廣東工業(yè)大學(xué)自動(dòng)化學(xué)院 陳祥寶

穿戴式跌倒檢測系統(tǒng)設(shè)計(jì)及算法研究

廣東工業(yè)大學(xué)自動(dòng)化學(xué)院 陳祥寶

隨著老年人口的劇增，老齡化社會(huì)以及老年人的醫(yī)療保健問題已成為當(dāng)今社會(huì)的突出問題。如何實(shí)現(xiàn)對(duì)老年人實(shí)行醫(yī)療監(jiān)護(hù)，已經(jīng)成為社會(huì)急需解決的問題。本系統(tǒng)設(shè)計(jì)的基于六軸傳感器的移動(dòng)醫(yī)療智能監(jiān)測系統(tǒng)，運(yùn)用六軸傳感器得到人體跌倒時(shí)的準(zhǔn)確數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，利用k近鄰算法得到被檢測者的身體狀態(tài)；運(yùn)用GPS/GSM/GPRS對(duì)被監(jiān)測的位置進(jìn)行確定定位，并通過GPRS將跌倒信息通過服務(wù)器傳送到APP端，使得親屬可以快速準(zhǔn)確的找到被監(jiān)測者進(jìn)行救治。本項(xiàng)目的技術(shù)創(chuàng)新點(diǎn)對(duì)于老年人的跌倒檢測具有很大的推動(dòng)作用。

可穿戴式；K-D tree；跌倒檢測；APP；K近鄰算法

0 引言

根據(jù)國家統(tǒng)計(jì)局發(fā)的2015年國民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)顯示，2015年年末我國60周歲及以上人口數(shù)為22182萬人，占總?cè)丝诒戎貫?6.15%；65周歲及以上人口數(shù)為14374萬人，占比10.47%。也就是說，我國已經(jīng)進(jìn)入人口老齡化的時(shí)期。摔倒在年級(jí)較大的人群中比較常見，和對(duì)年輕人相比，對(duì)老年人的影響要大的多。根據(jù)國內(nèi)外研究發(fā)現(xiàn)，在65周歲以上每年有30%的人發(fā)生過跌倒，并且隨著年齡的增長，這個(gè)數(shù)字也在不斷上升，在80周歲以上的老年人中，遇到跌倒的可能性甚至?xí)_(dá)到一半。在美國，在70周歲以上老年人中，跌倒已經(jīng)成為死亡的第六大原因，每年在跌倒傷害中花費(fèi)超過2000億美元。所以對(duì)跌倒研究與預(yù)防是極為必要的，怎么減少跌倒導(dǎo)致的傷害已經(jīng)成為國內(nèi)外研究人員的一個(gè)研究焦點(diǎn)。

1 跌倒檢測系統(tǒng)設(shè)計(jì)

本文設(shè)計(jì)的跌倒檢測系統(tǒng)分為硬件系統(tǒng)和軟件系統(tǒng)，其整體設(shè)計(jì)框圖如圖1所示：

圖1 系統(tǒng)整體設(shè)計(jì)框圖

1.1 硬件框架

硬件部分主要是智能監(jiān)護(hù)終端，功能主要為：實(shí)時(shí)地采集到用戶的生理指標(biāo)、人體姿態(tài)、用戶所在地理位置等數(shù)據(jù)，通過移動(dòng)網(wǎng)絡(luò)，將數(shù)據(jù)傳輸?shù)缴鐓^(qū)醫(yī)療監(jiān)護(hù)中心、用戶及其監(jiān)護(hù)人的手機(jī)，以實(shí)現(xiàn)對(duì)用戶的日常健康進(jìn)行監(jiān)護(hù)。該終端由主控芯片STM32L151RBT6、鋰電池電源管理模塊、微處理器、GPS/GSM/GPRS、六軸傳感器、蜂鳴器、選擇/確定按鈕等組成。

該部分主要負(fù)責(zé)對(duì)人體運(yùn)動(dòng)產(chǎn)生的加速度、角速度等數(shù)據(jù)采集，并具有地理信息獲取和遠(yuǎn)程無線通信等功能。當(dāng)檢測到用戶的生理指標(biāo)或人體姿勢發(fā)生異常時(shí)（如跌倒等），終端上的馬達(dá)振動(dòng)器會(huì)震動(dòng)報(bào)警，LED顯示屏提示用戶注意調(diào)節(jié)生理狀態(tài)。同時(shí)將報(bào)警信號(hào)傳送到遠(yuǎn)程服務(wù)器端，由遠(yuǎn)程服務(wù)端統(tǒng)一收集分派到社區(qū)醫(yī)療服務(wù)中心以及用戶監(jiān)護(hù)人的手機(jī)，以便通知社區(qū)醫(yī)療工作人員或監(jiān)護(hù)人提供及時(shí)的救治。此外終端還具有主動(dòng)取消報(bào)警、電量監(jiān)測和低電量提示、手機(jī)防丟、免密碼手機(jī)解鎖、運(yùn)動(dòng)檢測等其他輔助功能。

1.2 軟件框架

1.2.1 遠(yuǎn)程服務(wù)器

服務(wù)器端設(shè)計(jì)是基于Visual studio 2013開發(fā)環(huán)境利用MFC構(gòu)架開發(fā)，提供系統(tǒng)錄入，用戶管理，接收分派警報(bào)消息。服務(wù)器將事件相關(guān)信息，包括跌倒事件、發(fā)生人員、跌倒時(shí)間、發(fā)生地點(diǎn)、跌倒事件的可信程度和預(yù)處理方案等打包發(fā)送到社區(qū)醫(yī)療中心和監(jiān)護(hù)人手機(jī)處。該平臺(tái)能夠根據(jù)跌倒事件信息做出實(shí)施救助的方案，并立即展開救助活動(dòng)，最大程度地對(duì)需要救助的人員實(shí)施最快的救助。

1.2.2 手機(jī)客戶端APP設(shè)計(jì)

手機(jī)客戶端主要負(fù)責(zé)從服務(wù)器將用戶的數(shù)據(jù)讀取出來，解析服務(wù)氣端傳送的經(jīng)緯度信息，并以圖形界面的形式顯示。手機(jī)客戶端采用高德地圖來實(shí)時(shí)顯示用的地理位置。

2 跌倒檢測算法研究

人體結(jié)構(gòu)具有復(fù)雜性，導(dǎo)致人體的運(yùn)動(dòng)行為具有多樣性，在算法研究之前，我們需要對(duì)人體的日常行為和具體的跌倒行為進(jìn)行數(shù)據(jù)采集分析，進(jìn)而從中提取可以區(qū)分跌倒和類跌倒行為的特征。為跌倒算法的判斷提供簡便性。

2.1 跌倒行為分析

本文主要是針對(duì)老人的跌倒進(jìn)行研究，根據(jù)大量資料研究表明，老人跌倒絕大多數(shù)是處于從站立狀態(tài)到臥躺的一個(gè)過程。在跌倒發(fā)生時(shí)，通過本設(shè)計(jì)提供的六軸傳感器可以獲得佩戴者在這一狀態(tài)的加速度和角速度的變化過程。不同于其他的日常活動(dòng)，在跌倒過程中，加速度和角速度數(shù)據(jù)會(huì)在短時(shí)間急劇增加，為跌倒特征的提取提供了依據(jù)。

由于系統(tǒng)是面向老年人的醫(yī)療監(jiān)護(hù)系統(tǒng)，可以忽略跑跳的情況。因此，當(dāng)?shù)箷r(shí)，一般會(huì)出現(xiàn)以下的情況：

（1）撞擊時(shí)加速度的峰值大于閾值A(chǔ)cc1；（2）角速度的峰值大于某個(gè)值閾值Wcc1；

（3）一段時(shí)間內(nèi)，出現(xiàn)跌倒的加速度尖峰值次數(shù)N1；（4）跌倒后，一定時(shí)間內(nèi)靜止。

本文所采用的加速度和角速度均為合加速度和合角速度，即三軸加速度矢量合以及三軸角速度的矢量合作為人體運(yùn)動(dòng)的判斷基礎(chǔ)：

其中Ax,Ay,Az分別代表加速度傳感器所采集的X軸，Y軸，Z軸數(shù)據(jù)，Acc稱為合成加速度。

其中Wx,Wy,Wz分別代表角速度傳感器所采集的X軸，Y軸，Z軸數(shù)據(jù)，Wcc稱為合成角速度。

2.2 基于K近鄰法的跌倒檢測判定

由于人體日?；顒?dòng)主要是站立、步行、坐下、躺下、蹲下、起立、上下樓梯、跑步、跳躍等，對(duì)這些日常活動(dòng)進(jìn)行加速度和角速度數(shù)據(jù)采集，并進(jìn)行數(shù)據(jù)建模，發(fā)現(xiàn)同類的數(shù)據(jù)具有簇居在一起的現(xiàn)狀，所以本設(shè)計(jì)提出采用K近鄰算法來對(duì)跌倒的狀態(tài)進(jìn)行判斷?？梢杂行У呐袛喑鰷?zhǔn)確地結(jié)果。

K近鄰算法（k-Nearest Neighbor,KNN）：對(duì)于一個(gè)樣本在特征空間中的具有K個(gè)距離最近的點(diǎn)，如果其中的大多數(shù)屬于某個(gè)種類，那么這個(gè)樣本也屬于其類別。在KNN算法中，除去被測樣本外的其他樣本都是已知分類。KNN方法通過這種概率分布來判斷待測樣本的類別。具有較高的準(zhǔn)確率。

圖2 K近鄰仿真示例圖

圖2 所示中，中間的圓形的分類取決于K的大小，當(dāng)K=3時(shí)，則取距離圓形最近的三個(gè)點(diǎn)，判斷其中的類別的比例，最終判斷圓形和三角形屬于同一類別，同樣的道理，當(dāng)K=5時(shí)，圓形和正方形屬于同一類別。其中K的取值，可經(jīng)過大量數(shù)據(jù)檢驗(yàn)得到最為適中的值。

圖3 算法流程圖

實(shí)現(xiàn)k近鄰法，主要考慮如何對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行快速k近鄰搜索（在特征空間維數(shù)大及訓(xùn)練數(shù)據(jù)容量大尤其必要）最簡單的實(shí)現(xiàn)方法是線性掃描。這時(shí)要輸入實(shí)例與每一個(gè)訓(xùn)練實(shí)例的距離，計(jì)算很耗時(shí)。所以在測試數(shù)據(jù)和訓(xùn)練集進(jìn)行距離計(jì)算時(shí)，選擇合理的搜索可以最大化減少數(shù)據(jù)處理的時(shí)間，在保證高正確率的情況下保證實(shí)時(shí)性。

所采用的的數(shù)據(jù)存儲(chǔ)和查詢?yōu)镵-D tree。

K-D tree，是在k維歐幾里德空間組織點(diǎn)的數(shù)據(jù)結(jié)構(gòu)。kd代表k-dimension，他是一顆平衡二叉樹，通過計(jì)算不同方向的方差和中值，從而確定分割超平面。這樣不斷地進(jìn)行遞歸運(yùn)算，最終劃分到葉子節(jié)點(diǎn)為止。

所采用的的距離度量為歐式距離。

歐式距離：對(duì)于2個(gè)樣本x和y，設(shè)x=(x1,x2,...,xn)T,y=（y1,y2,...,yn)T。樣本x和y的歐式距離定義為：

3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文所設(shè)計(jì)算法的準(zhǔn)確性和實(shí)時(shí)性，通過大量的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證對(duì)比，主要從以下幾種情況進(jìn)行跌倒驗(yàn)證：站立、走路、跑步、蹲起、向前跌倒、側(cè)向跌倒等進(jìn)行數(shù)據(jù)采集。

圖4 站立加速度曲線圖

圖5 走路加速度曲線圖

圖6 坐下加速度曲線圖

圖7 跌倒加速度曲線圖

圖4-7所示中通過MATLAB描述不同動(dòng)作下的加速度變換曲線圖，通過六軸傳感器以50hz的頻率進(jìn)行數(shù)據(jù)的采集，每次采集6秒，總共300組數(shù)據(jù)，對(duì)其進(jìn)行特征提取，獲得每組數(shù)據(jù)加速度的最大值、最小值，角速度的最大值、最小值。對(duì)上圖進(jìn)行分析可知在迭倒時(shí)加速度的峰值可以作為明顯的特征作為判斷的標(biāo)準(zhǔn)。相同的方法可以提取角速度的特征。通過K近鄰算法進(jìn)行運(yùn)算得到以下結(jié)果：

首先采用60組不參與訓(xùn)練集的跌倒和非跌倒進(jìn)行預(yù)測，得到的結(jié)果是0誤報(bào)，0漏報(bào)。采用400組不參與訓(xùn)練集的跌倒和非跌倒進(jìn)行預(yù)測，得到的結(jié)果是5誤報(bào)，1漏報(bào)。誤報(bào)率為1.2%，正確率為98.5%。

4 結(jié)論

本系統(tǒng)設(shè)計(jì)的基于六軸傳感器的移動(dòng)醫(yī)療智能監(jiān)測系統(tǒng)，運(yùn)用六軸傳感器得到人體跌倒時(shí)的準(zhǔn)確數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，利用k近鄰算法得到被檢測者的身體狀態(tài)；本算法相比于其他的跌倒檢測算法，具有準(zhǔn)確率高，運(yùn)行時(shí)間短，可以保證實(shí)時(shí)監(jiān)測。并可以準(zhǔn)確地判斷佩戴者是否發(fā)生跌倒。在日常生活中，面對(duì)大量的獨(dú)居老人和生活不能自理的老人。本設(shè)計(jì)可以準(zhǔn)確地對(duì)老人的日常生活進(jìn)行監(jiān)控，并在發(fā)生意外是，第一時(shí)間通過GSM/GPS/GPRS，將佩戴者的地理位置信息第一時(shí)間發(fā)給監(jiān)護(hù)人,實(shí)現(xiàn)健康監(jiān)護(hù)的目標(biāo)。本項(xiàng)目的技術(shù)創(chuàng)新點(diǎn)對(duì)于老年人的跌倒檢測具有很大的推動(dòng)作用。

[1]劉宇航.基于九軸慣性傳感器系統(tǒng)的穿戴式跌倒報(bào)警系統(tǒng)的研究與實(shí)現(xiàn)[碩士學(xué)位論文].云南:云南大學(xué),2015.

[2]Doughty K,Cameron K..Primary and Secondary Sensing Techniques for Fall Detection in the Home.Proceeding of Hospital Without Walls.London;City University,1999.

[3]Yang,C.-C.,Hsu,Y.-L.A review of accelerometry-based wearable motion detectors for physical activity monitoring[J].Sensors,2010,10(8):7772-7788.

[4]文耀鋒.一種實(shí)時(shí)的跌倒姿態(tài)檢測和心率監(jiān)護(hù)系統(tǒng)的研究[博士學(xué)位論文].浙江:浙江大學(xué),2008.

[5]M.J.Fischer,N.A.Lynch,and M.S.Patcrson.Impossibility of distributed consensus with one faulty processor[J].Journal of the ACM,1985.32(2):374-382P.

[6]P.Fraigniaud,A.Pelc,D.Peleg,and S.Perennes.Assigning labels in unknown anonymous network[C].Proceedings of the 19th Annual ACM SIGACT-SIGOPS symposium on Principles of Distributed Computing,Portland,OR,USA,July 2000.1:101-111.

[7]張?jiān)さ?移動(dòng)醫(yī)療:穿戴式醫(yī)療儀器的發(fā)展趨勢[J].中國醫(yī)療器械雜志,2006,30(5):330-340.

陳祥寶（1993—），男，安徽六安人，碩士研究生，主要研究方向：醫(yī)療器械設(shè)備與嵌入式系統(tǒng)實(shí)際以及跌倒算法研究。