徐甲棟，陳強(qiáng)，王洪杰

（1.上海工程技術(shù)大學(xué)電子電氣工程學(xué)院，上海 201620；2.國(guó)網(wǎng)臨沂供電公司，山東臨沂 276000）

0 引言

如今社會(huì)生活水平不斷提高，但同時(shí)也面臨著人口老齡化問(wèn)題日益嚴(yán)重與監(jiān)護(hù)資源不足的矛盾。目前與老年人監(jiān)護(hù)相關(guān)的跌倒檢測(cè)技術(shù)還不夠完善，且老人意外跌倒的發(fā)生率較高，存在極大的人身安全問(wèn)題。老人發(fā)生跌倒時(shí)，監(jiān)護(hù)人若第一時(shí)間發(fā)現(xiàn)并進(jìn)行救助，可有效降低跌倒造成的傷殘和死亡率。因此，針對(duì)老年人群的跌倒檢測(cè)成為目前的研究熱點(diǎn)之一。

目前跌倒檢測(cè)主要有3種方式：基于視頻圖像、基于環(huán)境信號(hào)與基于可穿戴式裝置的跌倒檢測(cè)。基于視頻圖像的檢測(cè)方式是利用視頻設(shè)備采集老人生活中的活動(dòng)圖像信息，通過(guò)提取圖片或視頻里的人體輪廓尋找姿態(tài)特征點(diǎn)，運(yùn)用圖像處理相關(guān)算法判別老人姿態(tài)，從而判斷其是否發(fā)生跌倒；基于環(huán)境的檢測(cè)方式通過(guò)收集老人跌倒在地面的聲波信號(hào)，從聲波信號(hào)中提取老人跌倒的特征，運(yùn)用相關(guān)算法處理采集的信號(hào)，從而判別其是否跌倒；基于可穿戴式裝置的檢測(cè)方式是將一些傳感器放置到人體上，采集相關(guān)的傳感器數(shù)據(jù)信息，并利用采集的物理信息設(shè)計(jì)跌倒檢測(cè)算法，從而判別老人是否發(fā)生跌倒。

相對(duì)于基于視頻圖像與基于環(huán)境信號(hào)的跌倒檢測(cè)方法，基于可穿戴式裝置的檢測(cè)方法具有諸多優(yōu)勢(shì)，包括：①適用場(chǎng)景更廣，可擺脫空間限制，在絕大多數(shù)環(huán)境中都可以使用，能夠滿足老人的外出需求；②隱私保護(hù)性較好，不會(huì)給老人造成心理壓力；③成本低廉，易于普及；④不受周圍不同環(huán)境的干擾；⑤不影響正常生活。綜上考慮，本文研究基于可穿戴式裝置的檢測(cè)方式，結(jié)合閾值法與模式識(shí)別算法的優(yōu)點(diǎn)設(shè)計(jì)一種基于姿態(tài)融合的聯(lián)立判別跌倒檢測(cè)算法，并引入云技術(shù)和微信小程序，提出一種更便捷、可行的跌倒檢測(cè)系統(tǒng)。

1 系統(tǒng)設(shè)計(jì)

本文設(shè)計(jì)的跌倒檢測(cè)系統(tǒng)主要由3部分構(gòu)成：可穿戴式硬件設(shè)備、云服務(wù)器和監(jiān)護(hù)端小程序“工程大智能看護(hù)助手”?？纱┐魇接布O(shè)備負(fù)責(zé)通過(guò)慣性傳感器和定位模塊采集人的運(yùn)動(dòng)信息與位置信息，并將識(shí)別結(jié)果及其他信息上傳到云服務(wù)器；云服務(wù)器負(fù)責(zé)存儲(chǔ)數(shù)據(jù)，同時(shí)負(fù)責(zé)與小程序進(jìn)行數(shù)據(jù)交互；監(jiān)護(hù)端小程序則負(fù)責(zé)顯示被監(jiān)護(hù)人的狀態(tài)信息，在發(fā)生意外情況時(shí)，便于監(jiān)護(hù)人與醫(yī)護(hù)人員通過(guò)“工程大智能看護(hù)助手”微信小程序查看被監(jiān)護(hù)人位置及狀態(tài)，在第一時(shí)間實(shí)施救助。系統(tǒng)總體框架如圖1所示（彩圖掃OSID碼可見(jiàn)，下同）。

Fig.1 Overall framework of fall detection system圖1 跌倒檢測(cè)系統(tǒng)總體框架

1.1 硬件設(shè)計(jì)

系統(tǒng)硬件設(shè)計(jì)如圖2所示。外部電源負(fù)責(zé)供電，慣性傳感器模塊MPU6050內(nèi)置3軸MEMS陀螺儀和三軸MEMS加速度計(jì)，負(fù)責(zé)采集人體的角速度和加速度等信息。采集到的是模擬信號(hào)，通過(guò)模數(shù)轉(zhuǎn)換將模擬信號(hào)9轉(zhuǎn)換成電信號(hào)，并根據(jù)MPU6050使用手冊(cè)將電信號(hào)轉(zhuǎn)換成對(duì)應(yīng)的角速度和加速度數(shù)據(jù)信息。ATGM332D定位模塊默認(rèn)采用NMEA-0183協(xié)議，NMEA-0183協(xié)議可輸出GNGGA、GNRMC、GNVTG、GNZDA、BDGSA、GPGGA等格式的數(shù)據(jù)。主處理器STM32F103選擇GPGGA格式進(jìn)行定位解析，處理完MPU6050模塊采集的數(shù)據(jù)后，對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)，并基于姿態(tài)融合的聯(lián)立判別跌倒檢測(cè)算法判斷是否發(fā)生跌倒行為，通過(guò)SIM900A數(shù)據(jù)傳輸模塊將設(shè)備編號(hào)、狀態(tài)與位置等信息上傳到云服務(wù)器進(jìn)行存儲(chǔ)。

Fig.2 System hardware design圖2 系統(tǒng)硬件設(shè)計(jì)

1.2 軟件設(shè)計(jì)

通過(guò)SSH工具連接云服務(wù)器搭建環(huán)境。LNMP是在Linux系統(tǒng)下由Nginx服務(wù)器、MySQL數(shù)據(jù)庫(kù)及PHP搭建的服務(wù)器架構(gòu)，具有高效、免費(fèi)、擴(kuò)展性強(qiáng)等優(yōu)點(diǎn)。LNMP搭建完成后，微信小程序不能直接操作數(shù)據(jù)庫(kù)中的數(shù)據(jù)，需要借助接口文件完成數(shù)據(jù)請(qǐng)求與數(shù)據(jù)返回功能。將寫好的PHP腳本文件部署到服務(wù)器并配置好MySQL數(shù)據(jù)庫(kù)，之后微信小程序即能與服務(wù)器進(jìn)行數(shù)據(jù)交互。微信小程序與服務(wù)器交互框圖如圖3所示。

Fig.3 Interaction diagram between WeChat applet and server圖3 微信小程序與服務(wù)器交互框圖

微信小程序作為監(jiān)護(hù)端，相比傳統(tǒng)APP更方便、快捷。本文設(shè)計(jì)的小程序名為工程大智能看護(hù)助手，可方便監(jiān)護(hù)人實(shí)時(shí)查看老年人行為狀態(tài)與實(shí)時(shí)地理位置。使用微信開(kāi)發(fā)工具對(duì)小程序進(jìn)行開(kāi)發(fā)，需要實(shí)現(xiàn)的主要功能如下：

（1）注冊(cè)與登錄功能。注冊(cè)手機(jī)號(hào)必須為11位，并規(guī)定密碼不能少于4位，注冊(cè)時(shí)需要對(duì)注冊(cè)手機(jī)號(hào)位數(shù)與密碼位數(shù)進(jìn)行校驗(yàn)。登錄時(shí)會(huì)匹配數(shù)據(jù)庫(kù)賬號(hào)密碼是否正確，并顯示登錄成功或賬號(hào)、密碼錯(cuò)誤等信息。

（2）設(shè)備綁定功能。用戶可通過(guò)設(shè)備編碼添加與刪除設(shè)備，可綁定到指定被監(jiān)護(hù)人對(duì)應(yīng)的設(shè)備，便于查看。

（3）狀態(tài)信息顯示功能。添加設(shè)備信息后，通過(guò)查看狀態(tài)信息可查看綁定設(shè)備對(duì)應(yīng)的被監(jiān)護(hù)人姓名、身體狀況與地理位置信息。同時(shí)，在該頁(yè)面可更新位置信息，重新獲取最新的位置數(shù)據(jù)。

（4）地圖顯示功能。根據(jù)采集到的經(jīng)緯度數(shù)據(jù)，借用百度地圖顯示被監(jiān)護(hù)人與監(jiān)護(hù)人的地理位置信息，以便更快速地找到跌倒的被監(jiān)護(hù)人，并對(duì)其實(shí)施救助。

軟件設(shè)計(jì)完成后，經(jīng)過(guò)測(cè)試，各功能模塊可正常使用，實(shí)用性強(qiáng)且使用便捷。

2 數(shù)據(jù)預(yù)處理

2.1 坐標(biāo)系建立

建立合理的坐標(biāo)系是分析人體姿態(tài)變化的前提。將可穿戴設(shè)備置于人體腰部，人體坐標(biāo)系O-XYZ會(huì)隨人體軀干的狀態(tài)變化而變化。人直立靜止時(shí)為初始狀態(tài)，同樣以人體腰部為原點(diǎn)O，人體左手方向?yàn)閆軸正方向，繞X軸順時(shí)針旋轉(zhuǎn)的是俯仰角

θ

；人體面前的方向?yàn)閅軸正方向，其垂直于X軸，繞Y軸順時(shí)針旋轉(zhuǎn)的是橫滾角

θ

；人腳下的方向?yàn)閆軸正方向，繞Z軸順時(shí)針旋轉(zhuǎn)的是偏航角

θ

。三軸互相垂直，人體坐標(biāo)系（即載體坐標(biāo)系）會(huì)隨人體的運(yùn)動(dòng)而變化，如圖4所示。參考坐標(biāo)系與人體坐標(biāo)系初始狀態(tài)相同。

Fig.4 Human body coordinatesystem圖4 人體坐標(biāo)系

（1）人向不同方向跌倒時(shí)，三軸加速度的變化不同，但三軸的加速度幅值與

acc

的變化相近。跌倒行為相比于步行、跑步等日常行為的變化更為劇烈，因此可將三軸加速度幅值與

acc

作為跌倒行為特征進(jìn)行識(shí)別。加速度幅值與

acc

計(jì)算公式如式（1）所示。

其中，

acc

、

acc

、

acc

是三軸加速度計(jì)3個(gè)軸向的加速度值。（2）人體跌倒時(shí)，角速度變化也是一個(gè)重要的特征量。日常行為與跌倒行為的角速度具有明顯不同，與加速度變化相似，跌倒方向不同也會(huì)產(chǎn)生不同的三軸角速度變化。由于不同方向跌倒行為的三軸合角速度

ω

變化也具有相似之處，因此取三軸合角速度

ω

作為特征量：

其中，

ω

、

ω

、

ω

是三軸陀螺儀3個(gè)軸向的角速度值。

2.2 互補(bǔ)濾波

MEMS陀螺儀具有良好的高頻特性，但累計(jì)誤差較大。MEMS加速度計(jì)與陀螺儀相反，加速度計(jì)具有良好的低頻特性，沒(méi)有累計(jì)誤差，但動(dòng)態(tài)特性較差。其特性對(duì)比如表1所示。

Table1 Characteristic comparison of MEM Saccelero meter and gyroscope表1 MEMS加速度計(jì)與陀螺儀特性對(duì)比

因此，可借助互補(bǔ)濾波充分應(yīng)用兩者的特性融合計(jì)算姿態(tài)角，從而提高姿態(tài)角的測(cè)量精度，同時(shí)又可增強(qiáng)系統(tǒng)穩(wěn)定性?；パa(bǔ)濾波器根據(jù)傳感器的不同特性，濾掉了加速度計(jì)的高頻信號(hào)與陀螺儀的低頻信號(hào)。具體過(guò)程如下：

假設(shè)加速度計(jì)的輸出為

a

=[

a

a

a

]，陀螺儀的輸出為

ω

=[

ω

ω

ω

]，重力加速度為

g

=[0 0 1]，姿態(tài)矩陣為

C

。將

g

由N系轉(zhuǎn)換到B系當(dāng)中，轉(zhuǎn)換過(guò)程如式（6）所示。

進(jìn)行歸一化處理后求得誤差e為：

通過(guò)誤差e修正陀螺儀的誤差

δ

：

對(duì)陀螺儀進(jìn)行誤差補(bǔ)償：

ω

=

ω

+

δ

，然后采用一階龍格庫(kù)塔法更新四元數(shù)。

之后根據(jù)四元數(shù)、方向余弦矩陣與歐拉角的轉(zhuǎn)換關(guān)系，將四元數(shù)轉(zhuǎn)換成歐拉角：

為驗(yàn)證姿態(tài)數(shù)據(jù)融合濾波算法的有效性與可行性，設(shè)計(jì)一個(gè)仿真試驗(yàn)。將慣性裝置穿戴在人體腰部，采集加速度傳感器與陀螺儀的輸出數(shù)據(jù)進(jìn)行姿態(tài)角解算。具體實(shí)驗(yàn)流程如下：首先將采集裝置打開(kāi)，靜止在初始位置并輸出記錄值；然后變速跑動(dòng)40s再正常行走20s，輸出記錄值；最后回到初始位置，取下采集裝置并靜置，輸出記錄值。通過(guò)互補(bǔ)濾波融合處理不同階段運(yùn)動(dòng)載體的姿態(tài)角，動(dòng)態(tài)環(huán)境下歐拉角輸出結(jié)果如圖5所示。

對(duì)動(dòng)態(tài)環(huán)境下俯仰角、橫滾角與偏航角數(shù)據(jù)偏差進(jìn)行對(duì)比分析，動(dòng)態(tài)姿態(tài)角精度如表2所示。

Table2 Dynamic attitudeangle accuracy表2 動(dòng)態(tài)姿態(tài)角精度

結(jié)果顯示在動(dòng)態(tài)精度中，偏航角誤差相對(duì)較大，但本文研究不使用該姿態(tài)角，其余兩姿態(tài)角誤差都較為理想。從圖5、表2可以看出，互補(bǔ)濾波可保證姿態(tài)角在動(dòng)態(tài)環(huán)境下偏移較小，滿足跌倒檢測(cè)系統(tǒng)的誤差范圍，因此選擇互補(bǔ)濾波算法作為姿態(tài)數(shù)據(jù)的融合濾波算法。

Fig.5 Euler angleoutput result under dynamic圖5 動(dòng)態(tài)下歐拉角輸出結(jié)果

3 算法設(shè)計(jì)

通過(guò)查閱相關(guān)文獻(xiàn)資料，相比于模式識(shí)別算法，閾值法的判別準(zhǔn)確率不足，但其優(yōu)點(diǎn)是計(jì)算量小且響應(yīng)速度快。模式識(shí)別算法的識(shí)別率雖然高，但是計(jì)算量大，對(duì)大量日常行為數(shù)據(jù)的識(shí)別使其效率降低，占用內(nèi)存資源多，且功耗也較大。基于上述考慮，本文結(jié)合兩種算法的優(yōu)點(diǎn)提出一種基于姿態(tài)融合的聯(lián)立判別跌倒檢測(cè)算法，先使用閾值法進(jìn)行跌倒行為判別，在判別出可疑動(dòng)作后，再通過(guò)模式識(shí)別算法進(jìn)行最終判別。

3.1 閾值法

本文選擇加速度幅值和

acc

、合角速度

ω

及姿態(tài)角度

θ

3個(gè)變量作為閾值法檢測(cè)可疑跌倒行為的特征參數(shù)，下面將通過(guò)分析靜止、行走、坐下、躺下、跑步、跌倒6種行為的數(shù)據(jù)變化，確定3個(gè)特征參數(shù)的閾值。每個(gè)動(dòng)作行為取5s的數(shù)據(jù)進(jìn)行分析，其中加速度幅值和、合角速度與姿態(tài)角度變化如圖6所示。

Fig.6 Comparison of three characteristic variables of six behaviors圖6 6種行為3個(gè)特征變量比較

通過(guò)大量實(shí)驗(yàn)對(duì)跌倒及日?；顒?dòng)數(shù)據(jù)的

acc

、

ω

與

θ

進(jìn)行分析，結(jié)果表明，在一般情況下，日?；顒?dòng)中

acc

≤3

g

，

ω

≤3.4

rad

·

s

，

θ

≤50°。部分劇烈活動(dòng)可能超過(guò)該值，但本文以此閾值作為可疑跌倒行為的判別依據(jù)。若閾值設(shè)置過(guò)大，會(huì)導(dǎo)致漏判概率增大，因此不以劇烈活動(dòng)的峰值作為閾值。設(shè)定本文中檢測(cè)跌倒的加速度幅值和閾值

acc

=3

g

，合角速度閾值

ω

=3.4

rad

·

s

，姿態(tài)角度閾值

θ

=50°。

3.2 支持向量機(jī)

人跌倒與非跌倒是二分類問(wèn)題，支持向量機(jī)（SVM）是常用的解決二分類問(wèn)題的模式識(shí)別算法。

這就是SVM分類器的基本模型。

若要進(jìn)行正確分類，首先要選擇并提取合適的特征參數(shù)，這是支持向量機(jī)算法的關(guān)鍵步驟，將直接影響識(shí)別效果。特征提取的常用方法有時(shí)域分析法與頻域分析法，時(shí)域分析法的運(yùn)算速度更快，對(duì)計(jì)算能力要求低，因此本文選擇時(shí)域分析法進(jìn)行特征提取。下面對(duì)各特征的特點(diǎn)進(jìn)行分析：

（1）最大值與最小值。采集信號(hào)中的最大值與最小值是跌倒檢測(cè)中非常重要的特征指標(biāo)，在日常行為和跌倒行為中，該特征區(qū)別較大。

（2）最大值與最小值的差值。最大值與最小值的差值也是重要的特征指標(biāo)，跌倒行為發(fā)生時(shí)，二者差值通常較大。

（3）均值。均值數(shù)據(jù)可反映整體數(shù)據(jù)的一般趨勢(shì)。例如，對(duì)于實(shí)驗(yàn)采集信號(hào)中的加速度信號(hào)，加速度均值可反映某數(shù)據(jù)片段內(nèi)整體加速度的一般趨勢(shì)。

（4）方差。方差反映數(shù)據(jù)的變化幅度，即上下左右波動(dòng)的劇烈程度，可反映一組數(shù)據(jù)的集中與離散程度以及波動(dòng)與穩(wěn)定狀況。一般方差越小，說(shuō)明數(shù)據(jù)越集中、穩(wěn)定，反之則越離散。跌倒行為與日常行為的加速度、角速度、角度方差特征指標(biāo)波動(dòng)較大。

根據(jù)以上分析分別提取合加速度幅值和

acc

、合角速度

ω

與姿態(tài)角度

θ

的最大值、最小值，以及最大最小值的差值、均值與方差共15個(gè)特征參數(shù)。以加速度幅值和為例，差值、均值、方差計(jì)算公式如下，其余兩特征計(jì)算方法相同。

本文選用LIBSVM工具對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，建立分類模型，并使用測(cè)試集進(jìn)行測(cè)試。

首先，將待訓(xùn)練樣本數(shù)據(jù)集train.txt與待測(cè)試樣本數(shù)據(jù)集test.txt按照LIBSVM要求的格式進(jìn)行調(diào)整。數(shù)據(jù)格式如下：

[label][index1]：[value1][index2]：[value2]…

［label］是目標(biāo)值，即分類類別。本文研究的是跌倒檢測(cè)的二分類問(wèn)題，設(shè)跌倒行為為label=+1，非跌倒行為為label=-1。［index］是特征編號(hào)，即特征的有序索引，取值為1～n的整數(shù)。［value］是待訓(xùn)練樣本與測(cè)試樣本的特征值。

按LIBSVM格式要求整理的部分訓(xùn)練樣本數(shù)據(jù)如圖7所示。其中，序號(hào)1-15代表15個(gè)特征參數(shù)，按順序排列。

Fig.7 Part of training sampledata arranged according to LIBSVM format圖7 按LIBSVM格式要求整理的部分訓(xùn)練樣本數(shù)據(jù)

不同特征參數(shù)具有不同的量綱和單位，同時(shí)為避免不同特征值的范圍差距過(guò)大，進(jìn)行歸一化處理，即對(duì)不同的特征參數(shù)值進(jìn)行無(wú)量綱處理。對(duì)待訓(xùn)練的樣本數(shù)據(jù)進(jìn)行歸一化處理后，將數(shù)據(jù)縮放到［-1，1］之間，然后選擇核函數(shù)。RBF核函數(shù)對(duì)于大樣本與小樣本都有不錯(cuò)的效果，應(yīng)用最廣，因此本文選擇RBF核函數(shù)訓(xùn)練模型。選擇好RBF核函數(shù)后，通過(guò)交叉驗(yàn)證方法尋找一組最優(yōu)懲罰因子

C

和核函數(shù)參數(shù)

γ

，得到結(jié)果如下：最優(yōu)懲罰因子

C

=0.4，最優(yōu)核函數(shù)參數(shù)

γ

=0.236。

采用svm-train命令行的方式獲取分類模型，對(duì)歸一化處理后的數(shù)據(jù)集svm_scale_train.txt進(jìn)行訓(xùn)練，生成分類模型文件model.txt。部分分類模型文件內(nèi)容如圖8所示。

訓(xùn)練出分類模型后，根據(jù)準(zhǔn)確率Accuracy的結(jié)果篩選出分類性能較好的分類模型，留下分類精確率大于95%的分類模型作為最終的跌倒檢測(cè)模型。

Fig.8 Part of classification model filecontent圖8 部分分類模型文件內(nèi)容

3.3 聯(lián)立判別跌倒檢測(cè)算法

根據(jù)人摔倒的特征變化，設(shè)計(jì)多級(jí)閾值的跌倒檢測(cè)判別流程：

Step1：判斷加速度幅值與

acc

是否超過(guò)閾值。因?yàn)槿怂さ箷r(shí)，加速度變化較為劇烈，且響應(yīng)速度較快，所以最先判斷加速度變化。Step2：若加速度幅值和超過(guò)閾值，則判斷合角速度

ω

是否超過(guò)閾值。若合角速度超過(guò)閾值，則進(jìn)行下一步判斷。

Step3：若合加速度與合角速度都超過(guò)閾值，再判斷姿態(tài)角度是否超過(guò)閾值，當(dāng)3個(gè)閾值都超過(guò)閾值時(shí)，則判定為可疑跌倒行為。

人的日?；顒?dòng)占據(jù)了生活中的大部分時(shí)間，多級(jí)閾值法負(fù)責(zé)檢測(cè)可疑的跌倒行為，主要是快速過(guò)濾掉較低強(qiáng)度的活動(dòng)，輸出可疑的跌倒數(shù)據(jù)。通過(guò)閾值法檢測(cè)出可疑跌倒數(shù)據(jù)后，將啟動(dòng)SVM分類算法對(duì)該數(shù)據(jù)進(jìn)行最終判定。該數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)預(yù)處理提取特征向量后，再由3.2小節(jié)介紹的所獲得分類性能較好的分類模型進(jìn)行分類判定。若判定結(jié)果為跌倒，即判斷該可疑跌倒動(dòng)作為跌倒行為；若判定結(jié)果為未跌倒，即判斷該可疑跌倒動(dòng)作為非跌倒行為。聯(lián)立判別跌倒檢測(cè)算法流程如圖9所示。

Fig.9 Flow chart of simultaneous discriminant fall detection algorithm圖9 聯(lián)立判別跌倒檢測(cè)算法流程

4 實(shí)驗(yàn)結(jié)果與分析

本文選取10名男生和5名女生共15位志愿者模擬跌倒動(dòng)作與日常行為動(dòng)作，將采集裝置放置于人體腰部，采集加速度、角速度等數(shù)據(jù)。每名志愿者分別采集步行、慢跑、彎腰、坐下、躺下、下樓梯、向前跌倒、向右跌倒、向左跌倒、向后跌倒共10種行為動(dòng)作數(shù)據(jù)各20組，在采集數(shù)據(jù)過(guò)程中，志愿者盡量模擬無(wú)意識(shí)的行為動(dòng)作，減小人為誤差。

下面對(duì)基于姿態(tài)融合的聯(lián)立判別跌倒檢測(cè)算法的識(shí)別結(jié)果進(jìn)行評(píng)估。對(duì)測(cè)試數(shù)據(jù)集進(jìn)行驗(yàn)證，跌倒行為檢測(cè)結(jié)果會(huì)出現(xiàn)以下表3所示4種情形。

Table 3 Four cases of fall detection表3 跌倒檢測(cè)4種情形

根據(jù)4種可能發(fā)生的跌倒檢測(cè)情形，主要有以下5個(gè)評(píng)估指標(biāo)，分別是靈敏度S（Sensitivity）、漏報(bào)率M、特異度P（Specificity）、誤報(bào)率F和準(zhǔn)確率A（Accuracy）。其中，S表示發(fā)生跌倒行為時(shí)，正確檢測(cè)到跌倒行為的比率；M表示發(fā)生跌倒行為時(shí)，未正確檢測(cè)到跌倒行為的比率，即漏報(bào)比率；P表示未發(fā)生跌倒行為時(shí)，正確檢測(cè)到人體正常行為的比率；F表示未發(fā)生跌倒行為時(shí)，將未跌倒行為錯(cuò)誤判別為跌倒行為的比率；A表示正確判別出實(shí)驗(yàn)中全部未跌倒行為與跌倒行為的比率。

從采集的數(shù)據(jù)中選擇向前跌倒、向后跌倒、向左跌倒、向右跌倒4種跌倒行為及步行、慢跑、坐下、躺下、下樓梯、彎腰6種日常行為數(shù)據(jù)對(duì)算法進(jìn)行評(píng)估，針對(duì)每一種行為的實(shí)驗(yàn)樣本數(shù)量為150個(gè)。實(shí)驗(yàn)結(jié)果分析如表4所示。

Table 4 Analysis of experimental results表4 實(shí)驗(yàn)結(jié)果分析

由表4的統(tǒng)計(jì)結(jié)果分析可知，本文提出的跌倒檢測(cè)算法正確率達(dá)到90.1%，靈敏度達(dá)到91.2%，特異度達(dá)到89.4%，且漏報(bào)和誤報(bào)率較低，分別只有8.8%和10.6%。對(duì)于步行這類強(qiáng)度不大的動(dòng)作，該算法基本都能正確進(jìn)行檢測(cè)識(shí)別，而對(duì)于躺下這種與跌倒相似的行為動(dòng)作，該算法的檢測(cè)識(shí)別率也較高。通過(guò)實(shí)驗(yàn)分析驗(yàn)證了本文設(shè)計(jì)的聯(lián)立判別跌倒檢測(cè)算法具有較好性能，對(duì)跌倒行為的識(shí)別準(zhǔn)確率較高。

5 結(jié)語(yǔ)

本文基于姿態(tài)融合數(shù)據(jù)提出一種聯(lián)立判別跌倒檢測(cè)算法，該算法相較于閾值法更為準(zhǔn)確。由于能快速過(guò)濾大量日常行為數(shù)據(jù)，其相較于SVM算法更為高效。通過(guò)實(shí)驗(yàn)測(cè)試，該算法的正確率達(dá)到90.1%，靈敏度達(dá)到91.2%，特異度達(dá)到89.4%，且漏報(bào)和誤報(bào)率較低。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文算法的有效性與可行性，同時(shí)引入云技術(shù)與微信小程序設(shè)計(jì)一套用于老年人遠(yuǎn)程智能監(jiān)護(hù)的跌倒檢測(cè)系統(tǒng)。相較于傳統(tǒng)的APP監(jiān)護(hù)軟件，該軟件使用更為方便、快捷，滿足了老年人智能監(jiān)護(hù)的需求，在未來(lái)社會(huì)應(yīng)對(duì)老齡化問(wèn)題與提升社會(huì)養(yǎng)老能力方面可發(fā)揮一定作用。