word格式文檔word格式文檔word格式文檔word格式文檔專業整理專業整理專業整理專業整理老年人跌倒檢測技術研究ResearchonFallDetectionTechnologyfortheElderly摘要跌倒重威脅著老年人的健康和生命，提供自由、實時的安全監護對老年人的生活質量和生命保證有重大的應用價值和研究意義，本文正是針對老年人對跌倒自動呼救的需求，圍繞面向老人的便攜式跌倒監護系統展開應用研究，基于跌倒的運動學原理，設計了跌倒檢測算法。該跌倒檢測算法通過對人體加速度和姿態的監測，構建了基于不同跌倒階段的閾值判斷的跌倒檢測邏輯。經過系統實驗驗證，該跌倒檢測算法對常見的跌倒情況的檢測準確率在95%以上，能夠滿足老年人跌倒的危險情況檢測需求。關鍵詞：老年人，穿戴式，跌倒檢測，慣性傳感器1緒論研究背景20世紀后，全世界正以無法想象的速度步入全球老齡化時代[1]。我國也于20世紀2050國家[2]，這也將從多方面給我國社會帶來巨大的壓力和挑戰。題尤為突出，主要體現在兩點：第一，老年人身體機能退化，他們極易意外或因病（其是心腦血管疾?。?/365[3]，跌25%[4]，跌倒非常容易造成老人骨折、內臟震蕩；如果跌倒后得不到及時救助，會進一步提高致死率和致殘率。跌倒不僅給老年人造成生理上的傷害，還會帶來心理上的陰影。此外，當前社會老年人跌倒后無人敢攙扶、無人敢救，漸漸成為一種普遍的社會現象，在這種情況下，跌倒對老年人更是致命的。研究現狀目前，跌倒檢測算法研究的著眼點包括三點：第一是重點分析臨界階段或沖擊，第二是重點分析跌倒后階段，最后是兩者同時分析。跌倒的臨界階段的研究Wu(UniversityofVermont,USA)3[5]。Charif和速度閾值方法檢測跌倒[6]。Noury(UniversityofGrenobleinFrance)設計了一種佩帶在腋下的自主檢測立到水平的體位和跌倒后的靜息狀態[7]。Mathie等人使用位于胸部的三軸加速度傳感器，Hwang等人使用陀螺儀，Bourke和Lyons等人使用雙軸陀螺構建閾值算法，在臨界階段檢測跌倒[8-10]。Tamura統只能保護向后跌倒的情況[11]。跌倒的沖擊的研究Williams1998壓電傳感器檢測沖擊，然后激發水銀傾角計檢測體位[12]。DoughtyetTunstall(Whitleylodge,Yorkshire,England)公司推向市場[13]。Lindemann32g；0.7m/s；6g[14]。跌倒后階段的研究在跌倒后階段，人體一般處于平行于地面且靜息狀態。因此可以通過傾角計測量人綜上所述，跌倒是行走過程中常見的危險事件，目前跌倒檢測的研究前沿為跌倒檢測準確率為90%左右。目前該領域存在的問題跌倒檢測的準確率和實用性還有待提高。90%左右，對于危害嚴重的性和還有一定的提升空間。跌倒檢測算法復雜難以產品化由于大部分跌倒檢測算法復雜，時效性差，很難工程化，目前市場上也沒有相關的老年人監護產品，將算法做到簡單實用，便于工程化也是本課題的難點。研究思路本文首先通過分析跌倒運動的定義及運動學原理，通過對跌倒進行建模，提取特征模式，進而通過樣機平臺搭建為算法研究提供硬件支持，最后通過系統實驗驗證算法的有效性和實用性。word格式文檔word格式文檔word格式文檔word格式文檔專業整理專業整理專業整理專業整理2跌倒運動學機理跌倒的定義與原因[15]。（1）跌倒時間段的劃分跌倒主要分為四個階段：跌倒前階段、臨界階段、跌倒后階段和恢復階段（1跌倒前階段與日常行為相同；臨界階段以人體倒向地面為起始，以人體承受劇烈沖擊為圖1跌倒的階段劃分意識或是無意識的倒向并躺在地面或是其較低水平面的事件[17]跌倒的原因是多種因素相互結合的。主要包括生理因素、疾病因素、藥物因素、境因素、性別及社會心理因素等[18-21]。跌倒的運動學描述（1）身體重心的變化從而必然伴隨著人體重心的位置變化（一般情況是重心的降低2倒的運動軌跡（重心高度的時間變化軌跡）應該呈現為拋物線形狀，其運動學方程為：h(t)h0

gt2 （2.1）2其中，h0

為人體重心的初始高度，單位為m；g為重力加速度，單位為m/s2；t為時間，單位為s，初始時刻（t=0）為跌倒開始時刻。ht圖2跌倒時重心變化的運動學特征在實際應用中，采用加速度積分的方法描述人體重心變化通常存在較大累積誤差，因此，一般結合其他傳感量進行修正，譬如檢測高度的氣壓計等。（2）身體姿態的變化可以分為向前跌倒、向后跌倒和側向跌倒。以人體面向XYYX3xyz（藍色）為地理坐標系的參考軸，XYZ（紅色）為捷聯在人體上的載體坐標系的坐標軸，則人體的運動可以用歐拉角表示。θ90°時，方程出現奇異點，姿態角無法解算。3跌倒檢測監護裝置硬件設計跌倒檢測監護裝置系統分為跌倒檢測終端和監護中心兩部分。跌倒檢測終端由電源4跌倒檢測監護裝置慣性傳感器監控中心慣性傳感器監控中心處理器裝置無線接收裝置電腦人機交互圖4跌倒檢測監護裝置硬件原理1）處理器模塊AVRATmega8L5。圖5處理器模塊電路圖慣性傳感器模塊該部分由三軸加速度傳感器MMA7260及其外部RC濾波電路構成，其原理圖如圖6：圖6慣性傳感器模塊電路圖MMA7260來測量角度，與其他數字量傾角傳感器相比自然要精準許多，因為模擬量的，可將電壓值換算對應傾斜角度值。并且可通過G1\G2無線通信模塊CC2430（ZigbeeSoC）ACXAT70207：圖7無線模塊電路圖電源模塊該部分主要有鋰電池、低壓差調節器（LPO）3.7VTPS796333.7V3.3V；BQ275108：圖8電源模塊人機交互模塊該部分主要由各種外設包括按鍵開關、電源接口、LED9圖9人機交互模塊4跌倒檢測算法設計跌倒檢測的目標是能夠將跌倒(Fall)與日常生活的正常動作(ActivitiesofDaily最終提升被監測者的生活質量。跌倒運動學模式分析跌倒與日常行為分類無論是跌倒還是日常行為，如果以分解動作來看都是不同靜態姿勢之間的轉化，當然轉化過程中的劇烈程度和時間點也是不同跌倒和日常行為的主要區別。人體的常見靜態姿勢包括：左/右側躺、仰臥、俯臥、站立、坐、蹲等。在這些靜態姿勢之間的轉化就形成了人體的運動。常見的跌倒主要分為3種：向前跌倒，即從站立到俯臥的劇烈過程；向后跌倒，即從站立到仰臥的劇烈過程；側向跌倒，包括向左/右跌倒，即從站立到側臥的劇烈過程。據O’Neil等人的研究表明,前向跌倒是最為常見的跌倒，約占整個跌倒事件的60%左右

當然實際生活中，還可能出現更加復雜的跌倒情況，這些跌倒模式較為復雜且極少發生，將作為下一步研究的對象，不在本文的討論范圍內。為簡化研究，6種容易和跌倒事件混淆的日常行為被作為主要研究對象，其包括：走；跑；跳；上下樓；坐下；躺下。本研究中的跌倒檢測即是探討常見的3種跌倒事件與易混淆的6種日常行為的主要區別和識別方式。由于其主要區別包含兩個方面：其一是運動所對應的靜態姿勢不同，對應的慣性量即是姿態的變化；其二是在不同靜態姿勢間轉換的劇烈程度不同，對應的慣性量即是加速度的變化。下面分別從這兩個方面討論跌倒和日常行為的運動模式。加速度分析數據預處理加速度的時域信號體現了人體運動過程中劇烈程度，以及在不同時刻劇烈程度的分布。然而在實際信號采集過程中，原始數據往往包含了有效信號和各種干擾信號：人體運動加速度；重力加速度；人體抖動；測量噪聲；慣性傳感器與身體的相對運動10原始總加速度曲線3.02.0）1.0（度 2速加 2.01.51.00.5

4 6 8 10 12 14 16 18濾波后總加速度曲線2 4 6 8 10 12 14 16 18時間(s)圖10中值濾波處理加速度信號總加速度強度（AccelerationVectorMagnitude）總加速度即為三軸加速度的矢量和，它能比較直觀的體現人體運動的劇烈程度，其數學表示為：

A2A2A2A2x y z

（5.1）6（AVM）與豎直軸加速度（Ax）11其中總加速度（AVM）以黑色曲線表示，豎直軸加速度（Ax）以藍色曲線表示。分析日常行為的加速度曲線可得以下特征；總加速度（AVM）1g（Ax-1gX坐下起立、走、躺下和上樓的總加速度變化幅值在2g烈程度較小。跑和跳的總加速度（AVM）4g（5，總加速度AVM豎直加速度（Ax）的變化趨勢基本一致。躺下時，由于人體從直立狀態轉化到平躺狀態，因此豎直加速度明顯“階躍”變化。坐下起立 跑4 42 20 0-2-40 2( 1度0速-1

-28 12 16 走210-1

2 4

6 8 10-20 2 4 6 8 上樓

-20 2 4 6 8 10 12 14跳2 51 300-1-2 -30 2 4 6 8 10 12 0 0.5 1 1.5 2 2.5 3 3.5 4時間(s)圖11常見日常行為的總加速度（黑色）與豎直軸加速度曲線（藍色）3（AVM）與豎直軸加速度（Ax）12其中總加速度以黑色曲線表示，豎直軸加速度以藍色曲線表示。分析這3種跌倒事件的加速度曲線可得以下特征：不同方向的跌倒事件加速度曲線非常相似，變化趨勢基本保持一致?？偧铀俣惹€（AVM）中存在明顯峰值，該峰值是由身體與地面沖擊造成的。總加速度曲線（AVM）中峰值之前時刻，對應的豎直加速度曲線（Ax）明顯的加速度谷值，該谷值是由身體在跌倒過程中的失重造成的?？偧铀俣惹€（AVM）中峰值之后一段時間，對應的豎直加速度曲線（Ax）一個明顯“階躍”變化，這是由于人體姿態變化造成的。向前跌倒0-1-20 2 4 ）2

8 10 12 14（度速加-2

0 2 4 6 8 10 12 14 16 向后跌倒0-1-20 2 4 6 8 10 12 14 16時間（s）圖12常見跌倒事件的總加速度（黑色）與豎直軸加速度曲線（藍色）比較日常行為和跌倒事件的和加速曲線特征可知，兩者總加速度峰67表1日常行為總加速度最值ADL 行走 坐 蹲 上樓 下樓 慢跑 跳Max(g)1.881.541.751.781.984.53.11Min(g)1.551.471.051.121.542.783.61表2跌倒總加速度最大值范圍Fall前倒后倒側倒Max(g)5.785.685.78Mean(g)4.984.454.37Min(g)4.764.824.454.1.3姿態分析人體處于靜止狀態時，可以通過重力加速度在三個方向的分布估計人體姿態，僅需加速度傳感器支持，且計算簡單。13-1g（正方向為垂直地面向上，而在人體平躺時，豎直方向加速度為0g0°左右快速變為90°90°沖擊階段平躺階段沖擊階段平躺階段失重階段1.0）0.5（度 0速加-0.5方-1.0豎-1.5-2.00

2 4 6 8 10 12 14 16時間（s）圖15跌倒時豎直方向加速度曲線跌倒檢測算法設計第一階段是失重階段，此時人體開始無意識的倒向地面；第二階段是沖擊階段，此時人體其他部位與地面發生沖擊；第三階段是平躺階段，此時人體平躺在地面上處于靜息狀態。并且，跌倒過程中突出的特征可以歸結為（16：在人體處于失重階段時，豎直軸加速度（Ay）先下降再急劇增加。在人體承受沖擊階段時，總加速度的激增。沖擊之后，由于人體姿態變化而處于平躺狀態，總加速度(AVM)1g沖擊階段AVM沖擊階段AVMAy平躺階段失重階段3.02.0）g 1.0度速加0-1.0-2.00 2 4 6 8 10 12 14 16時間（s）圖16跌倒的運動學特征33（AVM）與人體與豎直軸夾角的變化時序來設計跌倒檢測算法。總加速度的定義已（非運動狀態的計算采用重力加速度分布的方法估算，其公式如下：TAyarccos(Ay/G)(180/) （5.2）TAydegAyG?；谝陨戏治龊痛罅吭囼?，總結出以下跌倒檢測算法，其流程圖如圖17所示。該人體運動劇烈狀態和人體姿態：HATAVMHAT到強烈沖擊。LATAVMLATTAyAT實驗調校和驗證。數據準備數據準備延時2NN|TA|<ATyAVM>HATYNNY延時3延時1|TA|<ATyAVM<LATY跌倒報警Y其主要流程描述如下：

圖17跌倒檢測算法流程圖200Hz。AVM。AVMLAT，3sAVM<LAT繼續判斷。|TAy|<AT，則為接近水平狀態，判定跌倒。5實驗驗證5.1跌倒檢測實驗設計N.Noury3表3跌倒檢測實驗項目實驗項目項目細分報警種類向后跌倒以坐姿結束是以平臥結束是以側臥結束快速恢復是否向前跌倒膝蓋著地是胳膊著地是以平臥結束倒后翻滾以平臥結束是是倒后翻滾以側臥結束是快速恢復否左側跌倒以平臥結束快速恢復是否右側跌倒以平臥結束是快速恢復否暈厥沿墻跌坐是日常行為坐–起立否躺–起立否行走否彎腰拾物 否咳嗽或打噴嚏 否跌倒檢測實驗結果經過志愿者總共100040060013表13跌倒檢測實驗結果統計行為種類實驗次數報警次數未報警次數準確率日常行為5000500100%向前跌倒10099099%向后跌倒1001000100%向左跌倒10094694%向右跌倒10095595%由于跌倒檢測的輸出只有跌倒報警和未報警兩個值，因此跌倒檢測的準確性可以由以下四種情況發生的概率來評價。真陽性事件（truepositive,TP，即跌倒確實發生，并且跌倒報警發出。假陽性事件（falsepositive,FP，即跌倒沒有發生，而跌倒報警發出。真陰性事件（truenegative,TN，即跌倒沒有發生，并且沒有跌倒報警。假陰性事件（falsenegative,FN因此，跌倒檢測的準確性可以通過以下兩個指標來評價：率。其計算公式如下：Sensitivity TP 100% （6.1）TPFN為虛警率。其計算公式如下：Specificity TN 100% （6.2）TNFP其中，TP，FP分別真陽性和假陽性事件，TN，FN分別真陰性和假陰性事件。由于在倒檢測算法具有很高的特異性（100%。同時，由于存在小部分跌倒事件沒有被成功檢測出，即檢測存在假陰性事件，但是該情況發生概率很?。?3，因此該跌倒檢測算法同樣具有很高的敏感性（95%。參考文獻.聯合國人口司.聯合國老齡化議題-老齡化問題概況[EB/OL],/chinese/esa/ageing/introduction.htm,2013-03-092010[EB/OL],/wszb/zhibo449,2010-04-28[3] [J].疾病控制雜志,1999,3(4):300-303郝曉寧,胡鞍鋼.中國人口老齡化:健康不安全及應對政策[J].中國人口.資源與環境,2010,2(3):73-78WuG.Distinguishingfallactivitiesfromnormalactivitiesbyvelocitycharacteristics[J].JournalofBiomechanics,2000,33:1497-1500Nait-CharifH.,MckennaS.J.ActivitySummarisationandFallDetectionaSupportiveHomeEnvironment[A].PatternRecognition,2004,ICPR2004,Proceedingsofthe17thInternationalConferenceonIEEE[C],2004:323Noury,N.,Hervé,T.,Rialle,V.,etal.Monitoringbehaviorinhomeusingasmartfallsensorandpositionsensors[A].MicrotechnologiesinandBiology,1stAnnualInternationalConferenceonIEEE[C],2000:607Mathie,M.,Celler,B.,Lovell,N.H.,etal.Classificationofbasicmovementsusingatriaxialaccelerometer[J].MedicalandBiologicalEngineeringandComputing,2004,vol.42,no.5:679-687Hwang,J.,Kang,J.,Jang,Y.,etal.Developmentofnovelalgorithmandreal-timemonitoringambulatorysystemusingBluetoothmoduleforfalldetectionintheelderly[A].EngineeringinMedicineandBiologyIEMBS'04,26thAnnualInternationalConferenceoftheIEEE[C],2004:2204Bourke,A.,Lyons,G.Athreshold-basedfall-detectionalgorithmusingabi-axialgyroscopesensor[J].Medicalengineering&physics,2008,vol.no.1:84-90Tamura,T.,Yoshimura,T.,Sekine,M.,etal.AWearableAirbagtoFallInjuries[J].IEEETransactiononInformationTechnologyinBiomedicine,2009,vol.13,no.6:910-914.Williams,G.,Doughty,K.,Cameron,K.,etal.Asmartfallandactivitymonitorfortelecareapplications[A].EngineeringinMedicineandSociety,Proceedingsofthe20thAnnualInternationalConferenceoftheIEEE[C],1998:1151Doughty,K.,Lewis,R.,McIntosh,A.Thedesignofapracticalfalldetectorforcommunityandinstitutionaltelecare[J].Journaloftelemedicineandtelecare,2000,vol.6,no.suppl1:150-154Lindemann,U.,Hock,A.,Stuber,M.,etal.Evaluationofafallbasedonaccelerometers:Apilotstudy[J].MedicalandBiologicalEngineeringandComputing,2005,vol.43,no.5:548-551Gibson,M.J.Thepreventionoffallsin