基于MPU6050加速度傳感器的跌倒檢測與報警系統設計*

卓從彬，楊龍頻，周　林*，羅　丹(.重慶郵電大學通信軟件研究所，重慶400065; .北京醫院，北京00730)

?

基于MPU6050加速度傳感器的跌倒檢測與報警系統設計*

卓從彬1，楊龍頻2，周林1*，羅丹1
(1.重慶郵電大學通信軟件研究所，重慶400065; 2.北京醫院，北京100730)

摘要:分析不同年齡段老年人行為和跌倒狀態變化(SVM)和姿態特征變化(姿態角)，設計一種基于加速度傳感器的跌倒檢測系統。使用MPU6050加速度傳感器，通過無線傳輸(HC－06藍牙模塊)將采集到的數據傳輸到PC機上保存。通過MATLAB輔助分析采集的不同年齡段老年人各種行為數據的差異性，為不同年齡段老年人設置不同的跌倒檢測閾值。仿真實驗證明對不同年齡段的老年人設置不同跌倒檢測閾值的跌倒檢測算法與其他同一類型的跌倒檢測算法相比有到更高的準確率和實用性。

關鍵詞:跌倒檢測; MPU6050加速度傳感器; SVM; GSM模塊; HC－06藍牙模塊

跌倒是指突發、不自主、非故意的體位改變，倒在地上或者更低的平面上。按照國際疾病分類(ICD－10)對跌倒的分類，跌倒包括以下兩類:(1)從一個平面至另一個平面的跌落; (2)同一個平面的跌倒。跌倒是我國造成傷害死亡的第4位原因，而在65歲以上的老年人中則為首位。老年人跌倒死亡率隨年齡的增長而急劇上升。跌倒除了導致老年人死亡外，還導致大量疾病，如輕則導致劃傷或者骨折;重則導致昏厥、腦血管意外，甚至導致癱瘓。老年人跌倒后的恐懼心理將降低老年人的活動能力，使其活動范圍受限，生活質量降低［1］。而跌倒所導致死亡的主要原因是老年人在跌倒后沒有及時得到救治，而耽誤了最佳的搶救時間。如何準確快速地檢測到老年人跌倒并及時通知親人和急救中心是本文研究的重點。跌倒檢測技術的方法有很多，從信號采集的渠道進行分類，將跌倒檢測技術分為3類:(1)基于視頻的跌倒檢測系統; (2)基于聲學的跌倒檢測系統; (3)基于穿戴式的跌倒檢測系統［2］。Vaidehi V［3］等人利用安裝在室內的攝像頭實時捕捉被觀察者的靜態特性:縱橫比(Aspect Video)和身體傾角(Inclination Angle)，通過實驗采集到的數據來確定縱橫比和傾角的閾值，當被觀察著的縱橫比和傾角都超過相應的閾值時就視為跌倒事件發生，這種檢測方法只適用于室內環境并且涉及到個人隱私泄露等限制。Chen Diansheng［4］等人，運用Freescale公司生產的三維加速度傳感器MMA7260QT實時監測被觀察者的三維加速度值，作者把跌倒過程分為3個階段:跌倒發生到與地面接觸之前;與地面接觸的瞬間和跌倒在地面后。在這3個階段分別以加速度和角度作為觀察數據。通過仿真驗證所設計的跌倒檢測系統的靈敏度(Sensitivity)為97%，特異性(Specificity)為100%，其中靈敏度表示正確檢測出跌倒的能力;特異性表示正確檢測出正常行為的能力。但是該系統也存在一些缺點如:跌倒實驗的原始數據是由22歲～26歲的年輕人為觀察模擬跌倒對象。因此，測量的跌倒數據值可能比老年人跌倒時的實際值要偏大，并且作者沒有對不同年齡段的老年人設置不同的跌倒檢測閾值等缺點。通過總結和比較過去的研究成果對跌倒檢測系統進行以下幾點創新使得本文所設計的跌倒檢測系統在可靠性和實用性都有所提高。首先，在硬件上面使用MPU6050加速度傳感器，這是全球第1款9軸運動處理傳感器芯片，能夠更準確的檢測人體的多種加速度變化來用于跌倒檢測;其次，所選擇的STC12C5A60S2單片機是一款高速/低功耗/超強抗干擾的新一代8051單片機，它的處理速度是普通單片機的8倍～12倍，提高了跌倒檢測的準確度;最后，本文在跌倒檢測算法上也有所創新，考慮到不同年齡段的老年人的各種行為特征存在一定差異［5］，所以本文在選擇跌倒檢測閾值時是根據分析大量不同年齡段老年人的各種行為特征，為不同年齡段老年人的跌倒檢測算法選擇不同的跌倒檢測閾值，這樣可以提高跌倒檢測系統的準確率和實用性。綜上所述，本文所設計的跌倒檢測系統與之前的研究成果相比能夠提高3%～5%的準確率，而且具有更高可靠性和實用性。

1　系統架構設計

系統主要由3大部分組成:可穿戴式的跌倒檢測終端、GSM傳輸和監測中心，如圖1所示?？纱┐魇降牡綑z測終端由MPU6050加速度傳感器、STC12C5A60S2單片機和GSM模塊(BENQ M22)組成。MPU6050傳感器是全球首例9軸運動處理傳感器芯片，它集成有三軸MEMS陀螺儀，三軸MEMS加速度計，以及一個可供擴展的數據運動處理器DMP (Digital Motion Processor)［6］，并且MPU6050傳感器的輸出為數字數據，不需要A/D轉換器就可以直接傳送到單片機中進行處理，這樣可以減小系統的能耗、誤差和整個系統的體積。利用MPU6050傳感器可以實時檢測人體的三軸加速度和三軸角度的變化，這些人體特征的變化是用來判斷是否有跌倒發生的有力證據。STC12C5A60S2單片機是由宏晶科技生產的單時鐘/機器周期(1T)單片機，是一款高速/低功耗/超強抗干擾的新一代8051單片機，該特性可以大大延長整個跌倒檢測系統在一次充電后的使用時間。并且STC12C5A60S2單片機比普通51系列單片機的速度快8倍～12倍使得能夠快速地處理MPU6050傳感器采集的數據，從而提高跌倒檢測系統的實時性和準確性。在跌倒時由GSM模塊發送報警短信到綁定的親人手機中求救。

圖1　跌倒檢測原理框圖

首先MPU6050傳感器模塊采集人體的加速度值，通過SDA接口傳送到STC12C5A60S2單片機中，單片機接收到加速度數據后，運行存儲在單片機ROM存儲器中的跌倒檢測系統算法，如果判斷出跌倒發生就產生一個中斷，該中斷函數激活GSM模塊發生一條報警短信到被綁定的手機中求救，并且該中斷函數也將激活蜂鳴器發出求救信號向周圍人群請求幫助，從而實現跌倒后第一時間被救助。

2　跌倒檢測算法設計

人體跌倒是由于身體不自主失去平衡的行為，在跌倒的瞬間［7］，人體的重力，加速度，位移和姿態等相關量都會發生相應的變化［8］。本研究課題結合人體在發生跌倒時的重力、加速度和姿態的變化來判斷跌倒事件，其中假設人體正前方為X軸方向，正左方為Y軸方向，豎直方向為Z軸方向，如圖2所示。

圖2　三維加速度方向圖

通過觀察和分析采集到的志愿者跌倒數據，可以跌倒的具體過程如下:首先，跌倒發生時人體的重力加速度az會有一個瞬間的下降過程，如圖3所示，其中X軸代表采樣時間(單位:ms)，Y軸代表重力加速度值(單位:gn);隨后身體在與地面接觸時會與地面產生一個激烈的沖擊，這個沖擊表現為人體的運動狀態值SVM會有一次突變，其中SVM為如式(1)所示;最后身體平躺在地面，此時人體z軸的角度接近0°，如圖4所示:其中X軸代表采樣時間(單位:ms)，Y軸代表人體角度值(單位:°)。

式中，ax、ay、az分別代表人體三維加速度值，即三維加速度值，如圖2標注所示。

圖3　跌倒時重力加速度變化情況

圖4　跌倒時人體Z軸角度變化

當身體與地面發生激烈沖擊過后，人體將躺在地面或者坐在地面，此時人體處于一個相對靜止的狀態，這時可以運用此時人體的x、y、z軸的角度值來判斷人體的姿態。綜上所述，跌倒過程中將要設置3個閾值分別是:重力加速度閾值Tgravity、運動狀態閾值Tsvm和角度閾值Tangle，由于不同年齡段的老年人走路的方式有所差別，所以這3個閾值對不同的老年人所有差別，比如年齡比較大的老年人為了安全就應該把閾值設置得比年齡較小的老年人小。只有同時滿足這3個閾值后才有可能發出報警信號。當系統檢查到跌倒時會延遲30 s時間等待用戶確認是否發出求救短信，在30 s后如果當事人沒有解除報警，系統就會通過GSM模塊向監測中心(被綁定的親人手機)發出求救信號，具體流程圖為如圖5所示。

圖5　跌到檢測算法流程圖

3　實驗測試與結果分析

3.1原始數據的采集

根據跌倒檢測系統的原理，需要通過分析老年人日常生活中的各種行為，找出這些行為與跌倒行為的差異，這樣一來可以獲得跌倒檢測算法中所需要的閾值。本文根據老年人的日常生活把他們在日常生活中的行為分為兩部分:一部分是日常行為ADL(Activities of Daily Life);另一部分則是跌倒(Fall Down)。把日常行為活動又劃分成:水平行走、坐下、躺下、上下臺階、蹲下、慢跑和快跑(這種行為在老年人中很少發生，所以這種行為的原始數據不測);跌倒又可以劃分成:向前跌倒、向后跌倒、向左跌倒和向右跌倒，具體結構圖如圖6所示。

圖6　老年人日常行為

本文結合所應用的跌到檢測算法，選取60歲～65歲、65歲～70歲、70歲～75歲和75歲～80歲4個年齡段的老年人作為日常行為活動(處于安全考慮，跌倒行為的原始數據不以老年人為采集對象)原始數據的采集對象。20歲～25歲、25歲～30歲、30歲～35歲和35歲～40歲4個年齡段的青年人作為跌倒原始數據的采集對象(為了保證安全每一次跌倒都是特意地摔倒在厚度為約10cm的軟墊上)。每一個年齡段分別選擇男性和女性各5名，對每一個采集對象的上述圖6中行為各采集2 min左右。

3.2正常行為的數據采集結果

通過MATLAB仿真工具把采集到的數據繪制出，這里列出不同年齡段的老年人在水平行走時的三維加速度值和SVM值，如圖7和圖8所示，其中X軸為數據采集時間(單位:ms); Y軸為水平行走時采樣數據的SVM值(單位:gn)。從圖中可以看出年齡越大在行走時，三維加速度值變化就越平緩且SVM值就越小。

圖7　62歲老年人水平行走時的SVM值隨時間的變化圖

圖8　73歲老年人的水平行走的SVM值隨時間的變化圖

圖9　84歲老年人的水平行走的SVM值隨時間的變化圖

下面通過不同年齡段的老年人在相同行為的SVM均值進行對比，如表1所示。

表1　不同年齡段的老年人在各種行為下最大SVM的均值

3.3跌倒行為的數據采集結果

與正常行為的數據采集一樣，以年輕人為采集對象來模擬跌倒行為的發生。下面給出兩個年齡段跌倒的運動狀態SVM值(這里只提取出跌倒發生前后過程中的SVM值)，如圖所示，其中X軸為數據采集時間(單位:ms); Y軸為向前跌倒時采樣數據的SVM值(單位:gn)。

圖10　30歲青年向前跌倒的SVM值隨時間的變化圖

圖11　38歲青年向前跌倒的SVM值隨時間的變化圖

從上面的圖形可以看出，在不同年齡段的年輕人的跌倒行為大致相同，在跌倒在地之前SVM值有一個瞬間的減小，這是因為在摔倒時人體的重力加速度有一個瞬間的減小。從圖中可以看出在身體與地面接觸時與地面有一個沖擊，此時SVM值有一個瞬間的增大。沖擊過后身體保持不動，此時SVM的值變化較小。

比較不同年齡段年輕人的跌倒SVM值可以看出他們的最大SVM值有明顯的不同:30歲年輕人跌倒的最大SVM值為1.72 gn; 38歲年輕人跌倒的最大SVM值為1.55 gn。這種不同與不同年齡段的老年人的日常行為(如圖7～圖9所示)的最大SVM值不同相符合。所以這兩個的一致性說明了不同年齡段的老年人的跌倒檢測算法的閾值應該不一樣，這證明了本文提出的最后一個創新點的正確性。

4　數據分析

從上面的圖形顯示同一種行為在不同的年齡段老年人所表現出不同的SVM值，年齡越大在相同的行為時更加緩和。比如:上臺階時62歲老年人的SVM最大值為1.8 gn，而84歲老年人的SVM最大值為1.25 gn;水平行走時62歲老年人的SVM最大值為1.87 gn，而84歲老年人的SVM最大值為1.6 gn;坐下時62歲老年人的SVM最大值為1.43 gn，而84歲老年人的SVM最大值為1.26 gn。所以在不同年齡段應該有不同的SVM閾值來判斷跌倒。由于本次試驗的年輕人是跌倒在厚度為約10 cm的軟墊上，所以真實跌倒時身體與地面的沖擊將比試驗跌倒時的沖擊大，因而跌倒時的最大SVM值將比試驗時的最大SVM值大。這里結合所采集到的不同年齡段的年輕人在模擬跌倒時的數據，得出不同年齡段的老年人的不同閾值，如表2所示。

表2　不同年齡段設置的跌倒閾值

5　系統仿真與分析

本文通過MATLAB模擬不同年齡段老年人的跌倒行為，應用表2中不同年齡段的跌倒算法閾值，對100組數據(其中有10次跌倒行為)進行重復檢查10次。這里通過兩個參數來判斷這個系統的性能，分別是:True Positive(跌倒發生時準確報警，TP)和False Positive(跌倒未發生時報警，FP)。檢查結果顯示在65歲～70歲所設置的閾值的TP均值為97.7%，FP均值為0.5%; 70歲～75歲的TP均值為98.4%，FP均值為1.1%; 75歲～80歲的TP均值為99.1%，FP均值為1.5%; 80歲～85歲的TP均值為99.8%，FP均值為3.5%。所以通過不同年齡段的老年人所表現出的日常行為的差異性，設置不同的跌倒檢測閾值可以得到更高的準確率。雖然在仿真過程中80歲～85歲的誤報率要比其他幾個年齡段稍大一點，因為考慮到這個年齡段的老年人的特殊性，所以寧愿誤報一次也不能放過每一次跌倒的正確報警。

6　結論與展望

本文通過對跌倒行為和老年人的日常行為進行研究，分析日常行為與跌倒行為的差異性，設計出針對不同年齡段設置的不同閾值的跌倒檢測系統，獲得了較高的準確率。隨著我國人口老齡化趨勢的加劇，該裝置為老年人以及相關需要的人群提供穿戴式的設計。一方面，保護了使用者的隱私;另一方面，降低了老年人怕跌倒而不敢外出的恐懼，為老年人的生活帶來了便利和健康。但是本文所設計的跌倒檢測系統也存在不足，如:在采集跌倒的原始數據時是以年輕人為采集對象，因為老年人的跌倒與年輕人的跌倒有差異，所以對閾值的選擇帶來一定的影響。

參考文獻:

［1］老年人跌倒干預技術指南［S］.衛生部疾病預防控制局，2011.

［2］鄒眾鷹，謝存禧.基于家庭的遠程健康監護系統進展［J］.計算機工程與應用，2005，30(10):20－34.

［3］Vaidehi V，Kirupa Ganapathy，Mohan K，et al.Video Based Automatic Fall Detection Indoor Environment［C］//IEEE-International Conference on Recent Trends in Information Technology，ICRTIT 2011，MIT，Anna University，Chennai.2011:3－5.

［4］Chen Diansheng，Feng Wei，Zhang Yu，et al.A Wearable Wireless Fall Detection System with Accelerators［C］//Proceedings of the 2011 IEEE International Conference on Robotics and Biomimetics.2011:7－11.

［5］Hu Xinyao，Qu Xingda.An Individual-Specific Fall Detection Model Based on the Statistical Process Control Chart［J］.Safety Science，2014，64:13－21.

［6］陳煒峰，席萬強，周峰，等.基于物聯網技術的山體滑坡監測及預警系統設計［J］.電子器件，2014，37(2):279－282.

［7］孫新香.基于三軸加速度傳感器的跌到檢測技術的研究與應用［D］.上海:上海交通大學，2008.

［8］董潔，笪東旭，楊文武，等.基于STM32W的老年人心率實時監測及跌倒檢測系統［J］.電子元器件應用，2012(Z1):75－82.

卓從彬(1989－)，男，漢族，四川內江人，重慶郵電大學通信與信息工程學院碩士研究生，主要研究方向物聯網應用、無線傳感器網絡，6343609492@qq.com;

羅　丹(1991－)女，漢族，重慶長壽人，重慶郵電大學通信與信息工程學院碩士研究生，主要研究方向物聯網應用，1097342405@qq.com。

Machine Vision Technology in Application to Detecting Ill Individuals of Flocks*

WEI Changbao*，LI Ping
(Huanghuai College Information Engineering College，Zhumadian He’nan 463000，China)

Abstract:The current farm，ambient temperature，air flow，eggs，poultry manure，food and water supplies have been completely automatic controlled.However，the dead poultry in the farm has not automatic monitor and it can cause the environmental pollution.For the above mentioned various defects detected in dead poultry inspections to farm，we used the method of logic and operations to exclude the presence of part of live chickens，and by means of extracting the important features of each chicken.Based on the change of such features，It can be judged whether the chickens died or not.The experimental results can be obtained that the image recognition method can effectively enhance the detection accuracy of dead chickens.

Key words:machine vision; automatic detection; feature extraction; detection precison

doi:EEACC:6140C; 720010.3969/j.issn.1005－9490.2015.04.022

收稿日期:2014－10－21修改日期:2014－11－27

中圖分類號:TP212.3

文獻標識碼:A

文章編號:1005－9490(2015)04－0821－05

項目來源:基于物聯網技術的呼吸、脈博異變及跌落的實時監測與報警的關鍵技術研究項目(61171190)