郭天宏　萬蓬勃　石玉嬌

關(guān)鍵詞：可穿戴設(shè)備;壓力傳感器;跌倒檢測

中圖分類號：TP181 文獻標志碼：A

0 引言（Introduction）

第七次人口普查數(shù)據(jù)顯示：2020年我國65歲及以上人口已經(jīng)占到總?cè)丝诘?3.50%，人口老齡化問題日趨嚴重[1]。跌倒是老年人因傷害死亡的第一原因，有研究表明：2020年我國60歲以上老年人中，因跌倒而死亡的人數(shù)占到了因傷害死亡人數(shù)的39.34%[2]。跌倒檢測是區(qū)分人體的日常生活活動（Activities of Daily Living， ADL）與跌倒事件并快速感知報警，以縮短跌倒者獲救時間的一項技術(shù)，該技術(shù)在老年人日常監(jiān)護中起到了重要作用且具有重要意義。

目前，比較常用的跌倒檢測方法類型有可穿戴式、圖像感知式和環(huán)境感知式等。可穿戴式的跌倒檢測方法基于微機電系統(tǒng)（Micro Electro Mechanical System， MEMS），將傳感器放置于衣服、鞋帽等服裝或服飾品中獲取人體數(shù)據(jù)并檢測跌倒行為。此方法由于傳感器的種類多、制造成本低，系統(tǒng)整體的數(shù)據(jù)計算量小，設(shè)置和操作簡單，因此成為當前跌倒檢測領(lǐng)域使用的主流方法[3-4]。

由于足底壓力可以反映人體足部和下肢的運動變化，進而對人體運動狀態(tài)和姿勢做出判別，因此可將壓力傳感器放在足底測量壓力數(shù)據(jù)，它具有侵入性小、便捷性高的特點，相比慣性傳感器等類型的可穿戴傳感器的優(yōu)勢更明顯。本文對基于可穿戴壓力傳感器的跌倒檢測研究進行綜述，并詳細對比和分析了相關(guān)研究成果。

1 足底壓力與跌倒檢測（Plantar pressure andfall detection）

1.1 足部構(gòu)造與足底壓力分布

人體足部結(jié)構(gòu)復(fù)雜，主要由骨骼、關(guān)節(jié)、肌肉、肌腱及韌帶等部分組成，各個部分之間復(fù)雜密切的配合是人體完成行走等ADL的基礎(chǔ)[5]。其中，足弓是由跗骨、跖骨、韌帶和肌腱共同組成的一個凸向上方的弓形結(jié)構(gòu)，該結(jié)構(gòu)可以吸收足部受到的沖擊力，分散人體重量，幫助身體完成站立、行走和跑步等動作。趾骨短小且靈活，起到了調(diào)節(jié)人體平衡的關(guān)鍵作用。人體足部骨骼與足弓結(jié)構(gòu)如圖1（a）和圖1（b）所示。

足底壓力是指足底受到地面的反作用力，根據(jù)特殊的足部生理結(jié)構(gòu)，跖骨、跟骨以及大腳趾區(qū)域是足部與地面主要接觸的區(qū)域，對這三個區(qū)域壓力值的變化情況進行分析，即可得到人體運動狀態(tài)[6-7]。圖1（c）為JASENCO足底壓力測量分析系統(tǒng)測得的靜態(tài)足部壓力圖，從圖1（c）中可以看出：足底壓力主要分布在大腳趾、跖骨和后跟區(qū)域，與上文所述足部生理結(jié)構(gòu)的分析結(jié)果一致[8]。

1.2 跌倒行為分析

跌倒是指“突發(fā)、不自主的、非故意的體位改變，倒在地上或更低的平面上”[9]。通常，跌倒的過程分為失重、撞擊和靜止三種狀態(tài)（圖2）[10-11]。以跌倒過程中腰部慣性數(shù)據(jù)和足底壓力數(shù)據(jù)的變化為例，對失重、撞擊和靜止三種狀態(tài)進行分析，圖2中顯示的加速度以一個重力加速度g為單位，壓力數(shù)據(jù)則計算為足底壓力與站立狀態(tài)下最大壓力的比值，以百分數(shù)形式給出。

（1）失重：人體在剛出現(xiàn)跌倒動作時，身體會逐漸傾斜并在重力的作用下向下墜落，雙足逐漸與地面脫離接觸，此時處于失重狀態(tài)。在此過程中，豎直方向速度逐漸增大，加速度由重力加速度逐漸減小并趨于0，同時足底壓力減小。

（2）撞擊：在失重狀態(tài)出現(xiàn)后，人體與地面瞬間發(fā)生碰撞，雙足通常會產(chǎn)生小幅擺動。在此狀態(tài)中，人體速度瞬間減小至0，加速度產(chǎn)生較大峰值并迅速恢復(fù)至重力加速度，足底壓力值在0附近小幅擺動。

（3）靜止：一般情況下，人體在撞擊狀態(tài)后的較短時間內(nèi)會保持躺倒狀態(tài)。在此狀態(tài)下，人體保持一種相對靜止的狀態(tài)，加速度和足底壓力均無較大變化。

從圖2可以看出，基于慣性傳感器的跌倒檢測，通常以跌倒過程中產(chǎn)生的高加速度和角度變化等作為區(qū)分依據(jù)，可以區(qū)分跌倒的失重、撞擊和靜止三種狀態(tài);而基于可穿戴壓力傳感器的跌倒檢測，對于以上跌倒的三種狀態(tài)區(qū)分不是很明顯，通常是根據(jù)跌倒前后足底壓力的不同分布檢測跌倒活動。

1.3 傳感器種類和位置分析

在以往的可穿戴跌倒檢測研究中，使用最多的傳感器是慣性傳感器（加速度計、陀螺儀、傾角儀等），通常放置在人體的軀干位置（腰部、背部等）。已有研究表明，在人體軀干位置設(shè)置慣性傳感器缺乏對人體下肢運動的判別，容易誤判一些類似跌倒的動作，如坐下、蹲下等[12-16]。目前，不少研究者將目光聚焦于通過在足底設(shè)置壓力傳感器檢測跌倒活動，此方式主要有以下幾個特點。

（1）除躺的動作外，人體大部分ADL均基于足部與地面的間接或直接接觸，這類接觸會產(chǎn)生足底壓力，所以可以通過檢測足底壓力的變化判斷人體雙腳與地面的接觸狀態(tài)。針對跌倒動作，足底壓力數(shù)據(jù)是短時間內(nèi)從有到無的變化;針對走、跑和上下樓梯，足底壓力數(shù)據(jù)是周期性的數(shù)值大小變化;針對站、坐、躺的不同姿勢，壓力數(shù)據(jù)是數(shù)值大小的明顯變化。

（2）慣性傳感器通常放置在腰帶或者衣物上，這樣放置較為顯眼，老年人可能會有心理上的負擔，同時需要自行佩戴，容易遺忘，也存在放置不穩(wěn)定的問題[11，17-18]。鞋、鞋墊等制品是老年人日常出行所必需的，新型的薄膜壓力傳感器與其結(jié)合是一個較好的穿戴解決方案[19-21]。

（3）足部位置的特殊性導(dǎo)致足底壓力對于上肢運動的感知不夠，而對于足部和下肢的感知卻很靈敏。一些下肢運動，如蹺二郎腿、腿交叉、盤腿和抖動等動作出現(xiàn)頻率大且模擬難度大的問題，對跌倒檢測的算法設(shè)置和實際應(yīng)用造成了一定的困難。

1.4 跌倒檢測系統(tǒng)框架

如圖3所示，基于可穿戴設(shè)備的跌倒檢測系統(tǒng)主要由數(shù)據(jù)采集、數(shù)據(jù)處理、跌倒檢測模型、報警模塊等部分組成[22]。

2 數(shù)據(jù)采集（Data acquisition）

基于可穿戴壓力傳感器的數(shù)據(jù)采集系統(tǒng)包括壓力傳感器、數(shù)據(jù)傳輸模塊、主控芯片和電池模塊等。人體足部具有一定的特殊性，因此壓力傳感器型號、數(shù)量和放置位置的選擇是必須考慮的重點，同時基于可穿戴的要求，各模塊的集成也需要重點考慮。本節(jié)從傳感器的型號參數(shù)、數(shù)量、位置以及各模塊的集成進行分析說明。

2.1 傳感器類型和參數(shù)

常見的壓力傳感器可根據(jù)工作原理劃分為三種類型：壓電式傳感器、壓阻式傳感器和電容式傳感器，其性能比較如表1所示[23-25]。

考慮足底壓力的動態(tài)和靜態(tài)轉(zhuǎn)換頻繁、鞋腔內(nèi)部的溫度和濕度變化差異、測量精度和成本等因素，基于可穿戴壓力傳感器的跌倒檢測研究常使用壓阻式傳感器，同時基于可穿戴的要求，Interlink Electronics公司生產(chǎn)的薄膜式力傳感電阻器（Force Sensing Resistors， FSR）被很多研究者使用。FSR是一種聚合物厚膜（Polymer Thick Film， PTF）器件，其電阻隨著施加到有源表面力的增加而減小，可用于電子設(shè)備的人體觸摸控制（如圖4所示）[26]。其中，F(xiàn)SR402和FSR400兩款壓力傳感器最受研究者青睞，它們的區(qū)別在于尺寸和厚度不同，具體參數(shù)如表2所示[26]。

2.2 傳感器數(shù)量和位置

王明鑫等[27]的研究表明：中國正常的成年人雙側(cè)足的足底壓力分布以及不同性別的足底壓力的分布無顯著性意義。在跌倒檢測研究中，研究者們根據(jù)不同的檢測思路，采用了不同的放置方案（圖5）。本文按照單足可放置傳感器的數(shù)量（N），給出了三種壓力傳感器放置方案，即N >8：整足式;4≤N ≤8：關(guān)鍵點式;1≤N <4：簡單式。

2.2.1 整足式

整足式放置的目的是盡量測量足底每個部位的壓力大小，從而得到精準的壓力分布，進而用于檢測跌倒活動，因此需要的傳感器數(shù)量多[圖5（a）]。在文獻[13]、文獻[28]至文獻[30]中，傳感器以整足式的方式放置，傳感器數(shù)量為11～512個。JIA等[28]使用自制的柔性壓力傳感鞋墊測量人體足底壓力，鞋墊由512個電容測壓單元組成，排列成32行16列。

整足式放置方案經(jīng)常用于跌倒風(fēng)險的預(yù)警，通過分析壓力數(shù)據(jù)，可以獲得較為精準的步態(tài)參數(shù)，進而評估人體的跌倒風(fēng)險，指導(dǎo)跌倒預(yù)防。在以跌倒檢測為目標的研究中，并不需要對整個足底的壓力分布做細致的分析。未來，這樣的設(shè)置方式可以為老年人提供跌倒預(yù)防和跌倒檢測的綜合解決方案。

2.2.2 關(guān)鍵點式

圖5（b）是根據(jù)正常人的足部結(jié)構(gòu)和足底壓力分布選取的8個主要受力位置：分別為大腳趾、第一至第五跖骨、中足外側(cè)和足跟位置[15]。其他的關(guān)鍵點式布局則以此8個位置為基礎(chǔ)進行一定的更改[19，31-33]。其中，在圖5（b）中的①②⑥和⑧這4個位置設(shè)置傳感器是關(guān)鍵點式的簡化方案，在現(xiàn)有研究中應(yīng)用較多[32-34]。

選取關(guān)鍵點設(shè)置壓力傳感器，可以針對性地對大腳趾、跖骨和足跟部分的壓力進行表征，同時需要使用的傳感器數(shù)量較少，系統(tǒng)更加簡單。

2.2.3 簡單式

簡單式設(shè)置方案一般有三種：①第一跖骨、第四五跖骨、后跟共三個位置[35-37];②前掌和后跟共兩個位置[26，38-42];③只有一個位置，一般位于前掌部位[43]。

簡單式放置方案是根據(jù)研究者的不同檢測思路而設(shè)置的，這樣做的優(yōu)點是降低了系統(tǒng)的復(fù)雜度。相對于關(guān)鍵點式而言，簡單式放置方案主要是針對足底前掌和后跟部位進行壓力感知[圖5（c）]，這樣做的優(yōu)勢在于可以簡單地區(qū)分行走、跑步和上、下樓梯等動作，但是會缺少部分區(qū)域的信息，不能完整地對主要受力區(qū)域的壓力狀態(tài)進行感知。

從研究文獻的數(shù)量來看，針對采用大腳趾、第一跖骨、第四五跖骨和后跟4個位置的關(guān)鍵點式設(shè)置以及前掌和后跟兩個位置的簡單式設(shè)置的研究居多。

2.3 數(shù)據(jù)采集系統(tǒng)集成

當壓力傳感器的型號、數(shù)量和位置確定好后，還需要配置其他硬件，包括電源模塊、主控芯片模塊、數(shù)據(jù)傳輸模塊等，共同組成數(shù)據(jù)采集系統(tǒng)。本文將數(shù)據(jù)采集系統(tǒng)按從低到高的集成度分為組合式、簡單集成和智能鞋墊三種形式，選取了三個文獻研究中的數(shù)據(jù)采集系統(tǒng)進行說明（圖6）[13，29，35]。在實際研究中，研究人員會根據(jù)不同的實驗條件和研究思路對數(shù)據(jù)采集系統(tǒng)中各個硬件的結(jié)合方式進行不同程度的更改。

2.3.1 組合式

傳感器與鞋子或者鞋墊通常以粘貼的方式結(jié)合，其他硬件在實驗過程中需要綁在人體的小腿或者腰部位置。文獻[34]和文獻[36]中研究的采集系統(tǒng)為組合式，它的優(yōu)點是系統(tǒng)簡單、成本低、便于改進;缺點是體積大、便攜度低，僅可用于實驗研究。

2.3.2 簡單集成

傳感器通過塑封等方式集成為一塊鞋墊形狀的柔性材料，其他硬件則通過柔性材料與其連接并懸掛或粘貼在鞋子的表面。文獻[42]至文獻[44]中研究的采集系統(tǒng)為簡單集成的方式，它的優(yōu)點是傳感器位置固定，便于實驗室研究;缺點是集成度不足、舒適性不高。

2.3.3 智能鞋墊

傳感器和其他硬件都集成在鞋墊上，外觀與普通鞋墊的差異不大。文獻[16]和文獻[30]中研究的采集系統(tǒng)為智能鞋墊，它優(yōu)點是集成度高，便攜度高;缺點是成本高。

三種數(shù)據(jù)采集系統(tǒng)可以對應(yīng)跌倒檢測系統(tǒng)的不同研究階段：研究的早期使用組合式，探究傳感器的位置和數(shù)量設(shè)置;研究的中期則專注于將數(shù)據(jù)采集系統(tǒng)進行集成，逐步達到人體可穿戴的要求;研究的后期則在滿足人體可穿戴要求的基礎(chǔ)上，將數(shù)據(jù)采集系統(tǒng)與數(shù)據(jù)處理、跌倒檢測模型、報警模塊更好地組合與完善，逐步滿足智能的要求。

從整體來看，與其他類型的傳感器數(shù)據(jù)采集系統(tǒng)相比，基于可穿戴壓力傳感器的數(shù)據(jù)采集系統(tǒng)還需要考慮傳感器的放置位置和數(shù)量，以及系統(tǒng)集成方法。目前研究中，傳感器的放置方式以關(guān)鍵點式和簡單式居多，系統(tǒng)的集成方法則根據(jù)實際研究條件而采取不同的方式。

3 數(shù)據(jù)處理（Data processing）

傳感器采集到的原始壓力數(shù)據(jù)通常無法直接使用，必須進行數(shù)據(jù)處理后才可輸入算法模型進行跌倒動作判斷。數(shù)據(jù)處理通常包括異常數(shù)據(jù)處理、缺失值處理、濾波處理、歸一化處理、簡單數(shù)據(jù)運算及特征值提取等。下文針對足底壓力數(shù)據(jù)處理步驟中應(yīng)用的特殊方法進行總結(jié)和分析。

3.1 數(shù)據(jù)轉(zhuǎn)換

壓力傳感器采集到的數(shù)據(jù)是一個具體的值，不同體重的人在相同運動狀態(tài)下的數(shù)據(jù)存在差異，對于跌倒動作的判斷，特別是閾值的設(shè)置有一定的影響。為了排除此影響，BET等[17]和WANG等[18]將足底壓力數(shù)據(jù)與站立狀態(tài)下的壓力值轉(zhuǎn)換為比值，NIE等[20]則將足底壓力數(shù)據(jù)轉(zhuǎn)換為與零負載條件下的電壓比。

3.2 分區(qū)計算

足部運動狀態(tài)的獲取需要一組傳感器對足底不同部位的壓力數(shù)據(jù)進行測量，在計算一些數(shù)據(jù)特征（如平均值、均值、方差等）時，有時需要分區(qū)進行計算。此處以平均壓力的計算為例進行說明：①計算整個足底平均壓力[41];②分區(qū)域計算平均壓力[13];③ 按傳感器陣列的排布計算，如按列計算平均壓力[28]。

3.3COP與ZMP

壓力中心（Center Of Pressure， COP）和零力矩點（theZero Moment Point， ZMP）的概念相似，當人體處于平衡狀態(tài)時，ZMP與COP的數(shù)值無差異，在人體處于不平衡狀態(tài)時，二者則顯示出不同的特性。

LEE等[31]對智能鞋墊上的壓力傳感器位置做了標準化的處理，以百分數(shù)的形式表征足底壓力橫向COP與縱向COP，并使用決策樹方法對跌倒進行判斷。文獻[28]和文獻[45]均使用了零力矩點的方法判斷跌倒動作。

3.4 基準壓力

將不同姿勢下的壓力數(shù)據(jù)作為基準壓力，在基準壓力的上下進行姿勢區(qū)分，將姿勢區(qū)分引入算法中可以排除一些誤報的情況，如坐下、蹲下等。徐攀峰等[46]用壓力值的大小確定了站姿基準線和坐姿基準線，區(qū)分站姿、坐姿和躺姿三個姿勢。

3.5 過零率

過零率（Zero Crossing Rate， ZCR）是指信號通過零點（從正變?yōu)樨摶驈呢撟優(yōu)檎┑拇螖?shù)。將不同姿勢下的基準壓力作為“零點”，信號通過基準壓力的次數(shù)，可以表征一定的運動狀態(tài)。強家輝[14]、石欣[26]、徐攀峰等[46]將過零率作為跌倒檢測的特征值。

3.6 步態(tài)分析

步態(tài)是人的自然行走方式，它是一個復(fù)雜的過程，涉及神經(jīng)、肌肉和骨骼等多個部分，步態(tài)不僅可用于生物識別領(lǐng)域，也可以用于跌倒檢測[7]。常見的步態(tài)參數(shù)有步頻、步速、步長、步寬和步態(tài)時相等。

石欣[26]在足底前掌和后跟部位設(shè)置壓力傳感器，設(shè)置時間窗口和基準壓力，計算壓力數(shù)據(jù)與壓力基準線的坐標并結(jié)合時間等數(shù)據(jù)提取步頻特征、最大步頻間隔雙足特征等7個步態(tài)特征值，利用支持向量機（Support Vector Machine， SVM）的算法進行跌倒動作判斷，平均識別率達到了90% 以上。MONTANINI等[35]在足底設(shè)置三個壓力傳感器，將人體活動時的最大壓力值的1/3作為閾值，三個壓力傳感器的模擬信號可以轉(zhuǎn)換為二進制信息，表征步態(tài)周期相位。

整體而言，因為足部位置的特殊性、足底壓力與人體運動間的聯(lián)系以及不同個體之間的差異，足底壓力數(shù)據(jù)需要采用一些特殊的處理手段。其中，數(shù)據(jù)轉(zhuǎn)換和分區(qū)計算是多數(shù)研究中會應(yīng)用的一個數(shù)學(xué)思想，目的是減少個體差異的影響;強度矢量、COP和ZMP則是通過尋找足底壓力各個區(qū)域數(shù)據(jù)的內(nèi)在聯(lián)系表征足部運動;而基準壓力、過零率與步態(tài)分析通常共同使用，用于分析人體的步態(tài)和姿勢。研究者們根據(jù)不同的研究思路采用了不同的處理方法。

4 跌倒檢測模型（Fall detection algorithm model）

跌倒檢測模型是跌倒檢測中數(shù)據(jù)判斷的最后一步，算法模型的構(gòu)建思路與數(shù)據(jù)來源緊密相關(guān)，模型好壞的最直接體現(xiàn)是對跌倒動作的檢測效果。以下對跌倒檢測模型的數(shù)據(jù)來源、算法架構(gòu)及檢測準確率進行梳理，再對近幾年的跌倒檢測模型進行分析。

4.1 單獨判斷

石欣等人是國內(nèi)較早研究單獨使用壓力傳感器進行跌倒判斷的研究團隊，在文獻[26]、文獻[39]和文獻[42]中，均使用雙足足底前掌和后跟共4個部位的壓力傳感器采集人體足底壓力數(shù)據(jù)，并使用SVM 進行跌倒檢測，準確率為80% ～90.73%。強家輝[14]僅在單足下設(shè)置壓力傳感器，探究實現(xiàn)跌倒檢測的可能性，并使用了SVM 算法，檢測準確率達到了94.61%。

與慣性數(shù)據(jù)一樣，單獨使用足底壓力數(shù)據(jù)不能對人體運動做全面且精準的表征，存在準確率低的情況。因此，目前的一些研究致力于多傳感器的數(shù)據(jù)融合。

4.2 綜合分析

從多傳感器融合的角度對跌倒進行判斷，主要有閾值和機器學(xué)習(xí)兩種方法。

閾值方法計算簡單，檢測速度快，功耗小，但無法處理復(fù)雜的動作信息，研究者們多使用多級閾值的方法進行跌倒判斷。合加速度判斷人體動靜狀態(tài)，傾角判斷人體相對于豎直站立時的夾角，足底壓力判斷雙腳與地面的接觸情況，由這三個閾值組成的多級閾值算法整體表現(xiàn)良好，準確率均達到94%以上[40-41]。徐攀峰等[46]基于足底壓力數(shù)據(jù)，設(shè)置了過零點數(shù)、方差、平均值的三級閾值跌倒檢測系統(tǒng)，但并未對該系統(tǒng)進行驗證。

機器學(xué)習(xí)方法可以自動學(xué)習(xí)特征，準確率相對較高，但模型訓(xùn)練慢，模型性能對特征和參數(shù)的選擇依賴度高，容易欠擬合[22]。對此，研究者們進行了不同的算法嘗試。CHAN等[44]設(shè)計了一個包含壓力傳感器與慣性傳感器的智能鞋系統(tǒng)，建立了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）的混合模型用于檢測跌倒動作，F(xiàn)1分數(shù)（F1 Score）達到了99.8%。盧媛[38]將加速度信息、傾角信息和足底壓力信息分別輸入相關(guān)向量機（Relevance Vector Machine， RVM），根據(jù)分類結(jié)果和輸出的概率信息建造基本概率分配（Basic Probability Assignment，BPA）函數(shù)，再通過DS證據(jù)理論（Dempster-Shafer EvidenceTheory）進行跌倒動作的判斷，達到93.33%的檢測準確率。JIA等[28]基于BP神經(jīng)網(wǎng)絡(luò)、隱馬爾科夫模型和多元線性回歸設(shè)計了兩級跌倒預(yù)警，實驗結(jié)果顯示，該方法對于絆倒和滑倒動作的檢測準確率都達到了98%以上。

在閾值算法中，壓力、加速度、角度的三閾值算法使用者較多，表現(xiàn)出不低的準確率。機器學(xué)習(xí)方法中目前則沒有較集中的算法應(yīng)用，并且近年來不同的機器學(xué)習(xí)算法層出不窮，組合式的算法模型也不斷被開發(fā)。

4.3 輔助驗證

足底壓力在一些研究者的研究中起到特殊的輔助驗證作用，研究者們通?；谧愕讐毫Φ臄?shù)據(jù)特性對算法做前置判斷或后置驗證。前置判斷通常是利用閾值過濾一些特定的動作。石欣等[39]僅使用足底壓力數(shù)據(jù)，在SVM判斷前增加了足底壓力方差和平均值的閾值判斷，結(jié)果顯示，閾值判斷可以明顯降低誤判的可能性，整體準確率在80%以上。靳少康[13]在采用隨機森林（Random Forest， RF）算法前，做壓力、加速度和時間的閾值判斷，達到了98.3%的檢測準確率。后置驗證是對“一段時間內(nèi)處于靜止躺倒”這一狀態(tài)進行判別。屠碧琪[15]提取了三個足底壓力數(shù)據(jù)特征作為閾值判斷標準，先根據(jù)加速度數(shù)據(jù)判斷疑似跌倒動作，再用足底壓力的三個特征閾值做最終判斷，正確率達到99.55%。

輔助驗證是跌倒判斷中的重要一環(huán)，可以減少計算量和誤報，特別是對躺倒這一狀態(tài)做后置驗證，能達到較好的效果。

4.4 近年出現(xiàn)的跌倒檢測模型

將近年出現(xiàn)的跌倒檢測模型連同傳感器設(shè)置按時間順序做了相應(yīng)的梳理（表3）。

（1）單獨使用壓力傳感器的算法性能較低，不同傳感器數(shù)據(jù)的融合使用可以提高跌倒檢測模型的性能。將文獻[19]、文獻[45]與其他研究對比可以發(fā)現(xiàn)，單獨使用足底壓力數(shù)據(jù)做跌倒判斷，跌倒模型的整體準確率不高，普遍低于不同傳感器的數(shù)據(jù)融合的算法性能。

（2）關(guān)于多傳感器結(jié)合的位置設(shè)置，“雙足+腰部”這樣多點位的設(shè)置已經(jīng)不常見[13，31，38]。目前主流的做法是在足部放置壓力與慣性傳感器[28-29，44]。將硬件系統(tǒng)集成在鞋子或者鞋墊中可以大大降低使用者的心理負擔和提高系統(tǒng)的便攜性。

（3）單獨使用閾值方法的研究逐漸減少，閾值方法目前多起到算法的輔助作用[13，36-37]，跌倒的判斷更多的由機器學(xué)習(xí)方法實現(xiàn)。同時，研究者們對機器學(xué)習(xí)算法的選擇不一，組合式的機器學(xué)習(xí)算法也不斷被挖掘[28-29，44]。

（4）在多傳感器結(jié)合的算法性能方面，各個研究的整體檢測準確率均在93%以上。BP神經(jīng)網(wǎng)絡(luò)[33]、閾值與極端隨機樹（Extremely Randomized Trees， ET）的組合[13]獲得了最高的檢測準確率（99.7%），CNN[16]、RDAE-LSTM[29]、BP-HMM[28]的算法也達到了98.5%以上的準確率。

5 結(jié)論（Conclusion）

本文首先介紹了應(yīng)用可穿戴壓力傳感器進行跌倒檢測的內(nèi)在原理和基本形式，其次基于跌倒檢測模型框架和足底壓力數(shù)據(jù)特點，對數(shù)據(jù)采集、數(shù)據(jù)處理和跌倒檢測模型進行了分析和總結(jié)。研究表明，在足底大腳趾、第一跖骨、第四五跖骨和后跟4個位置以及前掌和后跟2個位置放置FSR402壓力傳感器獲取雙足的壓力數(shù)據(jù)，更能滿足跌倒檢測對數(shù)據(jù)的要求;基于足部的特殊位置以及足部運動和人體狀態(tài)間的聯(lián)系，壓力數(shù)據(jù)有數(shù)據(jù)轉(zhuǎn)換、分區(qū)計算、強度矢量、COP、ZMP、基準壓力、過零率和步態(tài)判斷等特殊的處理方法;壓力傳感器與慣性傳感器的融合，以及不同算法之間的融合是目前研究的主流方向。未來的研究重點在于系統(tǒng)高效集成、成本控制、功耗控制、數(shù)據(jù)的泛化性能以及算法的優(yōu)化設(shè)計等。同時，基于智能鞋或智能鞋墊構(gòu)建老年人的健康管理系統(tǒng)，提供更加全面的老齡化服務(wù)，是未來研究的一個主要方向。

作者簡介：

郭天宏（1998-），男，碩士生。研究領(lǐng)域：鞋服數(shù)字化與智能化研究。

萬蓬勃（1976-），男，碩士，副教授。研究領(lǐng)域：功能性服裝服飾品技術(shù)研發(fā)，鞋服數(shù)字化與智能化研究。

石玉嬌（1998-），女，碩士生。研究領(lǐng)域：鞋服數(shù)字化與智能化研究。