MEMS Tri-Axial Accelerometer Based Fall Detection

LIU Peng，LU Tancheng，LV Yuanyuan，DENG Yongli，LU Qiyong

(Department of Electronic Engineering，Fudan University，Shanghai，200433)

MEMS Tri-Axial Accelerometer Based Fall Detection

LIU Peng，LU Tancheng，LV Yuanyuan，DENG Yongli，LU Qiyong*

(Department of Electronic Engineering，Fudan University，Shanghai，200433)

As a part of human activities，fall is one of the key factors affecting human health，especially for patients and elders，fall detection is of much importance.This paper presents a method of Signal Magnitude Vector Sliding Average(SVMSA)with Fixed Threshold，based on the acceleration signals of human activity acquired from a MEMS triaxial accelerometer.By extracting the characteristics of human activity acceleration signals，this algorithm accurately achieves human’s fall detection，using the prefixed threshold to judge the SVMSA and the differential signal magnitude area(DSMA)to distinguish fast running.The major advance lies in the attempt to analyze and distinguish human’s fall and other intense activities，like running fast.By testing eight participants，we get 94.4%accuracy.Experimental results indicate the proposed algorithm can realize human’s fall detection with much accuracy.

sensors application;fall detection;signal magnitude vector SVM;differential signal magnitude area DSMA;tri-axial accelerometer

微電子技術和信息技術的進步使得開發一種成本低、重量輕、小型化，能夠實時監測自由生活環境下的人體活動的可穿戴設備成為了可能［1］。摔倒作為人體活動的一部分，是影響人體健康的一大因素，尤其對病人和老人而言，摔倒的檢測則至關重要。研究表明，在我國65歲以上的老年人中，有相當一部分人曾經摔倒過，且摔倒的發生率隨著年齡的增長而升高［2－3］，因而及時地救助摔倒的老年人將大大降低傷殘率和死亡率［4］。

目前摔倒檢測的主流研究手段主要有兩種，一種是基于圖像分析的方法，另一種是基于加速度傳感器的方法。基于圖像分析的方法對設備要求高、算法復雜、成本高，且局限于特定的場合［5］。而基于微機電系統MEMS的三軸加速度傳感器能夠提供一種客觀的、定量的人體活動信息［6］，憑借其體積小、成本低、功耗低、靈敏度高的優勢被越來越多的應用于人體活動的檢測和評估中。這種研究方法不但成本低，而且不受人體活動環境的限制，使用的監測設備可以隨身攜帶，實時監測，還可以實現遠程監控。

對于基于加速度傳感器的摔倒檢測，國內外的眾多學者都進行了大量的深入研究。曹玉珍等人［4］提出了基于SVM和MADS的三級摔倒檢測算法，盡管獲得了96%的檢測精度，卻沒有考慮快速跑步的影響。Mathie［6］提出了基于決策二叉樹的分級分類算法，實現了對人體活動的分類識別，其中也對摔倒進行了檢測。Karantonis D M等人［7］在Mathie的研究基礎上使用固定閾值的SVM判決法對摔倒進行預判，并通過連續監測之后60 s的加速度數據做進一步的判決。Jantaraprim P等人［8］提出了基于時間窗的SVM雙閾值判決法檢測人體摔倒，算法簡單有效。Do-Un Jeong等人［9］提出了SVM與DSVM相結合的方法對人體活動進行分類識別，其中也包括了對摔倒的檢測。

摔倒屬于一種短暫性的劇烈活動，人們日常生活中進行的其他劇烈性活動，如快速跑步、快速上下樓梯等都會對摔倒的檢測帶來影響。本文基于快速跑步、摔倒等劇烈性活動的加速度信號特征，提出了基于固定閾值的信號幅度向量滑動平均法SVMSA對摔倒進行識別，對于某些特殊情況，如快速跑步被預判為摔倒，則使用差分信號幅度域DSMA做進一步的區分判別。該算法不僅適用于普通的摔倒檢測，還適用于快速跑步、快速跑步時摔倒等特殊情況下的摔倒檢測，對于自由生活環境下的人體摔倒檢測具有較強的適用性。

1 MEMS加速度傳感器

研究顯示，人體軀干的加速度值不會超過6 gn［10］，本文選用基于微機電系統MEMS的三軸加速度傳感器MMA7361L［11］作為人體加速度信號的采集設備，并將傳感器采集單元放于最靠近人體質心的腰部的右側髂骨處［6］，以采集能更好地反應人體軀干質心的加速度信號。

隨著傳感器使用時間的增長，傳感器由于機械轉向會產生一定的漂移［12］，但在傳感器使用幾周后的半年內，其三軸測量值會穩定至某一常數，此時的漂移可以忽略不計［13］。因此為了更準確地反應人體活動的加速度信號，需要首先對使用的傳感器進行校正。

本文使用類似于六位置測試法［14］的均值法對傳感器做簡單的校正:在墻壁或桌角邊用細銅絲懸掛一鉛錘作為重力加速度的軸線G，分別將加速度傳感器沿3個軸的正負方向與軸線G平行放置，并在每個軸上各自采集N點數據，共產生18組數據: X軸、Y軸、Z軸垂直G方向各4組，X軸、Y軸、Z軸正負G方向各1組。下面以獲得X軸的補償量Dx為例說明，Y軸、Z軸的補償量Dy、Dz同理獲得，每組數據均以對應的數字量表示。

X軸垂直G方向的4組數據(Y軸、Z軸正負G方向)各自的均值記為Ex1，Ex2，Ex3，Ex4，X軸正負G方向的輸出數據均值記為Ex－，Ex+，加速度傳感器輸出0 gn、－1 gn、+1 gn對應的理論值分別記為S0，S－，S+，則X軸的補償量Dx可由下式獲得:

2 摔倒檢測算法

幾乎所有的人體活動產生的加速度信號的頻率成分都在20 Hz以下［7］，因此在保證滿足Nyquist采樣定律的前提下，本文采用Karantonis D M［7］使用的45 Hz的采樣頻率對人體加速度信號進行采樣。

2.1 加速度信號預處理

在采集人體加速度信號的過程中，難免引入兩種主要的噪聲干擾，一種是外界環境噪聲，另一種是系統噪聲。為此，系統首先通過截止頻率同樣為45 Hz的RC低通濾波器濾除部分外界環境噪聲，再通過三階中值濾波器進一步濾除尖峰噪聲的干擾。

由于采集的加速度信號是人體活動產生的加速度AB和重力加速度AG的合加速度信號AT，為了分離出重力加速度分量AG，本文采用類似Karantonis D M［7］中的低通濾波器對中值濾波后的信號進行進一步的低通濾波，獲得AG，進而由AB=AT－AG得到AB的近似值。研究表明，使用該線性關系獲得的AB同樣可以獲得較好的評估效果［6］，且計算復雜度低。

2.2 人體加速度信號特征評估

當人在休息時，人體產生的加速度幾乎為零，加速度傳感器3個軸向輸出的是重力加速度在3個軸上的分量加速度;而當人在活動時，加速度傳感器輸出的還有身體產生的加速度信號，合加速度必然增大。然而在某些情況下，噪聲的干擾也可能導致合加速度的增大，為了降低噪聲可能導致的誤判，需要一個既能反應信號幅度變化，又能包含一定時間跨度的量，來區分人體的活動和休息，因此我們引入歸一化信號幅度域SMA［6］，其定義式如下:

其中x(t)，y(t)，z(t)分別是身體加速度AB在加速度傳感器3個軸上的分量加速度，T是歸一化時間，即信號觀察窗口時間。

Mathie通過實驗研究發現［6］，SMA的大小受信號觀察窗口時間的影響，且當T在0.8 s～1.4 s范圍內時，由SMA獲得的區分效果是最優的。由此，本文選擇觀察窗口長度L=50，對應觀察時間約1.1 s。

當SMA超過預先設定的閾值Vth時，認為此時人體在活動。

用于考察人體活動強度的量是身體加速度信號幅度向量SVM［7］，其定義式如下:

其中xi，yi，zi分別是身體加速度AB在X、Y、Z軸上的第i個采樣值。

由SVM的定義式可以看出，SVM的大小隨著人體活動劇烈程度的增加而增大。

2.3 摔倒檢測算法

人體摔倒屬于一種短暫性的劇烈活動，身體加速度AB的SVM峰值會變得比較大，一般會超過1.8 gn，因而選擇1.8 gn作為人體摔倒的判決閾值，這也是經過正規的病人測試研究驗證的［7］。然而人體摔倒時，SVM的值并非在摔倒的時間段內一直保持較大的峰值，而是像如圖1所示的那樣有所波動。

圖1 人體摔倒時的SVM

此外人體某些其他非摔倒性的劇烈活動，如快速跑步，其SVM的峰值有時也會超過1.8 gn，如圖2，而且SVM是由X、Y、Z軸的采樣值直接計算得出，難免受到尚未被低通濾波器濾除的噪聲影響，為此，本文使用滑動平均窗對SVM進行均值去噪處理，再基于同樣的固定閾值1.8 gn對摔倒進行判決，滑動平均窗的長度L可由下述估算得出。

圖2 人體快速跑步時的SVM

成年人身高H一般介于1.5 m至1.9 m之間，此處選擇H=1.7 m用于估算。研究發現，人體肚臍是人體頭頂至足底的黃金分割點［15］，即肚臍至足底的長度是人體身高的0.618倍，而肚臍恰好處在人體腰部，同時認為人體摔倒時縱向初速度為零，加速度a取為閾值1.8 gn，gn=9.8 m/s2，根據at2得到人體落至地面的時間大約0.345 ms，對應本文中大約15個采樣點，即滑動窗口長度L=15。

經過滑動平均后的SVM，即SVMSA，仍然不能完全區分摔倒和快速跑步等劇烈活動，如圖3和圖4所示的快速跑步和摔倒的SVMSA離散圖，在1.8 gn的判決閾值下，仍舊存在將快速跑步誤判為摔倒的情況。

圖3 人體快速跑步時SVM的SVMSA

為了能夠將快速跑步和摔倒等劇烈性活動徹底區分開來，使用基于決策二叉樹的分類器首先將人體活動分為循環性活動和短暫性活動，區分界限是持續時間5 s［6］，對應5個連續的SMA離散點，由此可將進行非循環性動作時摔倒與跑步區分開來，卻無法區分快速跑步過程中摔倒的特殊情況。

對于這種特殊情況，使用如下兩種特征進行綜合判決:

(1)人體快速跑步時，其步頻通常超過3 Hz，對應本文中SVMSA超過1.8 gn的點不會連續存在兩個，有時會間隔開，如上圖3。而人體摔倒時，其SVMSA超過1.8 gn的點不會連續超過兩個，如圖4，這是由摔倒過程的短暫性決定的。當SVMSA連續3個離散點中有兩個超過1.8 gn且相互間隔開時，直接判為非摔倒;當SVMSA連續3個離散點中有兩個連續點超過1.8 gn或僅有一個點超過1.8 gn時，則預判為摔倒發生，并使用(2)做進一步地判決。

(2)當人體摔倒時，身體做近似自由落體運動，在身體下落至撞擊地面時，AB的SMA迅速增大，而之后的短時間內(1 s～3 s)，身體幾乎無動作，AB的SMA則會迅速下降，如圖5。而當人體跑步時，AB的SMA會近似正弦性的上下波動，不會發生較大的突變，如圖6。鑒于此，使用差分SMA，即DSMA做進一步的判決，即當在循環性活動中檢測到SVMSA超過閾值1.8 gn時，考察對應時刻之后3個SMA離散點的DSMA是否超過0.6 gn，若超過，則判為摔倒發生。

綜合(1)(2)，當二者同時判為摔倒發生時，則最終確定摔倒發生。

圖5 人體摔倒時的SMA

圖6 人體快速跑步時的SMA

圖7 人體摔倒檢測流程圖

根據上述分析，得出本文提出的基于決策二叉樹分類器的固定閾值SVM滑動平均法SVMSA和DSMA共同實現人體摔倒的判決流程如圖7所示。

3 實驗結果

為了驗證本文提出算法的可行性和準確性，邀請了8名健康志愿者(年齡22歲～26歲，身高155 cm～175 cm，男7人，女1人)，在室外平整的草坪上做模擬老年人的摔倒動作:向前摔倒、向后摔倒、側向(左右)摔倒，同時記錄摔倒后3 s～5 s的動作:摔倒后不動、摔倒后掙扎和摔倒后站起，并在平整的水泥路面上采集相同實驗者的跑步數據:普通跑步、快速跑步(類似百米跑)。實驗中共采集102組數據:摔倒54組，跑步48組，對每組數據使用本文提出的摔倒檢測算法進行摔倒檢測，得到的結果如表1所示。

表1 摔倒檢測實驗結果統計

從表1中可以看出，所有的跑步活動都未被劃分為摔倒，即在區分跑步尤其是快速跑步和摔倒的情況下，實現了100%準確性。在摔倒檢測中，實現了94.4%的精度，盡管比文獻［4］中96%的精度略低，但本文卻可以區分快速跑步等劇烈活動對摔倒的影響，而文獻［4］僅研究了慢跑的情況，慢跑的SVM明顯低于摔倒，很容易區分開來。

摔倒測試中的3組摔倒沒有被檢測出來的主要原因全部是SVMSA的幅度沒有超過1.8 gn，即所進行的摔倒過于輕微緩慢，沒有像真實的摔倒那樣逼真，畢竟所有的摔倒動作都是由志愿者模擬老年人摔倒所得到的。此外，由于特殊原因，本次實驗沒有具體采集老年人等特殊人群的摔倒數據，而導致這種特殊人群的摔倒檢測無法得到真正驗證。

4 結論

本文針對影響人體健康的摔倒的檢測，提出了基于固定閾值的SVM滑動平均SVMSA和差分DSMA相結合的方法，對人體摔倒進行檢測，并重點分析和區分了快速跑步等劇烈活動對摔倒檢測的影響。盡管病人和老年人很少進行快速跑步等劇烈活動，但本文提出的方法同樣適用于病人和老年人的摔倒檢測，即病人和老年人進行的其他非劇烈性活動，其SVMSA很少能超過閾值1.8 gn，使用SVMSA即可檢測摔倒。此外，本文算法還適用于自由生活環境下普通成年人的摔倒檢測，進而應用于人體活動分類［6－7，9］中摔倒的檢測。因而，該算法對于自由生活環境下的人體摔倒檢測具有較強的適用性。實驗結果驗證了該算法的可行性和準確性。

［1］Davide Curone，Gian Mario Bertolotti，Andrea Cristiani，et al.A Real-Time and Self-Calibrationg Algorithm Based on Triaxial Accelerometer Signals for the Detection of Human Posture and Activity［J］.IEEE Transactions on Information Technology in Biomedicine，2010，14(4):1098－1105.

［2］朱月妹，袁浩斌，陳雷.老年人跌倒危險因素的調查［J］.護理實踐與研究，2007，4(10):5－7.

［3］郝燕萍，劉雪琴，靳海如.老年人跌倒傷殘情況分析［J］.護理研究，2006，20(8):2017－2018.

［4］曹玉珍，蔡偉超，程旸.基于MEMS加速度傳感器的人體姿態檢測技術［J］.納米技術與精密工程，2010，8(1):37－41.

［5］李月香，劉燕，袁濤，等.基于加速度信號的走路模式多級分類算法［J］.電子學報，2009，37(8):1794－1798.

［6］Mathie M J.Monitoring and Interpreting Human Movement Patterns Using a Triaxial Accelerometer［D］:［Ph.D.Dissertation］.The U-niversity of New South Wales，2003.

［7］Dean M Karantonis，Michael R Narayanan，Merryn Mathie，et al.Implementation of a Real-Time Heman Movement Classifier Using a Triaxial Accelerometer for Ambulatory Monitoring［J］.IEEE Transactions on Information Technology in Biomedicine，2006，10 (1):156－167.

［8］Jantaraprim P，Phukpattaranont P，Limsakul C，et al.Improving the Accuracy of a Fall Detection Algorithm Using Free Fall Characteristics［C］//IEEE International Conference on Electrical Engineering/Electronics Computer Telecommunications and Information Technology.Chiang Mai，Thailand，2010:501－504.

［9］Jeong Do-Un，Kim Se-Jin，Chung Wan-Young.Classification of Posture and Movement Using a 3-axis Accelerometer［C］//IEEE International Conference on Convergence Information Technology.Gyeongju，Korea，2007:837－844.

［10］劉蓉，黃璐，李少偉，等.基于步態加速度的步態分析研究［J］.傳感技術學報，2009，22(6):893－896.

［11］Freescale Semiconductor.±1.5g，±6g Three Axis Low-g Micromachined Accelerometer［Z］.2008.

［12］朱國忠，韋彩虹，潘敏.基于三維加速度傳感器的人體運動能耗檢測算法的研究［J］.傳感技術學報，2011，24(8):1217－1222.

［13］Mathie M J，Coster A C，Celler B G.Classification of Basic Daily Movements Using a Triaxial Accelerometer［J］.Medical and Biological Engineering and Computing，2004，42:670－687.

［14］宋麗君，秦永元.MEMS加速度計的六位置測試法［J］.測控技術，2009，28(7):11－14.

［15］陳國棟，李建微，潘林，等.基于人體特征三維人體模型的骨架提取算法［J］.計算機科學，2009，36(7):295－297.

劉鵬(1987－)，男，安徽宿州人，復旦大學在讀碩士研究生，主要從事數字系統與通信、無線傳感器網絡方面的研究，pengliu12@fudan.edu.cn;

盧潭城(1989－)，男，廣東陸豐人，復旦大學在讀碩士研究生，主要從事自動控制、物聯網方面的研究，tanchenglu12@fudan.edu.cn;

陸起涌(1966－)，男，江蘇太倉人，復旦大學教授，碩士生導師，主要從事智能控制、嵌入式系統、物聯網技術等方面的研究，lqyong@fudan.edu.cn。

基于MEMS三軸加速度傳感器的摔倒檢測

劉鵬，盧潭城，呂愿愿，鄧永莉，陸起涌*
(復旦大學電子工程系，上海200433)

摔倒作為人體活動的一部分，是影響人體健康的一大因素，尤其對病人和老年人而言，摔倒檢測至關重要。基于MEMS三軸加速度傳感器采集的人體活動加速度信號，提出了一種基于固定閾值的信號幅度向量滑動平均法SVMSA。該方法根據人體活動時的加速度信號特征，利用預先設定的閾值對加速度信號幅度向量SVM的滑動平均SVMSA進行判決，同時使用差分信號幅度域DSMA區分快速跑步等劇烈運動，準確實現了人體的摔倒檢測。主要優勢在于分析并區別了人體快速跑步等劇烈運動對摔倒檢測的影響。通過對8位實驗者的測試，該算法實現了94.4%的精確度。實驗表明該算法能夠較為準確地實現人體的摔倒檢測。

傳感器應用;摔倒檢測;信號幅度向量SVM;差分信號幅度域DSMA;三軸加速度傳感器

TP212.9

A

1004－1699(2014)04－0570－05

2013－12－10修改日期:2014－03－30

C:7230

10.3969/j.issn.1004－1699.2014.04.026