面向摔倒監測的紐扣型可穿戴式節點系統*

孫 祥，莊 偉，戴 棟

（1.南京信息工程大學信息與控制學院，南京210044；2.南京信息工程大學計算機與軟件學院，南京210044；3.東南大學儀器科學與工程學院，南京210091）

面向摔倒監測的紐扣型可穿戴式節點系統*

孫 祥1，莊 偉2*，戴 棟3

（1.南京信息工程大學信息與控制學院，南京210044；2.南京信息工程大學計算機與軟件學院，南京210044；3.東南大學儀器科學與工程學院，南京210091）

摔倒作為世界第二大意外傷害死亡的誘因，已嚴重威脅到老年人的身心健康，因而摔倒監測日益變得緊迫。摔倒監測的可穿戴式節點系統的主要目的是監測到摔倒行為并進行及時的報警，從而可以大大減小由摔倒帶來的傷害。本系統是基于三軸加速度傳感器采集人體的運動信號，利用人體運動時加速度特征的改變，提出了一種準確度高穩定性好的SVM分類算法進行二元分類，區別摔倒與日常活動，并將結果實時顯示在Android手機客戶端。實驗結果表明，可穿戴式節點系統能夠較好地實現摔倒行為的連續監測，正檢率可達94.8%。

摔倒監測；加速度傳感器；SVM；可穿戴

摔倒作為世界第二大意外傷害死亡的誘因，目前已經成為一個主要的公共健康問題，尤其對老年人而言。作為日常生活中常見的突發事件，10%～15%的摔倒將導致老年人嚴重損傷，往往會造成銀發族老人嚴重骨折甚至喪失生活自理能力。研發體積小、重量輕、低成本、低功耗的摔倒監測設備已成為學術界和工業界共同關注的熱點［1-2］。

目前國際上對于摔倒行為識別及監測的方法主要分為兩種：一種是基于視覺信息技術的摔倒行為識別。另一種是基于穿戴式傳感器的摔倒行為識別。前者主要是通過攝像頭來完成對目標圖像的捕捉，繼而用圖像處理算法來判別目標姿態是否為摔倒行為。比如Rougier［3］曾提出一種通過攝像頭捕捉人體形狀改變摔倒檢測算法，其局限性在于會涉及到個人隱私問題且只能完成小范圍的摔倒監測。陳春雨［4］等運用三幀差分法通過對視頻圖像中目標對象輪廓的提取來判斷行走于摔倒，但視覺信息采集裝置成本高、功耗大，且受制于已部署圖像采集裝置的場景。

基于可穿戴式傳感器的摔倒判別主要是通過加速度計，陀螺儀等來獲得人體姿態信號。比如Hwang J Y［5］等學者研制的由加速度計，傾角傳感器和陀螺儀組成的摔倒監測系統，當目標對象胸部角度變化70°時，該系統即判定摔倒，然而該系統卻沒考慮在樓梯上滑倒坐下上身傾斜角不變的情況。John A Stankovic［6］等研究人員通過在大腿和胸部多位置佩戴慣性器件來提高準確度，運用閾值判定算法來判別摔倒行為，其準確率達到92%，但在實際生活環境中，多位置佩戴節點往往會給人們的行動帶來不便。

本文提出了基于三軸加速度傳感器單節點摔倒判別系統，采用SVM算法對特征值復雜度低的加速度值的強度值，標準差，協方差進行處理，通過支持向量機的二元識別，即使在訓練集較小的情況下也能得到較高的摔倒檢出率。同時，本系統采用單節點僅僅佩戴在胸部位置獲取人體姿態信號，有效的解決了人體多位置佩戴傳感器帶來的不便。此外該紐扣型可穿戴節點系統采用Bluetooth low energy（低功耗藍牙4.0）進行無線數據傳輸，極低的待機與運行功耗使得一粒紐扣電池工作數月之久，有效地解決了傳統無線通信功耗大的弊端。最后通過實驗證明該系統對摔倒監測具有極高的準確性和適用性。

1 系統結構設計

1.1 摔倒監測原理

圖1為摔倒行為分類圖。其中包含圖①（正常日常活動），以及一些常見的摔倒類型，包括圖②（絆倒），圖③（滑倒），圖④（暈倒），圖⑤（撞倒）。摔倒一般可以理解為非預期性的由于身體失去平衡而使身體由站立或坐立狀態轉變為躺倒姿勢的過程。

圖1 摔倒行為分類示意圖

如圖2所示可以將人站立狀態抽象為一個三維坐標系，其中X軸所指的方向為人體左右方向，此方向上的加速度的變化?x，Y軸所指方向為人體垂直方向，此方向上的加速度的變化?y，Z軸所指方向為人體前后方向，則加速度的變化?z。當人處于站立狀態時，X、Z軸方向的加速度都為0，Y軸方向加速度為-gn。合成加速度?=(?x,?y,?z):

摔倒行為往往伴隨著身體姿態的改變，繼而3個軸的加速度及其矢量也會隨之改變，則需要對摔倒狀態建立模型并提取測試對象的加速度特征值，構建合理的特征參數組合，通過支持向量機分類器區分摔倒與非摔倒行為。

圖2 加速度坐標定義

1.2 系統框架

該系統如圖3所示，主要包括3部分：其一是數據采集，通過在人體胸部位置佩戴三軸加速度傳感器來獲取人體姿態信號的加速度特征值。其二是數據傳輸，通過低功耗藍牙進行無線數據傳輸。其三是數據處理，Android客戶端將無線傳輸過來的數據進行處理與分析，監測摔倒是否發生，如有發生摔倒即刻會發送短信求助。

圖3 人體摔倒監測系統

1.3 硬件設計

在系統設計中，采用以NORDIC公司推出的無線射頻收發器nRF51822為主控芯片，支持低功耗藍牙4.0（Bluerooth Low Energy），工作電壓在1.8 V～3.6 V因而紐扣型電池即可滿足要求。其三軸加速度傳感器采用的是集加速度計和陀螺儀于一身的運動處理傳感器MPU6050［7］，16 bit的ADC可滿足測試精度，將測量的模擬量轉化為可輸出的數字量。

1.3.1 nRF51822與MPU6050硬件接口

MPU6050與nRF51822之間采用I2C接口通信，總線包括串行數據線（SDA）和串行時鐘線（SDL）。系統系統硬件結構如圖4所示。

圖4 系統硬件結構示意圖

當MPU6050連接到nRF51822系統芯片時，MPU6050作為從設備，并通過唯一的地址與之匹配，數據傳輸時從高位到低位依次傳輸，最大總線速率為400 kHz。nRF51822作為主控芯片負責向MPU6050寫入控制指令，MPU6050作為從設備負責向nRF51822傳輸數據。圖5即為對MPU6050的操作時序圖。開始信號表示為SCL保持高電平，而SDA由高電平跳變為低電平，則表示可以開始傳輸數據。結束信號表示為SCL保持高電平，而SDA由低電平跳變為高電平，則表示傳輸數據結束。在I2C數據傳輸過程中，當時鐘線SCL在高電平期間，數據線SDA必須保持穩定，只有當時鐘線為低電平時，數據線才可以改變電平狀態。當讀取MPU6050寄存器值時，首先由nRF51822產生一個開始信號（S），接著發送從設備MPU6050的7 bit器件地址和一個寫數據位0，等待從設備產生應答信號（ACK），接收應答信號后主設備發送寄存器的地址，從設備MPU6050產生應答信號后，nRF51822產生一個開始信號（S）并發送從設備MPU6050的7 bit器件地址和一個讀數據位1。MPU6050產生應答信號（ACK）后，即可以向nRF51822不斷發送加速度數據，直到產生結束信號（P）數據傳輸結束。

圖5 I2C的通信過程

1.3.2 通信部分

nRF51822采集人體加速度數據并通過低功耗藍牙與上位機實現無線通信。nRF51822的工作在2.4 GHz頻段上，加速度數據的采樣頻率為50 Hz，因為人體日常活動的頻率基本在0～20 Hz，因此50 Hz是比較好的采樣頻率，既可以充分采集到人體的運動信息，也不會產生冗余數據。繼而將采集到的加速度數據實時的通過藍牙無線傳輸給Android手機端。

2 摔倒監測算法設計

不同于當前大部分都是基于閾值技術的摔倒監測算法，而本文采用機器學習的方法，在Android軟件平臺上將SVM運用到摔倒二元識別，圖6顯示了摔倒算法的流程。

圖6 摔倒監測算法

2.1 初始化和數據采集

系統初始化指的是上位機和下位機的初始化，nRF51822負責采集MPU6050加速度數據。

2.2 數據預處理

通過摔倒監測的紐扣型可穿戴式節點系統采集到的原始加速度數據不可避免的含有噪聲，包括系統本身運行時噪聲和身體抖動噪聲，在數據采集階段利用MPU6050自身的5 Hz的低通濾波去除身體抖動影響，并通過卡爾曼濾波去噪。

2.3 滑動窗口方法

為了模擬本可穿戴式節點系統實時監測摔倒行為的真實性，需要對采集的加速度數據運用窗口滑動技術，從而進行實時特征計算和分類。為了權衡能耗和摔倒的檢出率，我們選擇窗口寬度為2 000 ms，因為窗口寬度過小，靈敏度將會降低，窗口寬度過大，單次迭代計算復雜度將會提升，能耗也隨之增大。圖7為即窗口滑動過程，滑動窗口以相同步長向前滑動，并對滑動窗口內加速度數據提取強度值，標準差，協方差，并結合SVM分類器，當有摔倒行為發生，則判斷過程結束并定義此行為為摔倒行為。

圖7 滑動窗口數據分段示意圖

2.4 支持向量機

支持向量機SVM（Support Vector Machine）是基于統計學理論的一種機器學習方法，廣泛地運用于二類分類問題［8］。設給定一個n維訓練樣本{(x1,y1),(x2,y2),…,(xi,yi)}，其中 xi∈Rd為輸入向量，yi∈{-1,1}為輸出向量。假設這些訓練樣本是線性可分的，即存在一個超平面ω.x+b=0將訓練樣本分為兩類：

令分類函數 f(x)=ω.x+b，（其中ω.x為ω和x的內積），為確定參數ω，b旨在更加精確地劃分不同類的點，區分摔倒與非摔倒，則需要找出最大的分類間隔相當于求，繼而采用Lagrange乘除法進行求解。則可寫成：

求解最優化超平面的問題等價于參數ω，b的優化問題，最終轉化為對對偶因子α的求解。為了避免直接在高維上進行復雜的計算，運用RBF函數，其公式如下：

進入滑動窗口模塊，提取特征值加速度強度值?、標準差σ，協方差Λ，并對這3個特征值重組，共有7種組合（如表1），依次將這些特征組合進行SVM訓練，并將數據集交叉驗證，直到所有的特征組合訓練全部結束，最終輸出SVM摔倒識別率、特征組合以及參數γ和C。

表1 特征參數組合

3 實驗過程

實驗數據采集過程由多名23歲左右志愿者模擬摔倒和日常行為，整個實驗過程統一在實驗者胸部位置佩戴摔倒節點。

圖8 滑倒（實驗數據采集階段）

圖9 暈倒（實驗數據采集階段）

圖10 絆倒（實驗數據采集階段）

如表2所示，我們總共進行了包括絆倒、滑倒、暈倒、撞倒在內的111次實驗，并采集了相關數據。同時也采集了包括可能與摔倒誤判的跑、做操在內的150組ADL數據。

表2 活動類別及總數

4 實驗結果

為了評估本系統的摔倒識別準確度，用以下3個公式作為評估方式。

其中TP定義為測試摔倒行為時正確識別樣本數目，FN定義為測試摔倒行為時未能識別樣本數目，TN定義為測試日常活動時正確識別ADL樣本數目，FP為測試日常活動時未能正確識別ADL樣本數［9］。

摔倒檢測和日常活動的檢測情況如表3、表4所示，實驗過程對特征值[?,σ,Λ]進行了交叉驗證，結果得出最優的參數組合?-σ-Λ，并將最優的特征組合進行SVM訓練，優化參數得出γ和C，當C= 500，γ=0.7時，準確度可以達到94.8%。表5顯示了摔倒行為和日常活動的檢出率。

表3 測試摔倒行為結果

表4 測試日常活動結果

表5 摔倒和日常活動檢出率

5 結論

本可穿戴式摔倒節點監測系統在低功耗藍牙傳輸的基礎上通過單個加速度傳感器實時獲取人體的運動信號，在Android客戶端平臺上將3個特征值用于SVM分類，從試驗結果可以看出，本系統摔倒監測準確率可達94.8%。未來我們將致力于將智能手機本身作為可穿戴設備的摔倒監測裝置，可避免攜帶其他裝置。摔倒發生時，運用手機定位與通信功能即可自動求助。本實驗的不足之處在于所有的實驗數據都是在模擬的環境中得出的，往往與真實生活環境中的老人摔倒存在偏差。

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

［2］羅堅，唐琎，毛芳，等.基于云計算的可穿戴式老齡人異常行為檢測系研究［J］.傳感技術學報，2015（8）：1108-1114.

［3］Rougier C，Meunier J，St-Arnaud A，et al.Monocular 3D Head Tracking to Detect Falls of Elderly People［C］//28th Annual Inter?national Conference of the IEEE，2006：6384-6387.

［4］陳春雨，周勝.基于視頻的人體異常行為檢測與識別［J］.哈爾濱商業大學學報（自然科學版），2014，6：686-689.

［5］Hwang J Y，Kang J M，Jang Y W，et al.Development of Novel Al?gorithm and Real-time Monitoring Ambulatory System Using Blue?tooth Module for Fall Detection in the Elderly［C］//Proceedings of the 26th Annual International Conference of the IEEE EMBS，San Francisco，2004：2204-2207.

［6］Li Qiang，John A.Stankovic，Mark A.Hanson，et al.Fast Fall De?tection Using Gyroscopes and Accelerometer-Derived Posture Information［C］//Six International Workshop on Wearable and Im?plantable Body Sensor Network，2009：138-143.

［7］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.

［8］鄧乃揚，田英杰.數據挖掘中的新方法：支持向量機［M］.北京出版社，2004.

［9］趙祥欣.基于三維加速度傳感器的跌倒檢測研究［D］.浙江大學，2008.

孫 祥（1991-），男，漢族，江蘇淮安人，南京信息工程大學碩士研究生，研究方向為無線傳感網，18362097621@163.com；

莊 偉（1980-），男，漢族，江蘇宿遷人，南京信息工程大學研究生導師，主要從事可穿戴式體感網系統，運動分析與行為識別，seujaguar@163.com。

Button Type Wearable Node System for Fall Detection*

SUN Xiang1，ZHUANG Wei2*，DAI Dong3
（1.Institute of Information and Control，Nanjing University of Information Science&Technology，Nanjing 210044，China；2.Institute of Computer and Software，Nanjing University of Information Science&Technology，Nanjing 210044，China；3.Institute of Instrument Science and Engineering，Southeast University，Nanjing 210091，China）

Falls have been the second most cause of accidental injury to death in the world.It has been a serious threat to the physical and mental health of the elders.And fall detection has become increasingly pressing at pres?ent.The main purpose of the wearable node system is to monitor the falling behavior and to carry out timely warn?ing，Thereby greatly reducing the damage caused by the falls.This system is based on the tri-axis acceleration sen?sor which is used to collect the human body motion signal.By using the change of acceleration characteristics of hu?man motion，a new SVM classification algorithm with high accuracy and good stability is proposed so as to classify the falls and ADLs，and the results are Real-time displayed on Android mobile phone client.Tests show that the wearable node system can achieve the continuous monitoring of falling behavior and get a positive rate to 94.8%.

fall detection；tri-axis acceleration sensor；SVM；wearable

TN92

A

1005-9490（2016）06-1482-05

7220

10.3969/j.issn.1005-9490.2016.06.039

項目來源：國家級大學生創新創業項目（20141030010）；江蘇省高校自然科學基金項目（12KJB510010）；南京信息工程大學校預研基金項目（2241091201036）

2015-12-17 修改日期：2016-02-05