李 政

(西安電子科技大學(xué)物理與光電工程學(xué)院，陜西西安 710071)

隨著社會(huì)老齡化的不斷發(fā)展，預(yù)計(jì)到2030年空巢老年人家庭的比例將達(dá)到90%，屆時(shí)我國老年人家庭將空巢化［1］，而跌倒已成為老年人發(fā)病和死亡的重要原因之一［2］。人體跌倒是指突發(fā)、不自主的、非故意的體位改變，倒在地上或更低的平面上［3］。據(jù)統(tǒng)計(jì)，我國人群中因跌倒意外傷害死因順位中排名第4，而在65歲以上的老年人中則位居首位，并隨年齡的增加跌倒的死亡率急劇上升，在85歲以上的老年人中達(dá)到了高峰［4］。若在日常生活中，老年人發(fā)生跌倒時(shí)，能及時(shí)發(fā)現(xiàn)，從而避免了更嚴(yán)重的后果［5］。

1 跌倒檢測(cè)的研究現(xiàn)狀

跌倒檢測(cè)是遠(yuǎn)程健康監(jiān)護(hù)系統(tǒng)中家庭終端的一種實(shí)現(xiàn)方式，涉及多個(gè)領(lǐng)域，包括信號(hào)采集與處理、信號(hào)特征提取、數(shù)據(jù)傳輸?shù)确矫娴难芯浚?］。本文主要從跌倒特征信號(hào)的提取進(jìn)行研究，通過三軸加速度無線傳感器，運(yùn)用模式識(shí)別的理論，對(duì)數(shù)據(jù)進(jìn)行判別，從而檢測(cè)是否有跌倒現(xiàn)象發(fā)生，進(jìn)而自動(dòng)發(fā)出報(bào)警短信，通知家人或醫(yī)療機(jī)構(gòu)。

目前已有多名學(xué)者對(duì)跌倒檢測(cè)進(jìn)行研究，主要方法有:(1)從3個(gè)軸加速度各自的變化情況對(duì)跌倒進(jìn)行判斷［5］，其不足之處是，以其中某一軸作為判斷，對(duì)傳感器佩戴方位要求嚴(yán)格，這在實(shí)際中難以實(shí)現(xiàn)。(2)從人體傾斜角度及加速度與z軸的夾角來對(duì)跌倒進(jìn)行判斷［6］，但這對(duì)z軸的方位要求嚴(yán)格，會(huì)因芯片不同的角度而產(chǎn)生較大誤差。(3)將合加速度峰值、軀體傾角的變化、加速度信號(hào)曲線能量作為跌倒識(shí)別的特征指標(biāo)，3個(gè)特征值構(gòu)成跌倒的特征向量與跌倒訓(xùn)練樣本比較，判斷待檢測(cè)樣本是否在跌倒向量空間區(qū)域中，用以判斷是否屬于跌倒類［7］，但對(duì)于老年人普通運(yùn)動(dòng)導(dǎo)致的和跌倒時(shí)產(chǎn)生的軀體傾角同樣難以區(qū)分。

針對(duì)以上問題，本文提出了將合加速度峰值［7］、三軸信號(hào)變化幅度區(qū)域［8］、運(yùn)動(dòng)所消耗的能量［7］作為3個(gè)特征值，并加以閾值設(shè)定來對(duì)跌倒進(jìn)行檢測(cè)。實(shí)驗(yàn)表明，所提跌倒檢測(cè)方法的準(zhǔn)確率達(dá)到90%以上。

2 系統(tǒng)結(jié)構(gòu)和算法準(zhǔn)則

2.1 系統(tǒng)結(jié)構(gòu)

ZigBee是基于IEEE802.15.4規(guī)范的無線技術(shù)，其具有在802.15.4規(guī)范上創(chuàng)建的安全和應(yīng)用層接口、工作于免授權(quán)的2.4 GHz頻段、大幅可伸縮的網(wǎng)絡(luò)和星型網(wǎng)絡(luò)拓?fù)涞戎T多優(yōu)點(diǎn)［9］。該系統(tǒng)在該標(biāo)準(zhǔn)下采用飛思卡爾公司提供的MC13213核心板、MMA7260Q加速度傳感器板作為采集端采集數(shù)據(jù);MC1321 UCB板作為接受端在終端PC接受數(shù)據(jù);在PC機(jī)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、濾波、模式判定等處理后，利用TC35在GSM模塊中向家人或醫(yī)療機(jī)構(gòu)發(fā)送報(bào)警短信。實(shí)體結(jié)構(gòu)如圖1所示。系統(tǒng)結(jié)構(gòu)如圖2和圖3所示。

圖1 實(shí)體結(jié)構(gòu)圖

圖2 獲取系統(tǒng)結(jié)構(gòu)圖

圖3 接收系統(tǒng)結(jié)構(gòu)圖

2.2 跌到檢測(cè)準(zhǔn)則

老年人跌倒是身體不自主而失去平衡的行為，通過特征向量的提取可有效的判別老年人是否發(fā)生跌倒［7］。本文結(jié)合跌倒檢測(cè)原理的方法如下所述:(1)提取檢測(cè)信號(hào)段。從傳感器得到的模擬信號(hào)轉(zhuǎn)化為數(shù)字信號(hào)，通過串口程序反饋到PC機(jī)，由于跌倒是一個(gè)過程，而在跌倒的過程中，合加速度會(huì)有一個(gè)明顯的變化，因此當(dāng)某一時(shí)刻的加速度達(dá)到閾值時(shí)，即認(rèn)為可能發(fā)生了跌倒，鎖定這一時(shí)刻找出之后的峰值，以峰值出現(xiàn)的時(shí)刻為基準(zhǔn)，將前后1.5 s內(nèi)的加速度曲線截取到緩存區(qū)［7］。(2)處理并計(jì)算特征向量。人體發(fā)生跌倒時(shí)，伴隨著一系列物理上和生理上的變化，凡是伴隨跌倒而發(fā)生的均能描述跌倒事件。由此，文中選取合加速度的峰值、三軸信號(hào)幅度變化區(qū)域、加速度信號(hào)曲線能量作為特征值。

(1)合加速度峰值:指某一時(shí)刻合加速度的最大值。峰值用來衡量信號(hào)變化的最大幅度，反映信號(hào)變化的劇烈程度［10］。而在跌倒模型中，峰值越大，表明瞬時(shí)加速度變化越劇烈，暗示著人體的姿態(tài)發(fā)生較大變化。峰值大于一般水平可作為判斷跌倒的必要條件。因此，可作為衡量人體是否跌倒的指標(biāo)之一，是明顯且易操作的指標(biāo)，故成為了判別跌倒的首選指標(biāo)［2］。其計(jì)算方法如式(1)所示

其中，RA為合加速度峰值;ax為水平方向即X 軸加速度;ay為前后方向即Y軸加速度;az為豎直方向即Z軸加速度。

(2)三軸信號(hào)幅度變化區(qū)域:指X軸，Y軸，Z軸在所截取的信號(hào)段時(shí)間內(nèi)，三軸信號(hào)幅度區(qū)域的總和。其較好的避免了以某一軸的輸出作為判定的依據(jù)，且能較好的反映老年人在跌倒的過程中三軸信號(hào)變化大的特點(diǎn)。因此，可作為判別跌倒的又一指標(biāo)。計(jì)算方法如式(2)所示:RS為三軸信號(hào)幅度區(qū)域總和，t為時(shí)間間隔(3 s)，Ax(t)為時(shí)間t時(shí)X軸加速度的大小，Ay(t)為時(shí)間t時(shí)Y軸加速度的大小，Az(t)為時(shí)間t時(shí)Z軸加速度的大小

(3)合加速度信號(hào)曲線能量。信號(hào)的能量在時(shí)域信號(hào)中，用幅值與所用時(shí)寬來衡量［7］。即能量大就意味著幅度與占用時(shí)寬的乘積大。換到頻域也是一樣，能量大就意味著幅度與占用頻帶寬度的乘積大。傅里葉分析能使時(shí)域信號(hào)變換到頻域，但不改變信號(hào)的能量。由于信號(hào)能量守恒，在時(shí)域求得的信號(hào)能量與在頻域求得的信號(hào)能量相同。在為給定信號(hào)s(t)構(gòu)造的時(shí)頻聯(lián)合分布P(t，w)的總能量E應(yīng)也等于信號(hào)的能力，如式(3)所示

(4)進(jìn)行模式匹配。將計(jì)算得到的特征向量與模板向量匹配，通過分類器進(jìn)行決策，若該向量與模板向量之間的歐氏距離小于設(shè)定距離D時(shí)，可判定為跌倒

發(fā)生;反之，無跌倒事件發(fā)生［7］。設(shè)定距離D值的大小根據(jù)實(shí)驗(yàn)確定。對(duì)于兩個(gè)樣本X和Y，其歐式距離定義為式(4)所示

每個(gè)跌倒類型下的小特征向量空間確定的歐式距離取值原則:為保證減少漏報(bào)的次數(shù)，歐式距離的取值應(yīng)宜大不宜小。因各個(gè)歐式距離相差較小，取值D用以下方法式(5)確定［7］

跌倒檢測(cè)具體流程如圖2所示。

圖4 檢測(cè)算法流程圖

2.3 實(shí)驗(yàn)比較和結(jié)果

為檢測(cè)、對(duì)比本文提出的特征向量T1=(RA，SA，E)和文獻(xiàn)［7］提出的特征向量 T2=(RA，Dip，E)的實(shí)驗(yàn)結(jié)果。其中，RA為合加速度峰值，E為運(yùn)動(dòng)所消耗的能量，C為三軸信號(hào)幅度變化區(qū)域，Dip為軀體傾角的變化。首先建立模板庫，分別采集了20組異常跌倒樣本和20組輕微運(yùn)動(dòng)樣本，20組正常休息樣本。出于安全考慮，未請(qǐng)老年人參與，而是由4名學(xué)生模擬老年人的行為特征在墊子上完成，每位學(xué)生各類實(shí)驗(yàn)分別采集5組。并對(duì)跌倒設(shè)定閾值RA＞1.85;SA＞2.2;E＞3.5;Dip＞0.3。做了3組對(duì)比實(shí)驗(yàn)。分別對(duì)應(yīng)以上算法進(jìn)行模式匹配。在同一時(shí)間段內(nèi)，測(cè)試同一測(cè)試樣例，保證T1、T2中的合加速度RA及消耗能量E相同，并分別觀察跌倒、輕微運(yùn)動(dòng)、休息狀態(tài)情況下SA和Dip的變化。

(1)跌倒實(shí)驗(yàn)。

從圖5中可看到，當(dāng)合加速度RA到達(dá)第一個(gè)波峰時(shí)，經(jīng)模式匹配后確立為跌倒情況。此時(shí)，能量E增大，SA變化幅度明顯，Dip變化幅度也同樣明顯。當(dāng)合加速度RA到達(dá)第二個(gè)疑似波峰時(shí)，經(jīng)模式匹配之后與跌倒樣本匹配不成功。此時(shí)，SA變化幅度沒有跌倒時(shí)大，而Dip變化大小卻與跌倒時(shí)變化相當(dāng)。因此，Dip無法較好的區(qū)分是否為跌倒情況。

圖5 跌倒實(shí)驗(yàn)結(jié)果圖

(2)輕微運(yùn)動(dòng)實(shí)驗(yàn)。

圖6 輕微運(yùn)動(dòng)實(shí)驗(yàn)結(jié)果圖

從以上實(shí)驗(yàn)可看出，當(dāng)實(shí)驗(yàn)者處于輕微運(yùn)動(dòng)狀態(tài)時(shí)，如走路、上樓梯。合加速度RA與能量E、SA變化均平緩。而Dip可清楚的看到，有至少兩處變化明顯。

(3)休息狀態(tài)實(shí)驗(yàn)。

如圖7所示，當(dāng)實(shí)驗(yàn)者處于休息狀態(tài)時(shí)，如睡覺、靜坐。合加速度RA與能量E均基本不變，SA的變化幅度較小，而Dip變化不穩(wěn)定。

圖7 休息狀態(tài)實(shí)驗(yàn)結(jié)果圖

(4)實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)共6名學(xué)生，實(shí)驗(yàn)者模擬老年人的行為特征按照表1、表2和表3分別做60次跌倒實(shí)驗(yàn)、60次輕微運(yùn)動(dòng)實(shí)驗(yàn)、60次休息狀態(tài)實(shí)驗(yàn)，即每人分別各項(xiàng)做3次。實(shí)驗(yàn)過程中，地上放置有棉墊(厚度約10 cm)，周圍無其他遮擋物。本文從準(zhǔn)確率、誤報(bào)率、漏報(bào)率3個(gè)性能對(duì)比兩種特征向量T1和T2實(shí)驗(yàn)情況。定義如下:

準(zhǔn)確率=(成功次數(shù)/總實(shí)驗(yàn)次數(shù))×100%

誤報(bào)率=(錯(cuò)選次數(shù)/總實(shí)驗(yàn)次數(shù))×100%

漏報(bào)率=(遺漏次數(shù)/總實(shí)驗(yàn)次數(shù))×100%

表1 跌倒實(shí)驗(yàn)結(jié)果

表2 輕微運(yùn)動(dòng)實(shí)驗(yàn)結(jié)果

表3 休息狀態(tài)實(shí)驗(yàn)結(jié)果

由表1～表3可看出，選用T1作為特征向量相比選用T2作為特征向量，在檢測(cè)跌倒、輕微運(yùn)動(dòng)、休息狀態(tài)下的準(zhǔn)確率上均有所提高;而誤報(bào)率和漏報(bào)率上均有所降低。實(shí)驗(yàn)效果更加穩(wěn)定、可靠，且各方面實(shí)驗(yàn)情況也更加優(yōu)越。

3 結(jié)束語

本文設(shè)計(jì)的系統(tǒng)可實(shí)現(xiàn)跌倒檢測(cè)、輕微運(yùn)動(dòng)檢測(cè)及休息狀態(tài)檢測(cè)，并能運(yùn)用于老年人身上。改進(jìn)后的特征向量T1比文獻(xiàn)［7］提出的特征向量T2檢測(cè)效果更加精準(zhǔn)。T1克服了T2因人的身體姿態(tài)變化而出現(xiàn)的誤報(bào)、錯(cuò)報(bào)現(xiàn)象，并較好地避免了以某一軸輸出作為判定的依據(jù)，且不會(huì)因傳感器佩戴方位的不同產(chǎn)生誤差。其三軸加速度信號(hào)的幅度區(qū)域可較好地體現(xiàn)老年人的跌倒特征，也能與其他非跌倒類型的動(dòng)作清楚地區(qū)分并判斷，由此可更加準(zhǔn)確將實(shí)時(shí)跌倒信息反饋給家人或醫(yī)療機(jī)構(gòu)，從而為老年人的獨(dú)居生活提供了便利與保障。

［1］寧鴻成，滕桂法.跌倒檢測(cè)在遠(yuǎn)程健康監(jiān)管系統(tǒng)中的應(yīng)用研究［J］.微型機(jī)與應(yīng)用，2007，30(6):76 －78.

［2］Rashidi P，Mihailidis A.A survey on ambient－ assisted living tools for older adults［J］.IEEE Journal of Biomedical and Health Informatics，2013(3):579 －590.

［3］Christian B，F(xiàn)rank M.A survey of berth allocation and quay crane scheduling problems in container terminals［J］.European Journal of Operational Research，2010，202(3):615 －627.

［4］施芹，裘安萍.硅微陀螺儀的誤差分析［J］.傳感技術(shù)學(xué)報(bào)，2010，19(5):2182 －2185.

［5］張愛華，王璐.基于三維加速度傳感器設(shè)計(jì)的跌倒檢測(cè)［J］.中國組織工程研究與臨床康復(fù)，2010，14(48):9029－9032.

［6］李冬，梁山.基于加速度傳感器的老年人跌倒檢測(cè)裝置設(shè)計(jì)［J］.傳感器與微系統(tǒng)，2008，27(9):85 －88.

［7］陳艷玲.基于統(tǒng)計(jì)模式識(shí)別的跌倒檢測(cè)算法研究［D］.武漢:武漢理工大學(xué)，2012.

［8］趙祥欣.基于三維加速度傳感器的跌倒監(jiān)測(cè)研究［D］.杭州:浙江大學(xué)，2012.

［9］劉娜，馬禮.一種基于ZigBee的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)采集系統(tǒng)［J］.電腦開發(fā)與應(yīng)用，2010，23(6):69 －70.

［10］李娜，侯義斌，黃樟.基于人體加速度特征的實(shí)時(shí)跌倒識(shí)別算法［J］.小型微型計(jì)算機(jī)系統(tǒng)，2012，33(11):2410－2413.