基于多傳感器融合的跌倒檢測研究綜述

劉瑞佳，周怡

（四川大學計算機學院，成都610065）

0 引言

隨著全球老齡化浪潮的到來，我國許多城市已經進入老齡化社會結構。全國出臺的《老年人跌倒干預技術指南》[1]提到了，對于65歲及以上的老年人，跌倒是其傷害死亡的首要原因。然而，老年人的跌倒往往不是一種意外，是可以預防和控制的，準確的跌倒檢測算法則可以大幅度降低老人摔倒的概率。

目前有許多研究人員使用多傳感器融合技術來監測人體的運動情況，該技術能及時獲取多向運動數據信息。基于該技術，研究人員采用不同的算法思想，對跌倒行為進行研究與檢測實驗。

本文將該領域的主要研究按照算法思想分為兩個方向：基于閾值分析的跌倒檢測研究與基于機器學習分類的跌倒檢測研究。同時本文還對近年提出的兩類跌倒檢測算法進行技術原理的歸納和總結，對兩類算法的優勢與局限性進行了解釋說明，并在此基礎之上提出了對未來跌倒檢測領域的研究趨勢和對需要攻克的難點問題的預測。

1 多傳感器融合技術

近年來眾多關于跌倒檢測的研究都依賴于多傳感器融合技術。多傳感器融合技術通過多個傳感器單元來實現信息獲取，最后將采集到的信息進行整合分析[2]。避免了傳統單傳感器的弊端，多傳感器在信息處理和估計方面更加全面。在研究中，采集到的人體“跌倒”數據越全面、準確，最終的跌倒判斷就會越可靠、穩健。

研究中較為常用的傳感器主要是三軸加速度傳感器和三軸振動式角速度傳感器（即陀螺儀）。在不同的跌倒檢測研究中，研究人員會對這兩種傳感器有一些取舍和改進。這些傳感器在經過簡單的可穿戴改造后，即可用于測量穿戴者運動時在X軸、Y軸和Z軸方向上的加速度和角速度。在跌倒檢測研究中MEMS傳感器MPU6050得到了廣泛的應用，該傳感器集成了三軸MEMS加速度測量與三軸MEMS角速度測量功能。MEMS加速度傳感器所測量的加速度可用于計算載體的速度、位移信息；MEMS三軸角速度傳感器的關鍵性能指標包括靈敏度、動態范圍等[3]。除此之外，其他可靠性高、靈敏性高、易于集成的微型傳感器在跌倒檢測中也十分流行。例如意法半導體LIS3DSH[4]、L3GD20[5]和博世半導體BMA250，分別可以用于檢測人體運動時的三軸加速度、三軸角速度和三軸線性加速度。使用多傳感器融合技術可以有效地記錄人體在行動過程中實時姿態的變化，許多微型傳感器既便攜性好、不受環境的限制，又價格低廉、可以有效降低成本。

2 基于多傳感器融合的兩類跌倒檢測研究

2.1 基于閾值分析的跌倒檢測研究

基于閾值分析的跌倒檢測主要處理流程包括設置一個或多個閾值來判斷是否出現跌倒行為，傳感器接收的數據信號若突破了預設的閾值，則判斷為跌倒。依賴于傳感器收集到的信息，大多數研究通過設置合加速度ar與合角速度ωr的閾值來進行研究測驗，袁銘[6]提出了一個較為基礎、普遍的閾值設置方法，檢驗在一段時間內，傳感器采集到的合加速度或合角速度之間的極差adiff或ωdiff，則有：

若adiff≥ar或者ωdiff≥ωr，則突破預設閾值，發生跌倒；若adiff≤ar或者ωdiff≤ωr，則未突破預設閾值，未發生跌倒。類似地，也可以使用合加速度和合角速度的變化率來判斷。

李京慧等人[7]提出了在合加速度閾值與姿態角閾值的基礎之上加入了時間閾值，研究人員采用了ADXL345三軸加速度傳感器采集數據，采用ATKNEO-6M高性能GPS實現全球定位。通過合加速度閾值合時間閾值來檢測失重、撞擊、靜止三個過程是否按順序發生；通過設定的姿態角閾值來判斷人體動作是否還處于正常范圍之內。研究人員預設的失重-撞擊時間間隔閾值為0.5s，靜止持續時間閾值為2s，傾斜角閾值為45°。由于人體從站立變為跌倒時，重心會瞬間下移，極短時間內合加速度會小于重力加速度g，人體與地面的夾角會近似為0°。而人體跌倒時，失重、撞擊、靜止這三個狀態之間切換時間間隔具有有限性。故研究將時間閾值、合加速度閾值、姿態角閾值三者結合起來，可以有效提高判斷的準確率。最終模型對跌倒檢測判斷的準確率達到了97%，且檢測系統相當穩定。

秦昉等人[8]提出了一種著重區分跌倒狀態和人體日常生活活動的算法。研究數據采集單元采用微型MMA7260Q加速度傳感器獲取三軸加速度，使用MB95770與傳感器直接對接。研究人員考慮到人體活動情況存在多變性，某些相似行為發生后會產生相似的加速度，故引入參數傾斜角TA來加以區分，同時還能減少裝置佩戴不正時加速度傳感器坐標變化引起的誤差。在實驗中，彎腰和快速坐下后站起的沖量較小，檢測結果顯示為未發生跌倒；跑動的加速度信號波動明顯，但范圍小，檢測結果也為未發生跌倒。最終檢測模型的平均準確率為94%，正常行為被正常識別的特異度為98%，判斷精度較高且具有實時性。

肖巍[9]針對傳統跌倒檢測研究無法在人體跌倒第一時間及時檢測的問題，構建了智能視覺下的人體跌倒檢測方法。首先依據智能視覺分析技術判斷跌倒行為，通過分析跌倒前后的波形特點，來區分跌倒過程的不同階段，以此可以解析跌倒行為的全過程。采用加速度傳感器獲取人體動作的慣性特征，在全過程的基礎上對人體跌倒進行判斷。研究中采用Karhunen-Loeve Transform方法選取合理特征量，通過該方法，實驗的變化方法不會受到模式分布的限制。最終檢測模型的準確率達到了97%，檢測時間僅為0.3s，遠低于其他檢測方法，實際應用價值較高。

基于閾值分析的跌倒檢測，其研究原理更容易理解。并且在采集到同樣的數據后，閾值分析的計算量較小、響應速度快，在現實老人跌倒的緊急情況下其更有實用價值。

2.2 基于機器學習分類的跌倒檢測研究

對于基于機器學習分類的跌倒檢測方法，在獲得原始傳感器數據后，通常需要經過濾波去噪、特征向量提取和機器學習分類這三個數據處理流程，才能獲得關于被測人員是否跌倒的判斷。原始數據中包含了大量的隨機噪聲與脈沖噪聲，若未經處理直接應用，會嚴重干擾判斷，故而必須預處理剔除。預處理后的數據按照一定的設計組合成為特征向量，以作為分類器的輸入。在跌倒樣本與非跌倒樣本之間，好的特征向量會表現出明顯的數值差異，有利于降低分類器計算量，提高分類準確率。在對特征向量的設計不同的情況下，研究人員需要比較分析選擇最合適的機器學習分類器，以最大程度地獲得高準確率、低漏判率和低誤判率。

呂艷等人[10]采用Infinite Impulse Response（IIR）濾波器進行數據預處理，由于各個傳感器的測量單位不同，數據特征之間的數值差距較大，為了方便輸入后續分類器，該文獻還利用了Z-Score標準化方法對濾波后的數據再次處理。處理后得到9組特征數據，分別是三軸加速度、三軸角速度和三軸線性加速度，將長度為300的源數據每33組以平均值替代，處理得到的9×9的矩陣即為研究的特征向量，預備輸入BP卷積神經網絡進行分類。最終的神經網絡結構包括輸入層、卷積層1、池化層1、卷積層2、池化層2和全連接層。在模型訓練過程中采用Adam優化算法，在卷積和池化操作中引入Padding方法，并在全連接層之后使用損失函數衡量模型效果、定義優化目標。最終模型的跌倒判斷準確率達到了99.2%，在特征向量不變的情況下，卷積神經網絡分類器的效果優于AdaBoost模型與隨機森林模型。

裴利然等人[11]采用兩級濾波進行噪聲去除，第一級是窗口寬度為5的中值濾波，第二級是窗口寬度為7的均值濾波。預處理后得到的數據包括三軸加速度、繞Y軸的姿態角pitch和繞X軸的姿態角roll。基于長度為N的源數據，文獻設計提取了5個特征值：合加速度SVA、動態合加速度SVD、Z軸方向的加速度分量BVA、窗口寬度為l的BVA、變化量K和窗口寬度為w的姿態角變化量M。將這五個特征值按序排列即為本方法的特征向量，預備輸入SVM分類器進行分類。在確定RBF為SVM分類器的核函數后，再利用PSO算法以做出最優參數選擇。經實驗，在跌倒與簡單日常活動之間，PSO-SVM算法獲得的最優參數為C=0.62，g=37.4，此時分類準確率達到100%；跌倒和類跌倒日常活動之間，PSO-SVM算法獲得的最優參數為C=0.57，g=88.9，此時分類準確率達到88.9%。

谷志瑜等人[12]采用三項均值濾波器進行降噪處理，預處理后得到的數據包括三軸上加速度和角速度。研究中特征向量由三項內容組合而成：自回歸模型系數a、信號幅度SMA和傾斜角度TA。自回歸模型是一種可用于預測的線性回歸模型，故而其模型系數可用于表示源數據各數據項的變化趨勢。自回歸模型的數學表達式為：

其中a(i)即為所利用的AR模型系數。一定長度內的數據信號幅度SMA可以良好地區別靜態活動與動態活動。傾斜角度TA由一定時間窗內的角速度值求積分得到。自回歸模型系數a共9項，信號幅度SMA共3項，傾斜角度TA共3項，順序排列即為15×1的特征向量，預備輸入BP神經網絡。BP神經網絡的輸出層包含兩個神經元分別對應跌倒與非跌倒的比值。實驗證明該跌倒檢測研究的準確率高達98.97%。

基于機器學習分類的跌倒檢測發展較為迅速，不同的研究人員基于機器學習算法設計了不同的研究，普遍取得了較高的準確率。

3 研究思考

針對近年跌倒檢測領域的各類研究，本文綜合了較為流行的閾值分析法和機器學習分類法，并對二者的發展趨勢做出了科學合理的展望。

基于機器學習分類的跌倒檢測方法將會成為未來該領域的研究熱點。在跌倒檢測中，機器學習分類算法展現出了強大的靈敏度和準確度，且對外界配置的依賴程度更小，更為靈活可變，研究人員易于在過往的算法上直接進行改進、優化。而閾值分析法雖然原理簡單、計算量小，但發展受限較大：該方向的研究都大多依賴于合加速度、合角速度與姿態角的直接組合，可以說，傳感器的種類和安裝位置很大程度上已經決定了該方向的檢測水平。而且在設定閾值時，要求科研人員有較高水平的人體運動學知識，對研究人員的研究門檻限制較大。未來使用機器學習分類法對跌倒檢測進行研究時，應在保障一定跌倒判斷準確率的基礎上，更注重實時性和計算成本。

兩類跌倒檢測算法將會結合更多的實際應用背景。首先目前跌倒檢測研究的數據多源于實驗室，是傳感器正確佩戴、測試人員人為跌倒的結果，數據信息采集過程極為理想化，脫離實驗室環境后難以落地部署。其次當下研究人員鮮少考量到人體日常活動與跌倒之間較為模糊的狀態，例如快速蹲下和快速躺下，這類動作既可能來源于人體正常日常活動，也可能來自于跌倒過程，但大部分研究都人為得將其直接歸類為“跌倒”或“未跌倒”。人體的運動行為是較為復雜和隨機的，只針對部分特征向量來實驗，會導致出現大量漏報、誤報的情況。在現實生活中，漏報會給老人的生命安全帶來嚴重影響，而誤報則會產生不必要的人力、時間資源的浪費。所以未來研究人員應該注重算法在現實老年人跌倒場景下的泛化能力，可以在不同危急情況下得到準確的結果。

4 結語

目前針對跌倒檢測的各類研究已經取得許多成果，通過對該領域的文獻進行整理，將其分為基于閾值分析法和基于機器學習分類的跌倒檢測算法。然而這兩類算法發展尚不成熟，無法直接在現實生活中部署。其中閾值分析法雖然計算量小、響應快，但準確率受到諸多外界因素的影響，難以突破。機器學習算法是未來的研究熱點，其準確率高、靈活度大，但面臨算著魯棒性低、泛化能力較弱的問題，需要進一步結合實際場景進行改進與優化。意外跌倒對老年人生命健康帶來極為惡劣的影響，這兩類跌倒檢測算法在完善后會應用于更復雜多變的實際生活中來保衛老年人的身體安全。