基于特征參數變化量的并行跌倒檢測算法

閆肅 肖明波

摘 要：針對目前跌倒檢測系統準確率低、應用場景單一等問題，提出一種基于特征參數變化量的跌倒檢測算法。該算法通過采集合加速度幅值的實時變化量，為人體運動劇烈程度提供更直觀準確的分析。由于運動過程中人體豎直方向相對于水平地面的角度隨步伐呈周期性變化，算法對走路和上下樓梯行為進行準確區分，通過實驗確定不同運動狀態下的報警閾值，大大提高了跌倒檢測準確率。系統采用Protothread模型實現并行檢測，在減小系統開銷條件下滿足實時多任務需求。實驗證明，改進后的跌倒檢測算法將準確度和特異性分別維持在98.4%和99.1%，在保證實時性和便攜性的同時能更有效地識別跌倒。

關鍵詞：Mpu6050;變化量;并行檢測;Arduino;跌倒檢測

DOI：10. 11907/rjdk. 181753

中圖分類號：TP312文獻標識碼：A文章編號：1672-7800（2019）001-0077-04

Abstract： Aiming at the shortcomings of the current fall detection system such as low accuracy and single application scenario， a fall detection algorithm based on the variation of feature parameters is proposed and the system parallel detection is realized. The algorithm provides a more intuitive and accurate analysis of the intensity of human motion by collecting the real-time variation of the combined acceleration amplitude. Due to the vertical direction of the human body to the horizontal ground changes periodically with the pace， the walking and going upstairs and downstairs can be accurately distinguished. Through a large number of experiments to determine the respective alarm threshold under different state of motion， the accuracy of the fall detection is greatly improved. The Protothread model is also adopted to meet the demand of real-time multitask under the condition of reducing the system overhead. The experiment shows that the improved fall detection algorithm maintains the accuracy and specificity of 98.4% and 99.1% respectively， and the system can identify the fall more effectively while ensuring the real time and portability.

0 引言

老年人及醫院內處于康復中的病人極易突發意外而跌倒[1]，而老年人骨質較疏松，若未及時得到專業救助，產生的后果無法估量。為幫助跌倒后當事人及時發出求救信息，科研人員研究了多種跌倒檢測裝置。

目前跌倒檢測裝置[2]分為基于視頻圖像[3]、基于環境[4]和基于可穿戴式設備3種跌倒檢測系統[5]。基于視頻圖像系統準確度較高，但限制在有攝像頭的室內使用，算法復雜度高、計算量巨大，不適合市場推廣普及;基于環境系統依靠聲學檢測判斷跌倒事件的發生，需要在檢測范圍內鋪設種類繁多的傳感器，不僅增加檢測成本，還將被檢測者的活動范圍局限在室內某些區域，給日常生活帶來很多不便?；趹T性運動傳感器的跌倒檢測系統在滿足實時性基礎上，擺脫了外界環境的限制，便于隨身攜帶且成本較低，成為現代跌倒檢測系統的研究熱點之一。

本文采用基于可穿戴式設備的跌倒檢測系統，通過慣性運動傳感器[6]采集人體實時運動數據，輸出每一時刻三軸合加速度幅值變化量表征運動劇烈程度;通過分析人體軀干方向相對于水平地面角度隨步伐的周期性變化，區分走路和上下樓梯的不同運動狀態;通過實驗確定不同運動狀態下的危險報警值，使系統滿足基本的應用場景;通過引入Protothread模型實現系統并行檢測[7]，滿足實時性多任務對系統的需求。

1 跌倒檢測原理

1.1 采樣器及單片機

本文采用mpu6050[8]對人體運動數據進行采集。Mpu6050是一個6軸運動處理組件，包括3軸加速度計和3軸陀螺儀，可實時輸出每個采樣時刻X/Y/Z軸加速度值，陀螺儀測量3軸傾角（俯仰角、滾轉角、偏航角）。Mpu6050輸出經過內部ADC轉換，以LSB為計量單位，默認量程設置為2g，靈敏度對應16384LSB/g。Mpu6050在使用前需多次采樣求取平均值進行校準，避免累積誤差產生。

Arduino[9]為可自主進行設計的單片機智能控制器。本文采用Arduino Nano控制板[10]，采用Mini-B標準的USB接口連接電腦，控制器采用ATmega328（Nano3.0），在保證處理能力的同時大大縮小體積（1.854*4.318cm），為后續電路集成開發提供便捷。Arduino有兩種軟件，一是和硬件同名的Arduino程序開發工具軟件[11]，二是燒寫在微處理器內部的bootloader（引導程序）。在程序編譯完成后，通過USB線可直接將程序傳入Arduino控制板。

1.2 跌倒過程分析

跌倒是異于日常行為（Activities Of Daily Living）的一種狀態，本文對生活中常見的運動模式進行分類。首先是最基本的跌倒和非跌倒，其次區分在非跌倒狀態下進行的日常走路和上下樓梯。相關研究[12]結果表明：腰部的運動可較理想地反映人體軀干運動狀態，活動范圍小且容易測量。因此，本研究將跌倒檢測裝置佩戴在腰部。與走路、站立、跑步、坐下、躺下、上下樓梯等日常行為相比，跌倒時人體相對于豎直方向的角度有90°左右的變化過程，同時，人體合加速度也會發生變化。因此，通過對此特征值進行分析比較可區分跌倒和其它日常行為的差別。

合加速度幅值的變化劇烈程度，對應體現人體所受外力變化情況，因此其變化量可更直觀地體現人體運動變化情況。通過實驗可知，走路、上下樓梯和跌倒3種狀態下，變化量存在規律性。因此，將實時測量的合加速度幅值變化量與安全閾值進行比較，是判斷跌倒是否發生的重要依據。

2 特征值提取

首先根據加速度計原理建立簡化模型，如圖1所示。

向量R代表加速度計的質量模所受力的矢量，Rx、Ry、Rz分別是R在X、Y、Z三軸上的投影。R與Rx、Ry、Rz滿足如下關系：

2.1 合加速度幅值

合加速度的峰值[13]（AM）是三軸加速度平方和的最大值，表示在測量過程中人體受力最劇烈時的加速度大小。數據測量過程中，AM值越大，表明此刻人體受力越劇烈，可通過與跌倒的數值比較作為判定跌倒是否發生的依據之一。

2.2 角度值

Mpu6050測量值可通過計算得出人體相對于豎直方向的角度[14]，用來描述人體軀干的角度變化情況。走路等日常運動狀態情況下，人體相對于豎直方向的角度接近于0°，一旦發生跌倒，[θ]會從0變化到90°左右，此變化過程可以量化，因此分析角度變化可作為跌倒是否發生的判斷依據之一，計算公式如下：

3 并行檢測跌倒算法

3.1 合加速度變化量

本文算法將測量特征值改為mpu6050，實時輸出相對于上一采樣時刻AM變化量（*AM），再結合角度變化綜合分析，以判斷跌倒是否發生。在上下樓梯時若發生跌倒，與走路時存在差異，最后靜止狀態是趴或躺在樓梯上，此過程角度變化存在低于90°情況，而*AM小于走路時跌倒的狀況，若仍按走路時的安全閾值進行判斷，則存在較大誤判可能，因此本文針對走路和上下樓梯的不同特點設置不同的閾值，以提高算法的準確度和特異性，減少在樓梯上發生跌倒后造成更大傷害的可能性。

3.2 并行檢測

在單片機應用中，如果多任務需要實時調度[16]，會大大增加系統開銷。在跌倒檢測系統中，單片機除了實時進行數據接收、濾波[17]、分析及處理和跌倒后發送報警信息外，還要在誤判及取消報警后及時恢復檢測狀態，這些過程實時性要求不高，傳統的按照順序執行任務的方式不能滿足系統需求，若由實時操作系統進行任務中斷和切換又需要占用相當數量的Flash空間和RAM空間。本文采取的解決方案是引入Protothread模型[18]，優先執行實時任務，達到滿足系統實時性要求。Protothread模型專為資源有限的系統設計，耗費資源少且不使用堆棧線程， C語言即可實現，無硬件依賴性，每個Protothread僅需2個額外的字節，在有無操作系統場合均可應用且支持阻塞操作[19]且沒有棧的切換。

使用Protothread實現多任務最主要的特點在于其輕量級。每個Protothread不需要擁有自己的堆棧，所有的Protothread共享同一個堆?？臻g，這一點尤其適合應用在RAM資源有限的系統中。相對于操作系統下的多任務而言，每個任務都有自己的堆棧空間，消耗了大量的RAM資源，而每個Protothread僅使用一個整型值保存當前狀態。

3.3 算法流程

本文算法流程如圖5所示。

4 實驗結果與分析

為了驗證本文提出算法的可行性和準確性，特邀請8名健康志愿者（3男5女）進行重復性實驗。實驗場所分別選在寢室和教學樓，實驗人員分別進行走路、站立坐下、上下樓、躺下等日常行為，并模擬跌倒動作：前后跌倒和左右跌倒。表1收集并總結了日常行為與發生跌倒時特征值的數據對比。算法正確率是跌倒后被正確檢測并報警的比例，特異性指準確區分不同日常行為活動的比例。本次實驗共采集200組日常行為數據、100組跌倒數據與經典閾值算法進行對比，結果如表1所示。

5 結語

本文通過測量人體實時合加速度幅值變化量及人體豎直方向相對于水平地面的角度變化兩個特征值，分析角度特征值隨人體運動步伐呈現的周期性變化特點，準確區分走路及上下樓梯等日常行為，并通過模仿實驗確定不同狀態下的危險閾值，在經典閾值算法基礎上提出了基于特征參數變化量的并行檢測跌倒算法。結合慣性運動傳感器及單片機arduino實現跌倒檢測，克服了普通系統體積大、不易攜帶、算法復雜度高、成本高、難以推廣普及等缺點，在保證實時性和便攜性基礎上有效提高了系統準確度和特異性。通過引入Protothread模型，在降低系統開銷條件下滿足實時多任務需求，算法簡便易實現，功耗和成本低，滿足了智能醫療需求。

參考文獻：

[1] 李新輝， 陳麗麗. 老年人跌倒危險因素及預防研究進展[J]. 全科護理， 2008， 6（31）：2829-2831.

[2] 鄭娛，鮑楠，徐禮勝，等. 跌倒檢測系統的研究進展[J]. 中國醫學物理學雜志，2014 （4）：5071-5076.

[3] VAIDEHI V， GANAPATHY K， MOHAN K， et al. Video based automatic fall detection in indoor environment[C].IEEE International Conference on Recent Trends in Information Technology，2011：1016-1020.

[4] LITVAK D， ZIGEL Y， GANNOT I. Fall detection of elderly through floor vibrations and sound.[C].? International Comgerence of the IEEE Engineering in Medicine and Biology Society， 2008：4632-4635.

[5] 王榮揚， 陸波， 何彥虎，等. 一種可穿戴式無線實時跌倒檢測裝置設計[C]. 核磁共振技術及應用研討會，2014.

[6] 王莉， 趙艷陽， 劉雪峰，等. 基于慣性傳感器的跌倒檢測技術研究進展[J]. 科學技術與工程， 2017， 17（32）：205-213.

[7] 肖明清， 夏銳. 并行測試技術的現狀及其發展趨勢[C].全國測試與故障診斷技術研討會，2006.

[8] 劉楚紅. 基于FSR和陀螺儀的人體姿態檢測及行走趨勢分析[D]. 沈陽：沈陽工業大學， 2015.

[9] 巴雷特， 潘鑫磊. Arduino高級開發權威指南[M]. 北京：機械工業出版社， 2014.

[10] 趙英杰. Arduino互動設計入門 [M].北京： 科學出版社，2014.

[11] BARBON G，MARGOLIS M，PALUMBO F，et al. Taking arduino to the internet of things： the ASIP programming model[J]. Computer Communications，2016（4）：89-90.

[12] KANGAS M， KONTTILA A， WINBLAD I， et al. Determination of simple thresholds for accelerometry-based parameters for fall detection[C].? International Conference of the IEEE Engineering in Medicine & Biology Society， 2007：1367.

[13] TARALDSEN KRISTIN F M，SEBASTIEN C， RIPHAGEN I I. Physical activity monitoring by use of accelerometer-based body-worn sensors in older adults： A Systematic Literature? Review of Current Knowledge andApplications[J]. Maturitas，2012，71（1）：13-19.

[14] 陳瑋，周晴，曹桂濤. 基于SVM和閾值分析法的摔倒檢測系統[J]. 計算機應用與軟件， 2017， 34（7）：182-187.

[15] MAARIT KANGAS， ANTTI KONTTILA. Comparison of low-complexity fall detection algorithms for body attached accelerometers [J]. Gait & Posture， 2008， 28（2）： 285-291.

[16] 耿曉中. 基于多核分布式環境下的任務調度關鍵技術研究[D].長春：吉林大學，2013.

[17] 李坤， 姜萍萍，顏國正. 基于多傳感器數據融合的跌倒檢測算法[J]. 北京生物醫學工程， 2016， 35（5）：483-488.

[18] NOH Y D. Computational algorithm for an m -stage open tandem queue with blocking and feedback operation[J]. Computers & Industrial Engineering，1997，32（2）：124-132.

[19] 冉全. 單片機中基于多線程機制的實時多任務研究[J]. 微型機與應用， 2003， 22（8）：13-15.

[20] SHIBUYA N， NUKALA B T， RODRIGUEZ A I， et al. A real-time fall detection system using a wearable gait analysis sensor and a Support Vector Machine （SVM） classifier[C]. 2015? （ICMU） IEEE Eighth International Conference on Mobile Computing and Ubiquitous Networking.? 2015：66-67.

[21] 麻文剛， 王小鵬， 吳作鵬. 基于人體姿態的P SO-SVM特征向量跌倒檢測方法[J]. 傳感技術學報， 2017， 30（10）：1504-1511.

（責任編輯：杜能鋼）