基于慣性傳感器的穿戴式跌倒檢測系統設計

廣東工業大學自動化學院 蔣 寧 杜玉曉

?

基于慣性傳感器的穿戴式跌倒檢測系統設計

廣東工業大學自動化學院 蔣 寧 杜玉曉

【摘要】該文設計了一種便攜和低功耗的跌倒檢測系統，并提出一種基于支持向量機的離線訓練加在線檢測的跌倒檢測算法。使用設計出的樣機進行測試，實驗結果顯示：跌倒檢測設備能有效的檢測跌倒行為并進行報警，具有較好的準確性和可靠性。

【關鍵詞】跌倒檢測；可穿戴設備；支持向量機；慣性傳感器

0　引言

跌倒是一種隨機性、偶然性很強的行為，由于老年人身體機能下降，再加上自身的一些疾病，跌倒很容易導致一些意外傷害[1]。據資料顯示：大約15%的跌倒對老年人的身體帶來了嚴重的傷害[2]，因此研究跌倒檢測設備的意義重大。本文以穿戴式設備為研究對象，在移動裝置數據存儲以及數據處理資源有限的情況下，設計出便攜、低功耗及可通信的跌倒檢測系統，并提出一種基于支持向量機的離線訓練加在線檢測的跌倒檢測算法。

1　系統總體架構

系統總體設計如圖1所示，硬件主要由主控制器模塊、慣性傳感器模塊、通信定位模塊、電源管理模塊組成。

圖1　系統框架圖

1.1主控制器模塊

主控制器芯片選用的是STM32L151單片機，具有 3級流水線和哈佛結構，其操作頻率可達32MHz，并且功耗低，性能高，能夠滿足系統設計所需。

1.2慣性傳感器模塊

本文選用Invensense的六軸傳感器MPU6500來采集人體的姿態數據。MPU6500采用CMOS-MEMS的制作平臺，讓三軸加速度計和三軸陀螺儀集成于一個3x3mm的芯片內，具有三個16位加速度AD和三個16位陀螺儀AD輸出，支持I2C(400KHz)和SPI(1MHz)兩種通信方式。為了保證采集速率，本文使用SPI通信，如圖2所示。

圖2　MPU6500硬件電路設計圖

1.3通信定位模塊

通信定位模塊使用的是SIM908芯片模塊。SIM908是一款集成GPS導航技術的四頻GSM/GPRS模塊，緊湊的模塊尺寸并將GPRS和GPS整合在SMT封裝里。本文根據設計了所需功能配套的電路，并且接入了必要的電源濾波。可以實現單片機對GPS傳回數據進行分析處理以及用GSM發送定位短信的功能。

1.4電源管理模塊

本文選用TI的BQ24070作電源管理芯片，自動的電源選擇，在線路供電正常的時候可以使用線路上的電能，在失電的時候又可使用電池[3]。使用鋰離子電池或充電器輸出作為總的電源輸入，電壓范圍為+3.6V～+4.4V，經過一塊DC/DC芯片LM2733和一塊LDO芯片SP6203EM5-3.3，為系統提供5V和3.3電源。

2　跌倒檢測算法

檢測設備穿戴在人的不同位置，最終采集到的數據會有所不同。M Kangas等人的研究提出對頭部、前胸、后背、腰部、手腕、大腿等穿戴位置進行測試，發現頭部或腰部的加速度變化更能反映出人體姿態的變化[4]。因此本文采取將設備穿戴于腰部位置。

上式中的SVM表示人體合加速度的大小幅值，是分類人體運動狀態的重要參數，SVM越低，運動越緩和，SVM越高，運動越劇烈。

圖3　向后跌倒合加速度曲線

圖4　日常行為合加速度曲線

從圖3向后跌倒合加速度曲線可以看出，老人跌倒在撞擊地面階段峰值接近3g并在跌倒后合加速度值又迅速回落到1g。然而根據圖4的日常行為活動加速度曲線來看，在跑動和原地跳時，合成加速度比較大，最高接近3g，如果純粹使用閾值方法來判斷的話，容易造成誤報。

避免純粹使用閾值方法帶來的虛報問題，采用支持向量機分類器的方法，在分類器分類前采用閾值法輔助判別，引入離線訓練加在線檢測的支持向量機算法，對人體姿態進行分析判斷。

離線訓練：設備將佩戴在測試人員腰部，用來收集人體在跌倒、走路、跑步、坐下、站立、上下樓梯等多種行為的三軸加速度值、兩路傾角傳感器角度值，并通過數據預處理、特征提取后將提取到的特征向量存入存儲卡中。再將存儲卡將數據上傳至 PC 機進行數據分析，進而進行支持向量機分類器的設計等處理。具體實現流程如圖5所示。

圖5　離線訓練算法流程圖

在線檢測：跌倒檢測最終是需要離線佩戴在用戶身上，無需上傳數據，所有的跌倒檢測過程均由檢測設備獨立完成。因此在PC機上完成對分類器參數訓練后，需要將模型參數設置于穿戴設備中，從而使得采集新的樣本序列后可以通過模型自行判定是否發生跌倒行為。除此之外，本文采用分類器方法在分類前加閾值法輔助判別，優點是既可以避免純粹使用閾值方法帶來的虛報問題，也可避免單純使用支持向量機帶來的漏檢問題，同時還可以避免單片機作無謂的預測運算而增加單片機負擔，從而提高檢測概率。

圖6　在線檢測算法流程圖

3　實驗分析

為了驗證系統和算法的有效性，測試方式分為跌倒和日常活動兩類，測試了原地起跳、起立坐下、走路、跑、上下樓梯和前后左右四個方向摔倒。測試考慮到老人的身體不適做激烈的活動和跌倒實驗，因此選取5名不同身高的年輕人來模擬實驗。

表1　跌倒事件檢測成功率

表2　日常活動事件誤判率

實驗結果表現出對跌倒行為的平均檢測成功率達到96%，而除了原地跳這種加速度劇烈的事件外，日常活動事件的誤判率也能維持在1%左右，從而驗證了該系統對于跌倒行為具有良好的識別能力。

4　結論

通過引入基于支持向量機的離線訓練加在線檢測的方法進行大量實驗驗證，表明了該系統具有良好的識別率和可靠性等優點。但是測試過程考慮到老人的安全問題，所有測試數據都是由年輕人完成的，因此會與真正的老人跌倒行為可能有所出入。且對于跌倒行為和日常活動的樣本種類采集沒有包含所有的情況，因此還需對本系統和跌倒檢測算法做進一步的研究。

參考文獻

[1]陳聯濤.基于多傳感器信息處理的跌倒檢測儀研究[D].重慶大學,2014.

[2]Suhuai Luo,Qingmao Hu.A dynamic motion pattern analysis approach to fall detection[C].2004 IEEE International Workshop on Biomedical Circuits & Systems.2004:1-5-8a.

[3]沈偉.一種供電線路失電監測系統的設計[D].蘇州大學,2010.

[4]M Kangas,A Konttila,I Winblad t etc.Determination of simple thresholds for accelerometry-based parameters for fall detection[C].Proceedings of the 29th Annual International Conference of the IEEE,Lyon France,2007.

蔣寧（1991—），男，廣東韶關人，廣東工業大學自動化學院控制科學與工程專業碩士研究生在讀。

Wearable Fall Detection System Based on Inertial Sensors

Abstract:This paper presents a falling detection system with portable and low power, and proposes an algorithm using off-line training combine online detection base on support vector machine. The testing result shows that the falling detection device can detect falling event and give alarm signals. Therefore this device has favorable accuracy and reliability.

Keywords:Fall detection; Wearable device; Support vector machine; Inertial Sensors

作者簡介：