可穿戴式跌倒檢測智能系統設計*

陳 鵬， 涂亞慶， 童俊平， 趙運勇

(1.后勤工程學院 后勤信息與軍事物流工程系，重慶 401311；2.重慶市軟匯科技有限公司,重慶 400039)

可穿戴式跌倒檢測智能系統設計*

陳 鵬1， 涂亞慶1， 童俊平2， 趙運勇2

(1.后勤工程學院 后勤信息與軍事物流工程系，重慶 401311；2.重慶市軟匯科技有限公司,重慶 400039)

為提高對老年人跌倒檢測的正確率，設計一種可穿戴式跌倒檢測系統。研制基于三軸加速度計的跌倒檢測設備，給出系統硬件和軟件的實現方案；提出基于反向傳播(BP)神經網絡的跌倒檢測算法，將訓練好的網絡參數植入研制的可穿戴式跌倒檢測設備，實現對跌倒的實時檢測。實驗結果表明：所研制的跌倒檢測智能系統能夠有效地區分跌倒與非跌倒，正確率達97.37 %。

跌倒檢測； 可穿戴式設備； 加速度傳感器； 反向傳播(BP)神經網絡

0 引 言

跌倒是指出現突發的、不自主及非故意的體位改變而倒在地上或更低的平面上[1]。老年人跌倒后，通常由于發現不及時，從而錯過最佳的救護時機，容易造成極大的生理及心理傷害。因此，通過對老年人的日常活動進行監測并判斷，并對老年人跌倒進行實時檢測，已成為急需解決的問題[2]。

目前，跌倒檢測系統有用戶自主啟動型報警系統，該系統操作簡單、容易實現但不能主動檢測用戶是否跌倒，需要用戶通過按鍵觸發報警，應用范圍不廣。基于視頻裝置的跌倒檢測系統具有無需隨身佩戴，檢測精度高等優勢，但該系統需要在用戶經常活動的空間內安裝視頻裝置，不僅成本高且容易暴露用戶隱私。可穿戴式跌倒檢測系統能主動檢測用戶是否跌倒并自主報警，同時對用戶的隱私也起到了保護作用，且佩戴方便，是目前檢測跌倒的主流系統[3]。

跌倒檢測算法是正確檢測跌倒的關鍵。文獻[4～6]采用的加速度閾值檢測算法簡單且容易實現，但受噪聲影響大，誤報率與漏報率高；文獻[7]增加了加速度微分值的閾值判斷，采用多級閾值判斷的算法降低了誤報率，但漏報率較高；文獻[8]在加速度閾值的基礎上，增加了角度閾值判斷的算法降低了漏報率，但對彎腰、跑步等非跌倒類動作的識別率低，誤報率偏高；文獻[9]采用壓力傳感器采集用戶在行動中對鞋底產生的壓力信息，并利用支持向量機(SVM)判斷用戶是否跌倒，該方法能識別跌倒與非跌倒，但需要把壓力傳感器設計成鞋墊放在用戶鞋里，對生活不方便，且針對靜止時的跌倒檢測，正確率不高；文獻[10]基于表面肌電(sEMG)和足底壓力信號融合的跌倒檢測方法為跌倒檢測的研究提供了一種新思路，但肌電信號受運動影響大，容易影響跌倒檢測的正確率，且設備佩戴方式不方便，不利于使用。

為提高跌倒檢測的正確率，本文設計了一種可穿戴式跌倒檢測智能系統，研制了基于三軸加速度計的跌倒檢測設備，提出一種基于反向傳播(back propagation,BP)神經網絡的跌倒檢測算法，實現實時檢測跌倒。

1 系統設計

可穿戴式跌倒檢測智能設備應用于健康監測系統，如圖1所示。該系統由跌倒檢測設備、心率監測和血壓監測等可穿戴式設備及上位機構成。

圖1 健康監測系統

1.1 系統硬件設計

根據可穿戴式跌倒檢測智能設備的功能需求分析，硬件框圖通用分組無線業務(GPRS)，全球定位系統(GPS)定位組成，如圖2所示。

圖2 跌倒檢測設備硬件框圖

跌倒檢測智能設備需要實時檢測人體運動信息，并判斷用戶是否跌倒，其運算量大，選用MSP430系列的單片機作為核心元件，該芯片具有處理功能強、運算數度快、超低功耗等特點，滿足功能需求。

三軸加速度計傳感器與高度傳感器實現實時采集用戶運動數據；按鍵模塊用于用戶主動報警或者主動取消報警；GPS定位模塊實現精確定位，并記錄用戶跌倒的地理位置；GPRS模塊可與用戶的家人實現語音通信，并將跌倒與定位信息通過短信的方式發送給用戶家人，使得用戶在跌倒后能夠及時得到救護。

研制的跌倒檢測設備從硬件上實現了用戶運動數據的實時采集，并保持精確定位與實時語音通信等功能。

1.2 軟件設計與實現

系統軟件采用模塊化設計，軟件結構如圖3所示。

圖3 軟件結構框圖

系統軟件流程如圖4所示，系統上電后，主程序調用各個模塊初始化子程序；初始化后，采集三軸加速度傳感器信號，計算合加速度的值，并與設定的閾值進行比較，通過第一級判斷；當合加速度大于閾值時，調用跌倒檢測算法，得到跌倒檢測結果，并與設定的閾值進行比較，通過第二級判斷；為進一步降低跌倒檢測的誤報率，當跌倒結果大于閾值時，調用高度傳感器信息，比較高度的變化是否大于設定的閾值，進行第三級判斷；若高度變化大于閾值，自動觸發報警裝置，反之，則進入下一周期計算。

圖4 系統軟件流程

2 跌倒檢測算法

人體活動行為可分為跌倒與非跌倒兩大類，能否有效地區分跌倒與非跌倒是跌倒檢測的關鍵，屬于非線性分類問題。BP神經網絡具有很強的非線性映射能力，能夠實現任何較復雜的非線性映射[11,12]。

由于傳感器采集的數據中夾雜噪聲，不宜直接用于分類處理，容易影響跌倒檢測正確率。本文采用滑動窗口對數據進行截取，利用離散特征抽取的方法對截取的數據進行預處理[13]，再通過跌倒檢測算法進行分類處理。

在跌倒時，人體會出現失重，數據的x軸加速度值減小，合加速度值在跌倒瞬間發生突變等特征。跌倒過程完全反映在采集的數據曲線上，如圖5所示。

圖5 一次典型的跌倒曲線

選取長度為m、滑動步長為n的窗口截取數據(m，n取整數，m>n)，提取能反映跌倒信息的離散特征：

1)合加速度a的最大值amax、最小值amax及二者之間的時間差Δt；

2)合加速度a的平均值：E(a)；

3)窗口內后l點數據的方差：D(a)；

4)窗口內x軸前后k點數據的平均值：E(X)1，E(X)2。

本文采用三層的BP神經網絡作為跌倒檢測模型，如圖6所示。

圖6 跌倒檢測模型

第一層是輸入層，將提取的7個離散特征作為模型的輸入；第二層是含4個神經元的隱含層；第三層是一個神經元的輸出層，輸出值作為判斷結果。

通過采集大量的跌倒與非跌倒數據對基于BP神經網絡的跌倒檢測模型進行訓練，將訓練好的網絡參數植入研制的跌倒檢測智能設備，即可實驗跌倒檢測。

3 實驗驗證

研制的跌倒檢測智能設備實物圖及佩戴方式如圖7所示。

圖7 跌倒檢測設備實物

為檢驗算法在實際使用中效果，選擇9名自愿者參與驗證實驗，驗證結果如表1所示。總測試驗證數據共990次，正確檢測964次，正確率為97.37 %。其中，跌倒類測試450次，正確檢測444次，正確率為98.67 %；非跌倒類測試540次，正確檢測520次，正確率為96.30 %。

表1 驗證結果

類別指標測試次數正確檢測次數正確率/% 跌倒類45044498．67 非跌倒類54052096．30 合計99096497．37

從驗證結果可以看出：采用基于BP神經網絡的跌倒檢測算法能有效地區分跌倒與非跌倒，提高了跌倒檢測的正確率。

將基于BP神經網絡的跌倒檢測算法與其他跌倒檢測算法的檢測結果比較如表2所示。

表2 不同方法檢測結果比較

跌倒檢測算法正確率/% 基于加速度閾值檢測算法92．0 基于加速度和加速度微分閾值多級檢測算法96．0 基于加速度和傾角閾值檢測算法97．2 基于壓力的SVM檢測算法85．0 基于sEMG與足底壓力信號融合的檢測算法91．7 基于BP神經網絡的跌倒檢測算法97．4

從對比結果可以看出：基于BP神經網絡的跌倒檢測算法優于其他跌倒檢測算法，提高了跌倒檢測的正確率。

4 結 論

針對老年人跌倒檢測準確率不高的問題，本文設計了一種基于三軸加速度計的跌倒檢測智能設備；提出了一種基于BP神經網絡的跌倒檢測算法；并進行了實驗驗證。

驗證結果表明：基于BP神經網絡的跌倒檢測算法能有效地區分跌倒與非跌倒，其正確率高于加速度閾值檢測算法與其他算法，提高了跌倒檢測的正確率，為跌倒檢測的研究提供了一種新思路、新方法；目前，設計的跌倒檢測智能設備已投入生產，進入市場銷售。

[1] 石 婧,姚慧卿,陶永康,等.北京市社區老年人跌倒的發生率及干預效果評價[J].中國老年學雜志,2015,35(10):2792-2794.

[2] 程 添,楊思思,馮 蓉,等.基于雙目標定的獨居老人摔倒檢測算法[J].傳感器與微系統,2014,33(10):100-103.

[3] Li Y,Ho K C,Popescu M.Efficient source separation algorithms for acoustic fall detection using a microsoft kinect[J].IEEE Transactions on Bio-medical Engineering,2014,61(3):745-755.

[4] 李 冬,梁 山.基于加速度傳感器的老年人跌倒檢測裝置設計[J].傳感器與微系統,2008,27(9):85-88.

[5] 陳 煒,佟麗娜,宋全軍,等.基于慣性傳感器件的跌倒檢測系統設計[J].傳感器與微系統,2010,29(8):117-119.

[6] 胡云冰,童世華.一種便攜式智能跌倒檢測儀的設計與實現[J].自動化儀表,2015,36(2):84-87.

[7] 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.

[8] 朱 勇,張 研,宋 佳,等.基于傾角的跌倒檢測方法與系統研究[J].生物醫學工程學雜志,2013(1):95-99.

[9] 石 欣,熊慶宇,雷璐宇.基于壓力傳感器的跌倒檢測系統研究[J].儀器儀表學報,2010,31(3):715-720.

[10] 席旭剛,武 昊,左 靜,等.基于sEMG與足底壓力信號融合的跌倒檢測研究[J].儀器儀表學報,2015, 36(9):2044-2049.

[11] 姚 暢,錢盛友,侯周國.基于神經網絡的多傳感器火災預測數據處理[J].傳感器技術,2005,24(11):68-70.

[12] 陳 明.Matlab神經網絡原理與實例精解[M].北京:清華大學出版社,2012.

[13] Huang S,Yang Y,Liu W.An enhanced fall detection approach based on cost sensitivity analysis[C]∥ACIS International Symposium on Software and Network Engineering,IEEE,2011:81-85.

Design of wearable fall detection intelligent system*

CHEN Peng1, TU Ya-qing1, TONG Jun-ping2, ZHAO Yun-yong2

(1.Department of Military Logistics & Information Engineering,Logistical Engineering University,Chongqing 401311,China; 2.Chongqing Ruanhui Technology Co Ltd,Chongqing 400039,China)

In order to improve the detection correct rate of falls in elderly people,a wearable fall detection intelligent system is designed.Fall detection device based on three axis accelerometer is developed,and hardware and software design schemes are presented;fall detection algorithm based on back propagation(BP)neural network is proposed,parameters of network after training are implanted into wearable fall detection equipment to realize real-time fall detection.Experimental results show that the developed fall detection intelligent system can effectively distinguish between fall and non-fall,and the correct rate is 97.37 %.

fall detection; wearable device; acceleration sensor; back propagation(BP)neural network

10.13873/J.1000—9787(2017)02—0114—03

2016—09—26

國家自然科學基金資助項目(61271449,61302175)； 重慶市自然科學重點基金資助項目(CSTC2015jcyjBX0017)

TP 274

A

1000—9787(2017)02—0114—03

陳 鵬(1992-),男，碩士研究生，研究方向為智能測控理論與技術。