国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于多傳感器融合的老人跌倒檢測

2020-05-11 11:43歐國維蒙山
微型電腦應用 2020年1期
關鍵詞:老人

歐國維 蒙山

摘 要: 老年人跌倒受傷的問題已經(jīng)隨著人口老齡化顯得非常突出,目前主流的跌倒檢測算法既不實用也不準確。為此提出一種新的基于加速度計、陀螺儀和磁力計的跌倒檢測算法。把人的活動姿勢分平躺姿態(tài)和非平躺姿態(tài),并假設在跌倒后檢測到躺臥姿勢。檢測算法分三步:四元數(shù)卡爾曼濾波,姿態(tài)識別,活動強度分析。通過安裝在腰部的九軸傳感器采集數(shù)據(jù),通過四元數(shù)卡爾曼濾波器,使系統(tǒng)可以獲得在地面坐標系統(tǒng)中人體姿態(tài)矢量。人體的姿態(tài)矢量包括歐拉角、四元數(shù)、加速度。歐拉角用于確定平躺姿態(tài)和非平躺姿態(tài),四元數(shù)和加速度用來分析平躺時的活動強度。該算法具有計算量小、實時性好并且檢測精度高、檢測方便的特點。

關鍵詞: 老人; 跌倒檢測; 歐拉角; 卡爾曼濾波方程; 姿態(tài)檢測; 活動強度

中圖分類號: TP311 ? ? ?文獻標志碼: A

Fall Detecton for Elder People Based on Mult-sensor Fuson

OU Guowe, MENG Shan

(College of Electroncs and nformaton Engneerng, Shenzhen Unversty, Shenzhen 518052)

Abstract: Fall related njury s a central problem for the elder people. But prevalent methods are nether practcal nor useful n accuracy. Ths paper proposes a novel fall detecton algorthm usng accelerometers, gyroscopes and magnetometers. n our study, we dvde human actvtes nto two categores: lyng posture and no-lyng posture. We assume that a lyng posture s detected after falls. The proposed algorthm has three steps: quaternon Kalman flter, posture recognton, actvty ntensty analyss. The data are obtaned by usng nne-axal nertal measurement unt attached on the wast. Usng the quaternon Kalman fler, the system can obtan body's posture vectors measured n the frame of reference of the ground. The body's posture vectors nclude Euler angles, quaternon, acceleraton, etc. The Euler angles are used to determne the lyng posture or no-lyng posture. The quaternon and acceleraton are used to analyze actvty ntensty when lyng posture are detected. The proposed method features low computatonal cost and real-tme response. n addton, t has a nce accuracy and convenent n detect falls.

Key words: Elder; Fall detect; Euler angle; Posture recognton; Actvty ntensty

0 引言

世界衛(wèi)生組織(WHO)2016年9月報道指出跌傷是世界各地意外或非故意傷害死亡的第二大原因。大約10%到15%的跌倒會導致老年人嚴重受傷,65歲以上老人當中超過33%的每年跌倒一次[1-2]。大多數(shù)老年人更愿意獨自一人住在家里,他們可以接受新技術,前提是技術能夠不影響他們的生活,且需要保證安全[3-4]。因此可靠的跌倒智能檢測對于搶救老年人和避免更嚴重的后果是非常重要的[5-6]。

人體可穿戴裝置包括加速度傳感器和陀螺傳感器[7],主要用于檢測人體的運動,特別是跌倒。本文還對可穿戴式跌落探測器的位置優(yōu)化進行了研究,由于加速度信號相似,且在不同跌落類型之間分布均勻,因此建議在腰部設置位置更有效[8-9]。此外,腰部附加探測器位于身體重心附近,除了手臂和腿的特征之外,提供了關于受試者的姿勢和運動的可靠信息[10]。

一些跌倒檢測算法假定跌倒事件具有大的加速度變化,并且使用單個三軸加速度計獲得物體在三個方向上的加速度。這種方法是使用由跌倒事件數(shù)據(jù)集[11-12]確定的單個閾值來實現(xiàn)的。然而,只關注大的加速度可能導致從諸如快速坐下的類似跌倒活動中的許多假陽性檢測。

本文提出了一種新的跌倒事件檢測方法,將人體活動分為兩個姿勢:平躺姿態(tài)和非平躺姿態(tài)。我們假設平躺姿態(tài)是在跌倒后被檢測到的,為了檢測跌倒,我們的系統(tǒng)有三個步驟:四元數(shù)卡爾曼濾波,姿態(tài)識別和活動強度分析。九軸傳感器(加速度計、陀螺儀、磁強計)基于可穿戴裝置安裝在人的腰部。跌落檢測系統(tǒng)采用四元數(shù)卡爾曼濾波得到人體的四元數(shù)、歐拉角和加速度。如果檢測到躺姿,我們可以利用加速度來分析活動強度,并確定老人是否跌倒。實驗結果表明,該算法比其他算法具有更高的精度[12-13]。該算法計算量低。該方法也可以嵌入在可穿戴設備上。

2 問題提出

老年人的跌倒事件數(shù)據(jù)難以獲取。跌倒事件研究通過在一個安全的控制環(huán)境中讓年輕人模擬跌倒。日常生活活動(ADL)是由年輕人和老年人模擬的。

A. 數(shù)據(jù)獲取

考慮到所提出的方法需要加速度、角速度和地磁來檢測跌落。一個單一的3軸加速度計可以提供物體在3個方向上的加速度,包括重力的影響。當我們的跌倒檢測器固定在人體上時,將建立一個坐標。陀螺儀可以提供角速度并獲得人體姿態(tài)信息。三軸磁力計可以檢測3個方向的磁強度,還可以提供水平面上的角運動信息。在所開發(fā)的方法中,傳感器MPU-9250用于設計可佩戴跌落檢測器,如圖1所示。

MPU-9250傳感器芯片是一種多芯片模塊,包括三軸加速度計、三軸陀螺儀和三軸磁力計。采樣率帶寬應超過人體運動的特征響應[13],所以我們的跌倒檢測器的采樣率設置為120赫茲。

為了得到更有效的跌倒數(shù)據(jù)集和ADL數(shù)據(jù)集,一個問題是哪個位置能更有效地反映人體跌倒情況。許多研究者已經(jīng)做了大量的工作來找到能夠有效地反映跌倒事件的身體部位。根據(jù)Maart Kangas和其他研究者對跌倒檢測的研究,我們知道腰部是反映跌倒事件的最有效的位置。跌倒模擬實驗目的是獲得更逼真的模擬數(shù)據(jù),下面將詳細介紹。

B. 模擬跌倒與ADL研究

跌倒的類型通常包括平面跌倒和斜面跌倒。在某些特殊情況下,可能會出現(xiàn)坐立跌倒。為了獲得真實跌倒的情況和采集數(shù)據(jù)集,本研究的所有在平面摔倒情況下采集的摔倒數(shù)據(jù)是由6個年輕志愿者通過模擬真實的摔倒情況得到的,他們的年齡都在23到28歲之間,并且身高在1.58到1.83 m之間。每一個志愿者都模擬前后左右四個方向摔倒的情況,每個人每個方向采模擬采集4次。而斜面摔倒如圖2所示。

考慮到志愿者的安全因素,們只能用木偶來代替了,采集了16次樣本數(shù)據(jù);

除了跌倒研究,另一項研究涉及青年志愿者和老年人進行日常生活活動。為了進行這些情況測試,對6名年輕健康志愿者和2名老年志愿者(61歲男性和63歲女性)進行了監(jiān)測。每個ADL受試者都進行了3次。但是一些測試:快速坐下、快速站立和走樓梯,只是由年輕志愿者進行的。因為老人不宜進行這種實驗。

本研究盡量去研究日常比較容易或者可能發(fā)生摔倒的情況。因此,模擬跌倒和ADL研究進行了16種類型,目的主要是驗證算法的效果,如表1和表2所示。

3 跌倒檢測算法

我們的跌倒檢測方法有3個步驟:四元數(shù)卡爾曼濾波,姿態(tài)識別,活動強度分析。在實現(xiàn)這3個步驟之前,為了描述人體運動信息,使用兩個坐標系。一個坐標系被固定在地球上并被命名為R系統(tǒng)。另一個坐標系固定在MPU-9250 MU傳感器上,稱為跌落檢測器,稱為B系統(tǒng)。跌倒檢測器反映了裝置安裝的身體的姿勢。圖1顯示了兩個坐標系統(tǒng)。

根據(jù)一些飛行控制的知識,飛機的方向通常由三個連續(xù)的旋轉來描述,角旋轉稱為歐拉角。我們也用這個方法描述我們的跌倒檢測器。這解釋了為什么使用兩個坐標系。單位四元數(shù)提供了一個方便的數(shù)學符號來表示三維物體的方向和旋轉。因此,發(fā)展了基于并四元數(shù)的擴展卡爾曼濾波器(EKF),用于從傳感器輸出確定剛體的方向,該傳感器集成三軸陀螺、三軸加速度計和三軸磁力計[14]。剛體指的是我們的方法中的跌倒檢測器,也指老年人被檢測到的腰部。

狀態(tài)矢量方程由四元數(shù)、三周加速度和磁力計偏轉矢量ab,mb,狀態(tài)方程如式(1)。Quk+1

abk+1

mbk+1=exp(ωkTS)00

00

00

(1) ?可以簡化為式(2)。xk+1=F(G,Ts)xk+uk

(2) ?ωk=0-GzGyGx

Gz0-GxGy

-GyGx0Gz

-Gx-Gy-Gz0,qμ

mμ是零點白噪聲,G是xx,Ts是MU傳感器的采樣周期。傳感器的零點漂移隨著外界環(huán)境因素的變化,但卡爾曼濾波器在零點下工作效果較優(yōu),具有很強的適應性,即使零點噪聲突破對實際影響不大。

測量模型如式(3)。

ak+1

mk+1=CbR(Quk+1)0

0CbR(Quk+1)Ak+1

Mk+1+abk+1

mbk+1+

avk+1

mkk+1

(3)

可以簡化為式(4)。ZK+1=h(Xk+1)+vk+1

(4) ?CbR是R系統(tǒng)轉換為b系統(tǒng)的一個方向矩陣。A和M是b系統(tǒng)的加速度和磁力計,加速度和磁力計的測量矢量是ak,mk,測量噪聲是vk。

為了讀者方便,EKF方程總結如式(5)~(9)。

計算先驗估計狀態(tài):X-k+1=F(GK,Ts)Xk

(5) ?計算先驗誤差協(xié)方差矩陣為式(6)。Pk+1=F(GK,Ts)PkF(Gk,Ts)T+Qk

(6) ?過程協(xié)方差矩陣:

Qk=Quk00

0Tsδk0

00Tsδk, Quk=q3k-q2kq1k

q2kq3k-q0k

-q1kq3kq3k

-q0k-q1kq2k

計算卡爾曼增益為式(7)。Kk+1=PK+1FTk+1(FkPk+1FTk+Rk+1),Rk+1=[δ2a0

0δ2a]

(7) ?Fk+1是雅可比矩陣。

計算后驗狀態(tài)估計為式(8)。Xk+1=X-k+1+Kk+1[Zk+1-h(X-k+1)]

(8) ?計算后驗誤差協(xié)方差矩陣為式(9)。Pk+1=P-k+1(1-Kk+1Fk+1)

(9) ?基于以上分析,首先對從傳感器MPU-9250芯片讀出的MU數(shù)據(jù)進行四元數(shù)卡爾曼濾波處理。如果在一個第二區(qū)間內的歐拉角的所有值落入算法1的步驟4中指定的區(qū)域。則檢測到平躺的姿勢,否則,檢測到平躺姿勢。如果探測器檢測到人體姿勢是平躺姿勢。該檢測器將檢查姿勢的變化。為了區(qū)分姿態(tài)變化是否是故意的,應用了前4秒沿重力方向的加速度數(shù)據(jù)。如果在前4秒內的加速度數(shù)據(jù)的值滿足算法1的步驟10中指定的條件。將檢測到跌倒事件。整個過程如算法1所示。

下面是關于該過程的詳細解釋:

1) 平躺和非平躺姿態(tài):在本文中,我們可以使用歐拉角來反映軀干姿勢。通過多次跌倒實驗,我們找到了最合理的平躺姿態(tài)。最合理的方法是主干與垂直方向的夾角是否在一秒鐘內總是大于40°。為了簡單起見,我們只考慮絕對螺距或偏航角。如果俯仰角或偏航角度小于40°,則會檢測到平躺姿態(tài)。

2) 活動強度:當人體有向下的動作時,垂直方向加速度值將小于重力,并且當物體接觸地面時存在速度減速。如果檢測到平躺,垂直方向的加速度越大,身體對地面的沖擊力就越大。實驗結果表明,它是檢測很可能落在最小垂直加速度小于0.4g和最大垂直加速度大于2.6g。我們能從四元數(shù)和基礎系統(tǒng)得到沿重力方向的加速度,這個加速度是基于b系統(tǒng)的,值Ac為式(10)。

算法1: 三步跌倒檢測過程

1. A={ax,ay,az},M={mx,my,mz},G={gx,gy,gz},ntervalNum=0

%第一步四元卡爾曼濾波,歐拉角={yaw.ptch,rol}

2.Qu=quaternon_Kalman_flter(Acc,Mg,Gyro)

%四元數(shù)轉換為歐拉角

3.Ω=transform(Qu)

%第二步是姿態(tài)識別,如果所有的偏航和俯仰值

1秒鐘內小于45°,平躺狀態(tài)就被探測到。

4.f |yaw|>40° ∪ |ptch|>40° then

5. ntervalNum =ntervalNum + 1

6.else

7. ntervalNum =0

8.endf

9.f ntervalNum >120 then

%第三步是活動強度分析

f Avmn<0.4g and Avmax>2.6g

即探測到跌倒

10.f Avmn<0.4g∩Avmax>2.6g

11.Then return YES

12.else

13. rerutn NO

Ac=2ax(q1q2-q0q2)+2ay(q0q1-q2q3)+a2(q20-q21-q22+q23)+ab|z

(10)

另一種跌倒檢測算法僅使用閾值法。通過獲取3個信號的平方和,得到腰部3軸加速度計的合成信號。算法2如下所示。

算法2:閾值方法

1. Acc={ax,ay,az}

2. Av=a2x+a2y+a2z

3. f Avmn<0.4g∩Avmn>3g then

4. return YES

5. else

6. return NO

4 實驗測試

如圖3和圖4所示。

腰部的垂直加速度和腰部姿勢有不同的特征。跌倒事件和類似事件有加速度的劇烈變化。垂直加速度的最大值和四秒鐘內垂直加速度的最小值是描述和測量人類活動強度的重要參數(shù)。在本節(jié)中,我們通過姿勢識別來評估我們的方法的準確性。

A. 姿態(tài)識別

不同的ADL類型有不同的身體姿態(tài),圖3顯示了16種人體姿勢。平面下降、傾斜下降2和躺床的歐拉角有明顯的變化。身體直立的運動,像走路或坐著,沒有歐拉角的巨大變化。我們把所有類型的跌倒和ADL的數(shù)據(jù)進行統(tǒng)計,如表3和表4所示。

表格顯示最大值在大多數(shù)ADL類型中,絕對歐拉角(ptch和yaw)小于35°,在平降時絕對偏航或俯仰的最大值大于45°。因此,用于識別人體姿勢的閾值設置為40°。當在1s內所有的ptch和yaw角都大于40°,此時認為檢測到躺臥狀態(tài)。由于一些運動也滿足算法1步驟4所規(guī)定的區(qū)域,因此使用1秒的時間來減少噪聲干擾的影響。

B. 模擬跌倒研究

Bourke和其他研究人員[12-15]使用算法2來區(qū)分跌倒和ADL,他們假設跌落發(fā)生在大加速度下。然而,快速坐下等也具有大的垂直加速度。我們的方法增加了姿勢識別,雖然有些摔倒加速度較大,但它們仍然不是平躺姿態(tài),如快速坐下和走下樓梯。我們的算法的第一步可以過濾掉一些類似跌倒的情況,這就是為什么我們的方法比其他方法好的原因。

C. 斜面跌倒

我們已經(jīng)討論了在樓梯上跌落下來的兩種形式,如圖2所示。第一種情況具有大的垂直加速度和姿勢變化,如圖3(a)和圖4(a)所示?,F(xiàn)有的一些跌倒檢測系統(tǒng)[13]使用主干傾斜變化來檢跌倒,而另一些[11-12]使用大的加速度變化來檢測跌倒。他們的方法和我們的方法都很好。但在圖2(b)所示的第二種情況下,垂直加速度的變化很小。由于樓梯陡峭,人體在跌倒后迅速接觸樓梯,人體姿勢的變化并不比圖4(a)所示的其他跌倒特別明顯。從我們的實驗中看出,最小的頂部峰值和最小值分別為2.2 g和0.5 g,很難用加速度或傾角變化來檢測跌倒。但是我們的方法比其他算法更好。

D. 計算復雜度

Kalman濾波器具有良好的實時性。其在處理高斯模型的系統(tǒng)上效果頗佳;隨著計算機技術的發(fā)展,卡爾曼濾波是線性系統(tǒng)的最小方差估值器。作為一個線性優(yōu)化的模型,相對其他非線性的例如聯(lián)合濾波器等計算復雜度很低,通過實際驗證在32位微控制器中也能很好地工作。

如圖5所示。

5 結果

根據(jù)圖5(a)所示的實驗數(shù)據(jù)的分析結果,所提出的跌倒檢測算法除了類似跌倒情況(快速坐下、快速站起來、快速起床),在從日常生活活動中檢測跌倒事件的準確度與其他方法是相同的。但我們的方法在檢測類似跌倒活動和斜面跌倒方面有較好的性能。通過我們的算法(算法1)與其他研究者[13]的算法比較,本文提出的檢測器能夠快速區(qū)分從扶手椅上坐下來和從扶手椅上站起來這種類似跌倒的情況。這就是為什么我們的算法去進行姿態(tài)判別的重要性。即使所提出的方法在臥倒和斜倒兩種情況下有一些錯誤檢測,但其效果也優(yōu)于如圖5所示的閾值方法(算法2)。

6 總結

本文采用九軸MU傳感器對日常生活活動中的跌倒進行檢測。所提出的方法有三個步驟。第一步是通過四元數(shù)卡爾曼濾波器得到姿態(tài)矢量。第二步是檢測臥姿。第三步是檢測活動強度。該方法將人的姿勢分為平躺和非平躺兩種類型。該系統(tǒng)可以通過四元數(shù)卡爾曼濾波得到人體的姿態(tài)矢量。姿態(tài)矢量包括歐拉角、四元數(shù)、加速度。歐拉角用于確定姿勢類型。四元數(shù)和加速度用于分析平躺姿勢時的活動強度。該算法具有實時性強的特點。結果表明,我們的方法可以減少誤報。然而本方法在臥床和斜面摔倒2方面也存在一些問題,主要是因為采用木偶等做數(shù)據(jù)采集實驗和真實情況還是有差異,現(xiàn)實中也無法通過實際老人去做跌倒實驗,今后會探索更接近老人跌倒的實驗方法。

參考文獻

[1] N Noury. A smart sensor for the remote follow up of actvty and fall detecton of the elderly[C]// 2nd Annual nternatonal EEE-EMBS Specal Topc Conference on Mcrotechnologes n Medcne and Bology.Proceedngs. Madson, W, 2002 :314-317.

[2] Suhua Luo, Qngmao Hu. A dynamc moton pattern analyss approach to fall detecton[C]// EEE nternatonal Workshop on Bomedcal Crcuts and Systems, 2004 :1-5-8a.

[3] S J Brownsell, D A Bradley, R Bragg, et al. Docommunty alarm users want telecare?[J]. Journal of Telemedcne and Telecare, 2000,6(4) :199-204.

[4] Brownsell Smon, S Mark Hawley. Automatc fall detectors and the fear of fallng[J]. Journal of Telemedcne and Telecare, 2004,10(5) : 262-266.

[5] J Y Hwang, J M Kang, Y W Jang, et al. Development of novel algorthm and real-tme montorng ambulatory system usng Bluetooth module for fall detecton n the elderly[C]// The 26th Annual nternatonal Conference of the EEE Engneerng n Medcne and Bology Socety, San Francsco, CA, 2004 : 2204-2207.

[6] B Schlkopf, J C Platt, J Shawe-Taylor, et al. Estmatng the Support of a Hgh-Dmensonal Dstrbuton[J]. Neural Computaton, 2001,13(7) : 1443-1471.

[7] Lexell Jan. Ageng and human muscle: observatons from Sweden[J]. Canadan Journal of Appled Physology, 1993, 18(1) :2-18.

[8] K Doughty, R Lews, A Mcntosh. The desgn of a practcal and relablefall detector for communty and nsttutonal telecare[J]. Journal of Telemedcne and Telecare, 2000,6(1) :150-154.

[9] Maart Kangas, Antt Konttla, Per Lndgren,et al. Comparson of low-complexty fall detecton algorthms for body attached accelerometers[J]. Gat & Posture, 2008, 28(2) : 285-291.

[10] M J Mathe, A C F Coster, N H Lovell, et al. Accelerometry: Provdng an ntegrated practcal method for long-term ambulatory montorng of human movement[J]. Physol. Meas., 2004, 25(2):.

[11] M Kangas, A Konttla, ?Wnblad, et al. Determnaton of smple thresholds for accelerometry-based parameters for fall detecton[C]// 2007 29th Annual nternatonal Conference of the EEE Engneerng n Medcne and Bology Socety, Lyon, 2007: 1367-1370.

[12] A K Bourke, J V OBren, G M Lyons. Evaluaton of threshold-based tr-axal accelerometer fall detecton algorthm[J]. Gat & Posture, 2007, 26(2): 194-199.

[13] Q L, J A Stankovc, M A Hanson, et al. Accurate, Fast Fall Detecton Usng Gyroscopes and Accelerometer-Derved Posture nformaton[C]// 2009 Sxth nternatonal Workshop on Wearable and mplantable Body Sensor Networks, Berkeley, CA, 2009: 138-143.

[14] A M Sabatn. Quaternon-based extended Kalman flter for determnng orentaton by nertal and magnetc sensng[J]. EEE Transactons on Bomedcal Engneerng,2006, 53(7): 1346-1356.

[15] J Chen, K Kwong, D Chang, et al. Wearable Sensors or Relable Fall Detecton[C]// 2005 EEE Engneerng n Medcne and Bology 27th Annual Conference, Shangha, 2005:3551-3554.

(收稿日期: 2018.11.05)Mcrocomputer Applcatons Vol.36,No.1,2020技術交流微型電腦應用2020年第36卷第1期Mcrocomputer Applcatons Vol.36,No.1,2020技術交流微型電腦應用2020年第36卷第1期

作者簡介:歐國維(2001-),男,通信作者。研究領域:機器人與智能系統(tǒng)。

蒙山(1973-),男,博士,副教授。研究領域:機器人智能信息處理、嵌入式實時信號采集與處理。文章編號:1007-757X(2019)12-0149-05

猜你喜歡
老人
電視深度報道評析—《住在古墓里的老人》
機構養(yǎng)老內部管理目前存在的問題及建議
老人輪椅使用者的居住空間設計研究
老人參與隔代教養(yǎng)的積極功能及其優(yōu)化策略思考
基于ELES模型計量分析的無為縣農村老年居民體育經(jīng)濟消費結構研究
上門醫(yī)療服務3140人次分析
四十一歲的“老人”
健身氣功·八段錦對社區(qū)老人終身體育的促進研究
故鄉(xiāng),長不大的“老人”
“失獨”老人社會支持體系構建的對策研究
吴江市| 新宁县| 家居| 定结县| 资阳市| 九江市| 新津县| 东乌| 葫芦岛市| 九龙坡区| 富蕴县| 鄂托克前旗| 美姑县| 柞水县| 兴义市| 益阳市| 仁寿县| 柳州市| 即墨市| 淅川县| 灯塔市| 盐池县| 岑溪市| 张家界市| 邳州市| 马山县| 天镇县| 广昌县| 犍为县| 瑞昌市| 惠来县| 银川市| 襄汾县| 泗阳县| 濉溪县| 吉首市| 眉山市| 巧家县| 元谋县| 宁陵县| 天津市|