監護人，從而減少傷者由于缺乏監護耽誤送往醫院的時間。但是它不能防止或減輕摔跌對人造成的傷害。新型的防跌倒識別系統主要依靠信號檢測與處理、信號特征提取、數據傳輸等基本功能模塊，實現對動作行為進行監測，并可在發生跌倒碰撞前預先識別，通過快速充氣形成安全氣囊，對老人尾椎、髖關節和后腦等關鍵部位進行防護，減小摔跌時的碰撞沖擊[5]。

檢測老人跌倒狀態的方法有很多，根據不同信號采集方法可以主要分為三類[1]：基于視頻監控的跌倒檢測、基于聲學的跌倒檢測和基于傳感器的跌倒檢測?；谝曨l監控的跌倒檢測是采用攝像頭持續對于特定區域范圍內的目標進行視頻拍攝，提取視頻中圖像信息，再通過圖像處理，判斷視頻中人物是否跌倒[5]?；诼晫W的跌倒檢測通常分析跌倒時，人體碰撞產生的低頻信號以及人體反射超聲波的高頻信號?；趥鞲衅鞯牡箼z測[6]是一種裝載有傳感器可穿戴設備，可以實時監測老年群體的行為活動，獲取判定標準的特征值，通過算法和判斷模型進行處理，從而確定老年人是否跌倒以及確切的跌倒姿勢的設備。

利用視頻圖像、超聲波或者其他聲學特征來識別人體動作的傳統技術方法受制于設備數量和性能、以及識別場景的固定性。隨著微電子技術的發展，體積小、能耗低的傳感器件已較為普遍地出現在市面上。目前的可穿戴的設備由傳感器、微控制單元和無線通信模塊集成而成，可以識別人體行為方式，判斷摔跌情況，可以在跌倒時反饋警報，從而幫助老年群體得到及時救助[7]。該種方法不需要特定場景下的固定儀器設備，不受人運動環境的限制，只需隨身佩戴，所以應用前景更為廣闊。針對可穿戴設備在生活中的應用，目前有效的判斷方法是通過給傳感器模塊合理設置閾值，以及識別運動的模型來判斷老年人是否跌倒以及跌倒方式。為老年人佩戴一個帶有加速度獲取模塊的設備，長時間伴隨記錄他們的日?；顒訑祿?。當老人發生摔跌，加速度將在一定時間內發生突變，產生峰值。所以可以通過設置一個合理的閾值。如果加速度峰值超過設定的閾值，通過其他輔助判據可以確定老年人是否跌倒[8]。

綜上所述，本文基于三軸加速度計傳感器的跌倒檢測，采用事后跌倒識別研究了跌倒識別算法。事后跌倒識別又分為未撞擊階段識別和撞擊后識別，未撞擊階段識別通過提取未撞擊前加速度、速度、傾角等特征量，后建立數學模型等進行跌倒識別[9]?？紤]到硬件內存、算力的限制、無線傳輸的網絡延遲、傳感器的靈敏度和信號提取速度等限制，本文利用CH340 加速度計提取跌倒以及行為前后的加速度值等特征量，通過統計判斷識別閾值，制定識別算法，后采用利用單片機等硬件資源自主研發的傳感器裝置進行識別，通過跌倒實驗驗證了該算法的實時性和有效性。

1 人體模型建立

跌倒過程中人體各部位都有相應動作，且并非所有動作對跌倒識別都是有效的，若考慮所有動作則人體模型過于復雜。經過研究證明，圍繞人體腰部建立模型是最為有效的。腰部的傾斜動作反映了人體軀干的運動，且腰部與人體重心位置較為靠近，故跌倒實驗模型以腰部為軸建立XYZ坐標系。如圖1 所示，人體腰部為原點，人體上下為X 軸垂直于地面，人體左右為Y 軸，人體前后為Z 軸，平面YOZ 平行于地面。

圖1 在腰部建立直角坐標系

2 跌倒實驗及數據收集

正常生活中我們將人體行為活動分成兩類：正常行為活動和跌倒。正常行為活動包含：站立、坐下、蹲下、躺下、起立、常速行走、奔跑、上下樓梯。跌倒包括向前跌倒、向后跌倒和側面跌倒。跌倒區別于正常行為活動有以下4 個特征：失重、朝向變化、撞擊和靜止。跌倒過程可分為3個階段[10]：①失去平衡，即人體出現向下傾斜并伴有跌倒趨勢；②失重，就是跌倒過程中人體開始向下傾斜但是還沒有接觸到地面的階段；③跌倒觸地碰撞，就是人體跌倒在地面，與地面碰撞，速度突變然后恢復平衡的階段。在跌倒失衡階段，由于過程時間短暫，人體僅僅有跌倒的趨勢，即這個階段沒有方便定義和識別的可用于跌倒分析的特征量。所以，在這個階段不適合進行人體跌倒的分析。在跌倒失重階段，人體的加速度和姿態傾斜角變化迅速。這個階段的時間比較短暫，但是具有失重和朝向變化這兩個物理特征。因此，在這個階段做跌倒預測是非常合適的。跌倒觸地碰撞階段，雖然也有可用于識別判斷跌倒的特征量，如速度，加速度的突變，傾斜角變化量為0 等。但是由于已經跌倒造成傷害，跌倒后再進行判斷沒有太大應用價值。

我們將CH340 加速度傳感器固定于4 位實驗人員（P1,P2, P3, P4）腰部，分別讓其進行正常日常行為活動和跌倒。一組數據包含：站立、常速跑步、上樓梯、下樓梯、常速步行、蹲起、跳躍、坐起這8 項日常行為活動以及向前跌倒和向后跌倒這兩項跌倒方式。4 位實驗人員分別進行重復10 組實驗并收集數據。

3 數據分析及閾值確定

本文主要計算合加速度，傾角變化，SMA 等特征量，通過對真人實驗數據分析總結，并找到跌倒行為與其他行為在這些特征量上的區別以及各自特征，以便用于構建跌倒識別算法。

■3.1 合加速度

通過對多個跌倒運動數據的分析，跌倒行為的瞬時加速度會發生劇烈變化，在一段時間出現遠遠高于日常緩慢行為加速度的峰值，加速度公式用下式表示：

式中A 為三軸加速度的合加速度。ax,ay,az分別為加速度計對同一個數據點收集到的三軸的加速度數據。

日常行為中的合加速度模擬如圖2 所示，橫坐標為數據點，縱坐標為加速度。

圖2 人體各行為動作合加速度

圖3 跌倒檢測算法流程圖

根據圖2 可得各種行為活動合加速度峰值，對每組數據求平均值，整理如表1 所示。

表1 每組各項行為活動平均合加速度峰值

如表1 所示，跑步的合加速度峰值都在2.0g 以上，跳躍的合加速度峰值都在3.0g 以上，最大可以達到3.5g。其他的緩慢活動中不同身高體型的人的合加速度值差異不大，比如靜止站立的時候，此時加速度都約為一個重力加速度。實驗人員均為18～22 歲青年，在跑步、行走、跳躍等動作可能與實際情況下的老年群體有所差別。為了保證能檢測到所有跌倒或疑似跌倒的動作，同時又能區分一些很明顯的非跌倒動作，我們設定合加速度的閾值為1.7g，通過這個閾值，就可以排除一些非劇烈行為活動，同時這個閾值比跌倒動作產生最大合加速度值要小，即當跌倒或疑似跌倒動作發生時都可以進入后面的檢測判斷步驟，減少漏判的情況。

■3.2 人體傾角

在數據收集中，定義數據AngleX, AngleY, AngleZ 為與初始（筆直站立）調零時刻x， y，z 方向對應的夾角。跌倒 時AngleX ≥60 °， 即 對 于 一 般 情 況AngleXi-AngleX0≥60 °，其中AngleX0是初始時刻的角度，AngleXi為此后任意時刻角度。若需時刻對AngleX0和AngleXi進行保存并計算，對設備存儲讀取數據要求較高。構造地面坐標系OX0Y0Z0，和固定于人體的動坐標系OX1Y1Z1有：

■3.3 運動劇烈程度

定義加速度幅度區域SMA(Signal Magnitude Area)其中T 是歸一化時間：

SMA 即為加速度-時間圖像下的平均面積。該面積大小可以反映一段時間活動的劇烈程度，SMA 越大運動程度越劇烈。對老年群體而言，平時日常行為都是緩慢運動為主，偶有較大SMA，而跌倒在瞬時段也屬于一種劇烈運動，SMA 較大。因此，SMA 也可作為一個判定標準。

4 跌倒檢測算法及檢測結果

跌倒檢測算法是設備識別跌倒的根本，追求低誤判、低漏判的檢測算法尤為重要。正如本文第3 節所講，我們可以通過SMA，人體傾角，合加速度等多個判定標準去衡量。但是考慮到跌倒識別裝置為人體可穿戴裝置，其體積小質量輕，所擁有的計算能力可能較弱，不適合做大量復雜運算。而SMA 為較為復雜的積分運算，對算力要求比較高，一定程度上會影響判定的實時性和高效性，故本文設計的算法中不考慮該特征。

本文設計的跌倒識別算法主要有以下幾個判定條件。

①合加速度A 應當連續多次（ ≥3 次）超過閾值1.7g

考慮到設備的靈敏度等問題，對于一些偶然的大幅度行為，可能導致速度突變，產生孤立的較大加速度值。故需要在一段時間內連續超過跌倒閾值，才可初步判定為“可能是跌倒”。該條件主要是為了排除一些突然的大動作導致的超過閾值的誤判。

②傾角θ≤30 °

考慮到上下樓、跑步、跳躍等相對劇烈的運動加速度也會出現連續多次大于閾值，而傾角與站立姿態幾乎沒有變化，故通過人體傾角變化同時對跌倒進行判定。

利用三軸加速度傳感器采集日常行為活動和跌落的數據，分析各個行為的特點，根據以上數據中的特征量，與跳躍、跑步、上下樓梯、蹲起等與跌倒加速度特征相似的劇烈運動進行對比，分析出合加速度峰值和傾角的特征，設置判定閾值并制定識別算法，最后在智能手機上驗證了我們制定的實時跌倒識別算法。我們進行了20 組日常行為活動實驗，每個實驗組包含了正常行走、跑步、蹲起、跳躍和上下樓梯這5 項行為，以及10 組摔倒實驗，每組實驗包含前摔、后摔、行進中跌倒這3 種跌倒類型。如表2 和表3 所示，通過統計分析實驗結果，我們得出了本算法跌倒識別的準確率達95%，漏報率0%，跌倒類型判斷的準確率達90%。

表2 日常行為活動實驗

表3 摔倒實驗

實驗平均準確率較高，響應時間在由儀器、實驗方法所造成的誤差范圍內。該結果證明本文設計的算法可以將跌倒行為和緩慢行為以及劇烈運動進行區分，同時還可以判斷跌倒的種類，并能及時發出報警，基本滿足預期跌倒前識別并報警效果。由于沒有SMA 算法，無法對運動劇烈程度進行判定，故測試結果中對于行進中摔倒有多次誤判為前摔。對于較少的誤判情況，未來需要再獲取更多數據信息進一步分析處理，對閾值判別進行進一步的優化。在未來的工作中，我們將考慮使用工作輪詢等方法，以更有效地解決使用智能手機作為傳感平臺連續運行工作的能耗問題。

5 總結

綜上所述，通過算法和人體行為數據的匹配程度尋找“疑似”跌倒行為，解決了生活中缺乏訓練樣本的問題；然后加入傾角信息進行二次判斷，在完成跌倒識別的同時，提高了近似行為的識別率，同時可以協助識別出不同的跌倒種類。仿真結果和理論分析表明，與其他三種方法相比，本文提出的方法具有更高的精度，同時有效地識別了墜落行為。特別適合日常以緩慢運動的老年群體。同時，本文研究的方法同時可以識別跌倒方式、具有較高精度、較低能耗的特點，可以提高跌倒防護產品的經濟性和實用性，具有良好的應用前景。未來將把該算法應用于自主開發的嵌入式系統中，并配合快速充氣和保護氣囊等防護模塊，實現的“跌落前識別，跌倒時防護”的完整功能。