，

(上海海事大學(xué) 信息工程學(xué)院 電子系，上海 201306)

引 言

當(dāng)今社會(huì)人口的老齡化越來(lái)越明顯，根據(jù)調(diào)查研究顯示，老年人有著較高的摔倒率，摔倒后很多老人由于沒(méi)有及時(shí)求救，錯(cuò)過(guò)最佳救治時(shí)期導(dǎo)致的癱瘓甚至死亡的案例不在少數(shù)，識(shí)別摔倒?fàn)顟B(tài)成為新的研究熱點(diǎn)，通過(guò)科學(xué)的手段及時(shí)檢測(cè)出摔倒并及時(shí)求救，對(duì)老年人的健康有著至關(guān)重要的作用。

目前，研究開(kāi)發(fā)跌倒檢測(cè)系統(tǒng)方面的技術(shù)有很多種，主要可分為3類[1]：①基于視頻圖像分析的跌倒檢測(cè)系統(tǒng)[2]。通過(guò)利用圖像處理對(duì)監(jiān)控視頻中的前景目標(biāo)進(jìn)行識(shí)別判斷人體跌倒情況。但是監(jiān)控只能針對(duì)有安裝攝像頭的地方，并且有可能會(huì)牽扯到個(gè)人隱私問(wèn)題。②基于聲學(xué)的跌倒檢測(cè)系統(tǒng)[3-5]，利用跌倒時(shí)突然造成的加速度產(chǎn)生一定的頻率而進(jìn)行檢測(cè)，這類方法無(wú)法獲得很好的精度，同時(shí)資金投入較大，一般為其它識(shí)別方法的輔助手段。③基于加速度傳感器的跌倒檢測(cè)系統(tǒng)。該類系統(tǒng)通過(guò)佩戴加速度傳感器模塊，當(dāng)人體跌倒時(shí)產(chǎn)生的加速度達(dá)到一定閾值，就將其判定為摔倒，此系統(tǒng)不受環(huán)境和運(yùn)動(dòng)狀態(tài)的限制,更適合對(duì)人體跌倒?fàn)顟B(tài)的識(shí)別和檢測(cè)。從諸多參考文獻(xiàn)上看，該系統(tǒng)采用單一或多個(gè)傳感模塊或者復(fù)雜的算法以達(dá)到準(zhǔn)確判斷的目的，導(dǎo)致實(shí)時(shí)性較差[6-7]。

本文著力于老年人跌倒的識(shí)別研究，從日常活動(dòng)中識(shí)別出跌倒?fàn)顟B(tài)。本文提出一種基于6軸傳感器的跌倒檢測(cè)系統(tǒng)，通過(guò)對(duì)人體運(yùn)動(dòng)的加速度和角度變化來(lái)分析跌倒事件是否發(fā)生，實(shí)驗(yàn)驗(yàn)證該系統(tǒng)非常有效。

1 系統(tǒng)組成

本文所采用的人體跌倒?fàn)顟B(tài)識(shí)別系統(tǒng)主要由3軸MEMS陀螺儀、3軸MEMS加速度計(jì)、微處理器、藍(lán)牙傳感器模塊、個(gè)人電腦(Person Computer, PC)組成。MPU6050采用16位的數(shù)模傳感器對(duì)采集的數(shù)據(jù)進(jìn)行模/數(shù)轉(zhuǎn)換。系統(tǒng)結(jié)構(gòu)圖如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)圖

微處理器對(duì)采集到的信號(hào)進(jìn)行卡爾曼濾波，以獲得更為精確的數(shù)據(jù)。

2 跌倒檢測(cè)算法設(shè)計(jì)

2.1 數(shù)據(jù)采集部位的選取

2.2 跌倒檢測(cè)算法

圖2 坐標(biāo)系

根據(jù)輸出的加速度、角度特征信息，為了實(shí)現(xiàn)簡(jiǎn)單有效的狀態(tài)識(shí)別，從宏觀的角度考慮特征提取，只考慮一段時(shí)間內(nèi)加速度和角度變化值，因?yàn)橹灰３诸愃苿?dòng)作重復(fù)進(jìn)行，加速度值和角度變化趨勢(shì)就會(huì)出現(xiàn)周期性[14]。

設(shè)任意時(shí)刻 t 時(shí)，aSVM的計(jì)算公式如下：

為了佩戴方便，按圖2方式建立坐標(biāo)系。角度說(shuō)明如表1所列。

表1 角度說(shuō)明

圖3采集的分別是當(dāng)人體前-后-左-左前-右-右前傾斜時(shí)的角度變化圖。所以用角度變化來(lái)輔助判斷人體的運(yùn)動(dòng)狀態(tài)是很有效的方法。

圖3 人體傾斜姿態(tài)角度圖

3 支持向量機(jī)算法設(shè)計(jì)

3.1 支持向量機(jī)算法

支持向量機(jī)(Support Vector Machine,SVM)本質(zhì)為監(jiān)督學(xué)習(xí)的分類器，分為線性分類器和非線性分類器，根據(jù)本文所研究的跌倒與日?；顒?dòng)狀態(tài)的識(shí)別，可將其看做為線性的二分類問(wèn)題。然而，決策分界面可能存在多個(gè)，如圖4所示。

圖4 SVM線性分類圖

最佳決策分界面能達(dá)到支持向量與超平面間的最小距離的最大值，即兩類樣本間的距離達(dá)到最大，圖5中H界面即為最優(yōu)分類界面。

圖5 最優(yōu)決策分解面圖

N維特征空間中，二分類線性判決函數(shù)為：

d(x)=WTx+b=w1x1+w2x2+,…,+wnxn+b

(1)

對(duì)屬于任意一類應(yīng)滿足：

左小龍蹲趴在地上，依靠著被調(diào)到最暗的橘黃色路的微光，摸索著把散落周圍的引擎部件一片一片拾了起來(lái)，滿手都是機(jī)油，然后讓泥巴跑到遠(yuǎn)處的店里要了一個(gè)塑料袋，他將這些殘缺的發(fā)動(dòng)機(jī)瓦，活塞，曲軸，連桿等東西放進(jìn)了塑料袋里。但因?yàn)榻饘俨考車际抢饨?，塑料袋一下就穿了，這些東西又散落在了地上。泥巴說(shuō)：“算了?！?/p>

yi(WTx+b)≥1 (i=1,2,…,N)

(2)

則對(duì)應(yīng)的分類界面H為：

WTx+b=0

(3)

樣本點(diǎn)到超平面的距離為：

(4)

為了使pc(w)最大，所以最佳分類界面的約束條件是在條件公式(2)下使||w||最小。使用拉格朗日函數(shù)公式和KKT條件:

(5)

其中λi為拉格朗日乘子,其中λi≥0。

根據(jù)拉格朗日特性，將問(wèn)題轉(zhuǎn)化為極值問(wèn)題即可求解。

3.2 閾值的選取

圖6 人體跌倒算法流程圖

采用機(jī)器學(xué)習(xí)的方法訓(xùn)練正?；顒?dòng)與狀態(tài)轉(zhuǎn)移、跌倒的分類閾值，在進(jìn)行跌倒檢測(cè)的過(guò)程中，先利用此閾值對(duì)待檢測(cè)數(shù)據(jù)進(jìn)行初步分類，然后針對(duì)檢測(cè)到的疑似跌倒進(jìn)一步進(jìn)行分析[6]。日?；顒?dòng)中，一些非跌倒?fàn)顟B(tài)發(fā)生轉(zhuǎn)變時(shí)，也有可能存在合加速度突然增大的現(xiàn)象,如由靜止到跑步，由站立到突然坐下。有時(shí)其峰值會(huì)達(dá)到跌倒產(chǎn)生的合加速度峰值，因此單靠單一閾值來(lái)判斷不夠準(zhǔn)確，需要用角度來(lái)輔助判斷。

對(duì)選取的樣本按照60%和40%的比例分成訓(xùn)練集和測(cè)試集。

ΩT： 樣本訓(xùn)練集(Train Samples)。30次老人跌倒行為(包括側(cè)跌及俯仰跌倒)和正常行為數(shù)據(jù)，15次站立、行走及靜止到慢跑等樣本。通過(guò)訓(xùn)練學(xué)習(xí)，獲取閾值TH。

ΩE：測(cè)試集(Experimental Samples)，驗(yàn)證TH的有效性。人體跌倒算法流程圖如圖6所示。

4 實(shí)驗(yàn)驗(yàn)證與分析

4.1 實(shí)驗(yàn)設(shè)計(jì)

為了驗(yàn)證本文設(shè)計(jì)的人體跌倒檢測(cè)系統(tǒng)的有效性，做了多組動(dòng)作的實(shí)驗(yàn)，日常生活活動(dòng)(Activities of Daily Living, ADL)中正常行走、跑步、由靜止到行走、靜止到跑步、靜止到坐下等狀態(tài)轉(zhuǎn)移數(shù)據(jù)。跌倒模式中的向前、后、左、右方向的跌倒。

4.2 實(shí)驗(yàn)結(jié)果分析

圖7、圖8、圖9為當(dāng)人在行走時(shí)，可能出現(xiàn)的一些情況，如向左側(cè)或右側(cè)轉(zhuǎn)彎、停頓等。從圖中可以看出，當(dāng)人在進(jìn)行正常的行走時(shí)，除了繞Y軸的偏航角Yaw變化明顯外，俯仰角和滾轉(zhuǎn)角變化都很小，加速度變化范圍除呈周期性變化外，合加速度asvm的值也大都在0.6×10～1.6×10 m/s2范圍以內(nèi)。

圖7 各軸加速度值

圖8 asvm的值

圖9 人在正常行走轉(zhuǎn)彎時(shí)各軸角度變化

圖10、圖11、圖12、圖13四張對(duì)比圖中可以看出，當(dāng)加速度大于閾值時(shí)候通過(guò)判斷俯仰角Roll{AngleX(deg)}可以判斷出是否跌倒。

圖10 人體摔倒時(shí)的asvm

圖11 人體摔倒時(shí)的各軸角度變化

從圖10和圖11可以看出，t在(5，5.5)時(shí)間段為人體摔倒時(shí)間，asvm大于人正常運(yùn)動(dòng)時(shí)的閾值TH, 俯仰角Roll{AngleX(deg)}從t>5 s就開(kāi)始大幅度變化在5.5 s附近時(shí),角度與最初的角度相比，變化的絕對(duì)值超過(guò)45°。

圖12 人體由靜止到走到突然坐下時(shí)的asvm m

圖13 人體由靜止到走到突然坐下時(shí)的各軸角度變化

從圖12和圖13可以看出，人由靜止到行走時(shí)，俯仰角Roll{AngleX(deg)}雖然有變化，但范圍較小，t在(13.5,14)區(qū)域時(shí)，人的狀態(tài)發(fā)生突變，如突然坐下，此時(shí)asvm>TH,通過(guò)觀察Roll可以看出角度與最初角度相比，最大變化量的絕對(duì)值小于45°，說(shuō)明人體沒(méi)有跌倒。

所以通過(guò)asvm和Roll可以識(shí)別出人體是否跌倒。通過(guò)大量實(shí)驗(yàn)和數(shù)據(jù)證明該系統(tǒng)非常有效,準(zhǔn)確率要高于基于單一傳感器的系統(tǒng)。

結(jié) 語(yǔ)

[1] Noury N,Fleury A,Rumeau P,et al.Fall detection-principles and methods[C]//International Conference of the IEEE Engineering in Medicine&Biology Society Conf Proc IEEE Eng Med Biol Soc,2007:1663.

[2] Ngo Y T,Nguyen H V,Pham T V.Study on fall detection based on intelligent video analysis[C]//International Conference on Advanced Technologies for Communications IEEE,2012:114-117.

[3] Nyan M N,Tay F E H,Manimaran M,et al.Garment-based detection of falls and activities of daily living using 3-axis MEMS accelerometer[C]//Journal of Physics Conference Series. Journal of Physics Conference Series,2006:1059.

[4] Jeon A Y,Kim J H,Kim I C,et al.Implementation of the Personal Emergency Response System using a 3-axial Accelerometer[C]//International Special Topic Conference on Information Technology Applications in Biomedicine IEEE,2007:223-226.

[5] Wang R,Zhang Y,Chen J X.Design and implementation of fall detection system using tri-axis accelerometer[J].Journal of Computer Applications,2012,32(5):1450-1452.

[6] 高曉娟,徐光輝,張歡,等.基于加速度特征的人體跌倒檢測(cè)算法[J].西安工程大學(xué)學(xué)報(bào),2015(1):90-94.

[7] Purwar A,Jeong D U,Wan Y C.Activity monitoring from real-time triaxial accelerometer data using sensor network[C]//International Conference on Control,Automation and Systems. IEEE,2007:2402-2406.

[8] R E Kalman.A New Approach to Linear Filtering and Prediction Problems[J].Transaction of the ASME-Journal of Basic Engineering,1960,82(3):35-45.

[9] 周道兵,駱鵬,肖國(guó)強(qiáng),等.利用Kalman濾波的視頻運(yùn)動(dòng)目標(biāo)跟蹤[J].西南師范大學(xué)學(xué)報(bào):自然科學(xué)版,2009, 34(6):113-118.

[10] 羅鵬飛.統(tǒng)計(jì)信號(hào)處理基礎(chǔ)[M].北京:電子工業(yè)出版社,2011.

[11] 馮智勇,曾瀚,張力,等.基于陀螺儀及加速度計(jì)信號(hào)融合的姿態(tài)角度測(cè)量[J].西南師范大學(xué)學(xué)報(bào):自然科學(xué)版,2011,36(4):137-141.

[12] 佟麗娜.基于力學(xué)量信息獲取系統(tǒng)的人體摔倒過(guò)程識(shí)別方法研究[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué), 2011.

[13] 李娜,侯義斌,黃樟欽,等.基于三軸加速度信號(hào)的實(shí)時(shí)人體狀態(tài)識(shí)別算法[J]. 北京工業(yè)大學(xué)學(xué)報(bào),2012,38(11):1689-1693.

[14] MATHIE Merryn.Monitoring and interpreting humanmovement patterns using a triaxial accelerometer[D].Sydney Australia:School of Electrical Engineering andTelecommunications,University of New South Wales,2003.