基于可穿戴慣性傳感器的跌倒預(yù)先識(shí)別方法*

余維維 姚 俊 牛同鋒 屈 純 高夢(mèng)婷

（1.湖北航天化學(xué)技術(shù)研究所 襄陽(yáng) 441003）（2.航天化學(xué)動(dòng)力技術(shù)重點(diǎn)實(shí)驗(yàn)室 襄陽(yáng) 441003）（3.湖北省應(yīng)急救生與安全防護(hù)重點(diǎn)實(shí)驗(yàn)室 襄陽(yáng) 441003）

1 引言

跌倒是老年人傷殘、失能和死亡的主要原因，且是65歲以上老人死亡的首因［1］。截止2018年末，我國(guó)60歲以上老年人口達(dá)24949萬(wàn)人，占總?cè)丝诘?7.9%［2］。為保障老人健康，針對(duì)老人，尤其是獨(dú)居老人，作跌倒安全防護(hù)成為迫切需求。

傳統(tǒng)的跌倒識(shí)別［3～5］是一種跌倒事后檢測(cè)，以自動(dòng)向監(jiān)護(hù)人報(bào)警為目的，雖可減少傷者送醫(yī)時(shí)間，但不能防止或減輕跌倒傷害。類似于車載安全氣囊，跌倒防護(hù)氣囊可在發(fā)生跌倒碰撞前預(yù)先識(shí)別，并通過(guò)氣體發(fā)生器快速產(chǎn)生氣體充滿氣囊，防止跌倒對(duì)老人髖關(guān)節(jié)和后腦造成嚴(yán)重傷害。慣性傳感器（加速度計(jì)和/或陀螺儀）體積小，價(jià)格便宜，對(duì)穿戴者影響小，適合應(yīng)用于穿戴式跌倒防護(hù)設(shè)備［6］。國(guó)內(nèi)外學(xué)者基于此提出了多種跌倒預(yù)先識(shí)別方法。Tamura［7］等通過(guò)直接設(shè)定傳感器輸出的加速度和角速度閾值實(shí)現(xiàn)跌倒預(yù)先識(shí)別和氣囊防護(hù)，但準(zhǔn)確率只有81.8%。為提高準(zhǔn)確率，更多研究者通過(guò)提取特征后再進(jìn)行識(shí)別。鐘志超［8］通過(guò)豎直方向的速度和位移特征設(shè)定閾值，取得了94.4%的準(zhǔn)確率，但在跳躍和下蹲時(shí)存在誤報(bào)；Ahn［9］等通過(guò)提取合加速度、合角速度、傾角等特征設(shè)置聯(lián)合閾值，取得了100%的敏感度，但特異度只有83.9%。Shi［10］等利用SVM二分類實(shí)現(xiàn)跌倒預(yù)先識(shí)別和氣囊防護(hù)系統(tǒng)的設(shè)計(jì)，但沒(méi)有考慮防護(hù)氣囊實(shí)際應(yīng)用時(shí)，跌倒方向的識(shí)別問(wèn)題。跌倒防護(hù)主要是針對(duì)側(cè)向和后向的跌倒，對(duì)于前向跌倒和日?；顒?dòng)，若氣囊展開(kāi)，會(huì)導(dǎo)致浪費(fèi)氣體發(fā)生器和給穿戴者造成不便等問(wèn)題，這嚴(yán)重影響產(chǎn)品的適用性，使其長(zhǎng)期停滯在實(shí)驗(yàn)研究階段。因此，識(shí)別跌倒方向和保證高準(zhǔn)確率對(duì)跌倒防護(hù)產(chǎn)品尤為重要。

針對(duì)閾值法預(yù)先識(shí)別跌倒準(zhǔn)確率不夠高，SVM二分類不能識(shí)別跌倒方向，難以滿足跌倒防護(hù)產(chǎn)品的適用性要求，本文提出一種結(jié)合閾值和SVM多分類的跌倒預(yù)先識(shí)別方法。

2 數(shù)據(jù)采集和特征提取

2.1 數(shù)據(jù)采集

跌倒數(shù)據(jù)采集系統(tǒng)主要由MEMS傳感器（ICM20689）、微控制器（STM32F410）、供電單元（3.7V鋰電池）和存儲(chǔ)單元組成。為獲取較穩(wěn)定的動(dòng)作數(shù)據(jù)，同時(shí)減少對(duì)人體活動(dòng)的影響，本文將數(shù)據(jù)采集模塊固定于志愿者的腰部。數(shù)據(jù)采集系統(tǒng)及載體坐標(biāo)系方向如圖1所示。

圖1 數(shù)據(jù)采集系統(tǒng)及載體坐標(biāo)系方向

傳感器ICM20689含加速度計(jì)、陀螺儀和DMP，加速度計(jì)輸出三軸加速度：ax，ay，az；陀螺儀輸出三軸角速度：wx，wy，wz；DMP輸出實(shí)時(shí)規(guī)范化四元數(shù)：q0，q1，q2，q3。采樣頻率為200Hz，根據(jù)數(shù)據(jù)幅值，加速度計(jì)和陀螺儀設(shè)定測(cè)量范圍：±4g（g=9.8m/s2），±250°/s。

因老人采集跌倒數(shù)據(jù)存在危險(xiǎn)性，由12名身體無(wú)平衡障礙疾病的志愿者模擬老人動(dòng)作采集，其中跌倒動(dòng)作的模擬是志愿者站立于易滑動(dòng)的工裝上，由輔助人員拉動(dòng)工裝使志愿者失衡跌倒在約20cm厚的護(hù)墊上。采集過(guò)程如圖2所示。

圖2 數(shù)據(jù)提取過(guò)程

樣本動(dòng)作類型及說(shuō)明如表1所示，累計(jì)獲得樣本375份，其中日常動(dòng)作231份，跌倒144份。

表1 動(dòng)作類型及說(shuō)明

2.2 特征提取

人體活動(dòng)的頻率基本不超過(guò)20Hz，98%的人體活動(dòng)頻率不會(huì)超過(guò)10Hz［11］。為降低噪聲信號(hào)干擾，在所有樣本數(shù)據(jù)采集完成后，通過(guò)截止頻率為8Hz的Butterworth濾波處理消除原始信號(hào)的高頻分量來(lái)平滑數(shù)據(jù)。

人體在跌倒前出現(xiàn)失重和傾斜是最明顯的特征。合加速度和合角速度可反映人體當(dāng)前活動(dòng)劇烈程度，姿態(tài)角可反映人體當(dāng)前活動(dòng)偏移正常姿態(tài)的程度。但人體轉(zhuǎn)彎時(shí)，wy的變化會(huì)對(duì)識(shí)別造成干擾，故只提取水平合角速度，姿態(tài)角只提取橫滾角（roll）和俯仰角（pitch）。

由于人體傳感器輸出的數(shù)據(jù)是基于載體坐標(biāo)系的，要獲得人體姿態(tài)角，需要經(jīng)姿態(tài)解算將載體坐標(biāo)系下的數(shù)據(jù)轉(zhuǎn)換到導(dǎo)航坐標(biāo)系下［12］。姿態(tài)轉(zhuǎn)換矩陣為

由姿態(tài)轉(zhuǎn)換矩陣，根據(jù)式（3）和式（4）可求得各時(shí)刻的姿態(tài)角，其中橫滾角還需根據(jù)表2取真值。

表2 橫滾角真值表

以部分日常動(dòng)作和跌倒動(dòng)作為代表，提取特征的數(shù)據(jù)曲線如圖3所示。圖3中跌倒和日常動(dòng)作曲線的特征變化差異明顯，說(shuō)明提取的特征用于跌倒預(yù)先識(shí)別有效。圖3（c）和3（d）不同方向跌倒動(dòng)作的姿態(tài)角變化明顯不同，說(shuō)明利用SVM多分類來(lái)識(shí)別跌倒方向可行。

圖3 部分動(dòng)作的特征曲線

3 方法

3.1 疑似跌倒預(yù)先識(shí)別方法

人體跌倒觸地前身體會(huì)有跌倒趨勢(shì)，提取的特征會(huì)達(dá)到某個(gè)閾值，而日常動(dòng)作通常只是部分特征值達(dá)到閾值，故可通過(guò)設(shè)置閾值初步預(yù)先識(shí)別跌倒和日常動(dòng)作。如圖3（a）坐下起立會(huì)出現(xiàn)類似跌倒的明顯失重（小于0.7g），但水平合角速度和傾角變化卻很??；圖3（b）彎腰階段的角度和角速度都比較類似前向跌倒，但合加速度沒(méi)有明顯失重（小于0.7g）。根據(jù)跌倒觸地碰撞前的特征變化范圍和日常動(dòng)作的特征變化范圍，本文設(shè)置的特征閾值如表3所示。

表3 疑似跌倒檢測(cè)設(shè)定的閾值

樣本通過(guò)閾值檢測(cè)的條件如下：

1）合加速度小于閾值：a(t)

2）水平合角速度大于閾值：w(t)>Wth；

若樣本在某時(shí)刻同時(shí)滿足三個(gè)閾值條件，則判定為疑似跌倒。

跌倒防護(hù)產(chǎn)品最重要的是不會(huì)漏報(bào)跌倒，為保證所有的跌倒動(dòng)作通過(guò)檢測(cè)，表3設(shè)置的閾值偏低，會(huì)導(dǎo)致誤報(bào)率上升，需通過(guò)SVM分類器進(jìn)行復(fù)檢。

3.2 跌倒預(yù)先識(shí)別復(fù)檢方法

3.2.1 構(gòu)建SVM分類特征向量

為提升預(yù)先識(shí)別準(zhǔn)確率，通過(guò)定長(zhǎng)時(shí)間窗提取連續(xù)數(shù)據(jù)流構(gòu)建分類特征向量用于SVM分類。窗口長(zhǎng)度會(huì)直接影響算法識(shí)別性能，而前置時(shí)間決定了防護(hù)氣囊能否在跌倒碰撞前充氣展開(kāi)，Aziz［13］等具體研究了窗口長(zhǎng)度和前置時(shí)間對(duì)SVM方法預(yù)先識(shí)別跌倒的影響效果。本文預(yù)定的前置時(shí)間為200ms～300ms，根據(jù)文獻(xiàn)［13］的研究結(jié)果取窗口長(zhǎng)度0.2s，對(duì)訓(xùn)練集的跌倒樣本根據(jù)前置時(shí)間取失重段的數(shù)據(jù)流構(gòu)建分類特征向量，如圖4所示。日常動(dòng)作樣本不存在前置時(shí)間，則以同樣長(zhǎng)度的時(shí)間窗提取其類似跌倒過(guò)程的數(shù)據(jù)流構(gòu)建分類特征向量，目的是通過(guò)易導(dǎo)致誤報(bào)的數(shù)據(jù)來(lái)訓(xùn)練分類器，降低誤報(bào)率。

時(shí)間窗口數(shù)據(jù)記為[Fi-n+1，…，F(xiàn)i-1，F(xiàn)i]，式中Fi為第i次采樣的特征值。對(duì)窗口內(nèi)的合加速度、水平合角速度、橫滾角、俯仰角分別求均值、范圍、方差，構(gòu)建樣本的分類特征向量[x1，…，x12]。

將構(gòu)建的分類特征向量根據(jù)樣本類別手動(dòng)添加標(biāo)簽：日常動(dòng)作為｛-1｝，前、后、左、右方向跌倒分別為｛0，1，2，3｝，用于后續(xù)SVM分類器的訓(xùn)練及測(cè)試結(jié)果的正確率統(tǒng)計(jì)。

3.2.2 構(gòu)建SVM多分類器

跌倒樣本是非線性可分的，設(shè)有兩類訓(xùn)練樣本集：(xi，yi)，式中xi為樣本特征向量，yi∈{+1，-1}，i=1，…，l，l為樣本個(gè)數(shù)。SVM處理非線性二分類問(wèn)題主要原理［14］簡(jiǎn)述如下：通過(guò)核函數(shù)K(xi，xj)將輸入的特征向量映射到高維空間，并求解最優(yōu)分類超平面使不同樣本分類間隔最大化。最優(yōu)分類面的求解，可歸為求解優(yōu)化問(wèn)題：

將預(yù)處理后的樣本特征向量代入決策函數(shù)計(jì)算，即可獲得樣本預(yù)測(cè)類別。但以上SVM二分類僅可識(shí)別跌倒和日常動(dòng)作，不能實(shí)現(xiàn)多分類，通過(guò)“一對(duì)一”方式構(gòu)造SVM多分類器，并采用“最多獲勝投票法”（Max-Wins Voting）給出最終決策值。算法原理圖如圖5。

3.2.3 SVM多分類器參數(shù)尋優(yōu)

碧流河水庫(kù)配有主空氣壓縮機(jī)2臺(tái)，其中一臺(tái)作為備用；副空氣壓縮機(jī)1臺(tái)，其工作狀態(tài)為間歇式，即在主空氣壓縮機(jī)停止輸氣時(shí)，由副空氣壓縮機(jī)（氣泵）向管內(nèi)補(bǔ)充氣壓，使系統(tǒng)內(nèi)氣壓保持在0.01～0.05 MPa之間，確保管路系統(tǒng)始終處于有壓狀態(tài)，以防止管內(nèi)產(chǎn)生冰阻現(xiàn)象。還需設(shè)置儲(chǔ)氣罐1個(gè)，起到緩沖氣壓作用；氣液分離器1個(gè)，起到凈化空氣作用。

SVM分類的效果主要決定于懲罰因子C和核函數(shù)參數(shù)γ［15］。然而隨機(jī)參數(shù)值不能保證SVM的識(shí)別效果，采用網(wǎng)格搜索再交叉驗(yàn)證的方法對(duì)參數(shù)C和γ進(jìn)行尋優(yōu)。具體步驟如下。

1）選取訓(xùn)練集：將預(yù)處理后的各類跌倒動(dòng)作和日常動(dòng)作樣本分別取50%用于訓(xùn)練。

2）設(shè)置參數(shù)的搜索范圍和步長(zhǎng)。范圍設(shè)置：C∈[2-10，210]，γ∈[2-10，210]；步 長(zhǎng) 設(shè) 置：C_step=0.4，γ_step=0.4。

3）對(duì)訓(xùn)練集采用5重交叉驗(yàn)證，并計(jì)算分類正確率，求得最高分類準(zhǔn)確率對(duì)應(yīng)的參數(shù)對(duì)[Cbest，γbest]，并將其作為SVM多分類器的參數(shù)，用于測(cè)試集樣本。

3.3 小結(jié)

本文預(yù)先識(shí)別方法的流程如圖6所示，先對(duì)樣本數(shù)據(jù)濾波并提取特征，若樣本通過(guò)閾值檢測(cè)被判定疑似跌倒，則從該時(shí)刻開(kāi)始，調(diào)用已訓(xùn)練的SVM多分類器對(duì)樣本進(jìn)行復(fù)檢，降低誤報(bào)并識(shí)別跌倒方向。并且疑似跌倒時(shí)才調(diào)用SVM算法，避免了不間斷地調(diào)用滑動(dòng)窗口進(jìn)行運(yùn)算，可降低單片機(jī)功耗。

圖6 預(yù)先識(shí)別方法流程圖

跌倒防護(hù)系統(tǒng)根據(jù)預(yù)測(cè)的樣本類別（SVM輸出的決策值：-1，0，1，2，3）作相應(yīng)反饋，實(shí)現(xiàn)側(cè)向和后向跌倒才觸發(fā)氣囊，前向跌倒僅發(fā)出報(bào)警，提升跌倒防護(hù)產(chǎn)品適用性。

4 結(jié)果及討論

為了驗(yàn)證方法的有效性，取訓(xùn)練SVM分類器余下的50%樣本（72個(gè)跌倒和115個(gè)非跌倒）用于測(cè)試實(shí)驗(yàn)。測(cè)試集樣本的識(shí)別結(jié)果如圖7所示。

圖7 測(cè)試集識(shí)別結(jié)果

前置時(shí)間統(tǒng)計(jì)結(jié)果（不含被誤報(bào)的兩個(gè)非跌倒樣本數(shù)據(jù)）如表4所示。

表4 各類型跌倒識(shí)別的前置時(shí)間

為量化評(píng)價(jià)算法的識(shí)別效果，引入準(zhǔn)確率（AC）、敏感度（SE）和特異度（SP）作為評(píng)估標(biāo)準(zhǔn)［9］。

式中：TP表示跌倒被正確識(shí)別，F(xiàn)N表示跌倒被誤判，TN表示日常動(dòng)作被正確識(shí)別，F(xiàn)P表示日常動(dòng)作被誤判。根據(jù)測(cè)試集識(shí)別結(jié)果按式（8）計(jì)算評(píng)估標(biāo)準(zhǔn)，并和相關(guān)文獻(xiàn)的方法比較，結(jié)果如表5。

表5 本文和相關(guān)文獻(xiàn)方法性能比較

根據(jù)測(cè)試結(jié)果，通過(guò)分析和對(duì)比可以發(fā)現(xiàn)：從圖7可看出測(cè)試集中所有跌倒樣本及13個(gè)非跌倒樣本通過(guò)了疑似跌倒檢測(cè)，說(shuō)明設(shè)置的閾值可保證對(duì)跌倒行為無(wú)漏報(bào)，但存在較高誤報(bào)。SVM多分類對(duì)誤報(bào)的13個(gè)日常樣本修正了11個(gè)，僅剩兩個(gè)樣本仍被誤判為前向跌倒，說(shuō)明二級(jí)檢測(cè)可有效降低誤報(bào)。SVM多分類對(duì)跌倒動(dòng)作沒(méi)有誤判，說(shuō)明該方法對(duì)跌倒動(dòng)作及其方向的判別有效。從表5來(lái)看，相較于文獻(xiàn)［8］和文獻(xiàn)［9］方法，本文在準(zhǔn)確率和特異度上都有明顯提升，降低了誤報(bào)率，但前置時(shí)間分別延遲了108ms和171ms；常溫狀態(tài)下，目前的氣體發(fā)生器技術(shù)在120ms左右即可充滿容積10L的防護(hù)氣囊，方法平均前置時(shí)間為256ms，實(shí)時(shí)性可以滿足要求。

5 結(jié)語(yǔ)

實(shí)驗(yàn)結(jié)果證明：本文方法可提前256ms較準(zhǔn)確地識(shí)別跌倒行為及其方向。該方法兼具跌倒方向識(shí)別、高準(zhǔn)確率和低功耗的特點(diǎn)，可提升跌倒防護(hù)產(chǎn)品的適用性，具有較好的應(yīng)用前景。接下來(lái)的工作是將方法移植到嵌入式系統(tǒng)，結(jié)合快速充氣、防護(hù)氣囊等模塊實(shí)現(xiàn)跌倒預(yù)先識(shí)別和防護(hù)。