基于5G無線定位技術的老年人摔跌監控研究和應用

陳鳳蓮 盧旭文

廣東南方電信規劃咨詢設計院有限公司

0 引言

近年來，我國老年人口在總人口中所占的比例不斷上升，老齡化程度加深，老年人的健康和安全日益成為很多家庭贍養老人面臨的問題。老年人視力下降，骨質疏松，平衡協調能力較差，稍有不慎就會摔跌，摔跌后如無法及時得到救助就會造成嚴重后果。研究表明，每年有約30%~40%的65歲以上老人至少跌倒一次，老年人跌倒死亡率隨年齡的增大而上升。因此，實時掌握老年人的定位信息，并基于定位信息進行防摔技術的研究和預測就顯得格外重要。

本研究基于5G無線定位信息分析研究老年人正常活動與摔跌的狀態和相關特征參數，及時回傳至云端并根據判斷結果及時發出告警和求助信息，同時根據相關特征參數進一步預測老年人摔跌的概率和可能性，提升老年人生活的安全感，同時減少親人們的擔憂。

1 5G無線定位

1.1 5G無線定位原理

5G R16引入了新的定位參考信號（PRS），采用了多種定位技術來合力提升定位精度。同時，由于5G時代超密集網絡增加了參考點的數量和多樣性，Massive MIMO多波束可讓AoA估計更精確，更低的網絡時延可提升基于時間測量的精度，這些優勢進一步提升了5G定位能力。

無線定位是指通過無線信號的測量獲得目標的位置信息。大多數定位過程是將信號測量轉換成距離或者角度信息，然后計算出位置信息。

根據3GPP 5G標準，5G定位常用的無線定位技術原理有以下幾種：（1）基于信號到達時間：到達時間TOA（Time of Arrival）、到達時間差TDOA（Time Difference of Arrival）；（2）基于信號角度：到達角度AOA（Angle of Arrival）、離開角度AoD（Angle of Departure）；（3）基于信號多普勒頻移FDOA（Frequency Difference of Arrival）；（4）基于接收信號強度（Received Signal Strength，RSS）。

以上原理均需要首先對無線信號進行測量，而這些測量信息均與無線信號的發射端和接收端的相對位置有關。通過測量獲取足夠多的發射端和接收端的位置信息，就可通過這些已知的無線測量信息計算出其他接收端和發射端的位置信息。

1.2 5G無線定位方法

由于發射機與基站間一般難以做到嚴格的時間同步，基于TDOA的位置估計可以通過計算信號到達2個基站的時間差進行位置估計，經過多方法驗證采用TDOA定位方法。TDOA是指在假設不知道信號具體發射時間的情況下，只需要在發射端同步發射多個信號至基站接收端，接收端就可以估算出距離發射端的距離差。該方法至少需要利用3個監測站，通過測量信號到達任意2個基站的時間差，構造以基站為焦點，以距離差為長軸的雙曲線，雙曲線的交點即為發射機所在的位置。TDOA的方法雖然不需要發射機與基站間的同步，但是多個基站之間仍需要有較好的時間同步機制，目前的5G網絡超高精度的時間同步（±10 ns級）可以滿足要求。

在TDOA定位中，設（a，b）是待測量位置的坐標，第i個基站（BS）的已知坐標為（ai，bi），則第i個基站（BS）（i=1，2，…，N）到待測量位置（a，b）的距離為：

令lij表示BSi、BSj（i≠j）與待測量位置（a，b）之間的距離差，則：

由式（1）、（2）可以得到：

通過測量l21、l31、l32三組距離差，由上式求解方程組可以得到待測目標位置的坐標（a，b），如圖1所示。三組雙曲線的交點即為待測量位置的坐標（a，b）。

圖1 雙曲線定位示意圖

定位需要配備一款穿戴的設備，經過多種方式的研究和對比，采用以舒適性和安全性較高的手環為主，并內置5G卡。利用5G無線定位的原理，5G網絡定期采集老年人的位置信息，并回傳至5G基站和云端。

在老人居家獨處或出門上街等過程中，親人通過老人身上佩戴的手環，即可準確地獲取老人的位置信息，在老人摔倒或即將摔倒時就能非常及時準確地對老人實施救助。5G無線定位在摔跌事件監測和預測中的應用，將大大提高獲取老人位置信息的準確率，減少盲目尋找老人具體位置而消耗的無用功，縮短實施救助的時間。

2 特征參數監測

老人在摔跌過程中會呈現出很多特征，因此對這些特征參數進行提取和監測將是判斷和檢測摔跌事件發生的關鍵。但是如果僅用一個特征參數來判斷摔跌事件，則會有比較高的誤判率，因此必須從多維角度來監測摔跌的特征參數，這樣才能更逼近實際情況。本研究從以下幾個方面對摔跌過程進行監測。

（1）監測項目：手環距離地面的高度差

手環內置有5G卡，通過內置的氣壓計定時測量氣壓數據，并從云端服務器獲取數據支持，進而可以得到當地的實時海拔氣壓換算方式，進而計算出具體位置的海拔高度，進一步計算出前后2次提取數據的高度差。摔跌前后手環（A點）距離地面高度圖2和圖3所示。

圖2 摔跌前手環距離地面高度示意圖

圖3 摔跌后手環距離地面高度示意圖

監測頻率：采樣頻率與手環的耗電量息息相關，采樣頻率高，則手環耗電量大，采樣頻率低，則手環耗電量小?？紤]到此參數非常重要，設定此參數的重要級別為一級，因此設定此參數的采樣頻率為密集。設定每5S提取一次手環的海拔數據，并與前一次提取的海拔數據做對比計算出高度差。

（2）監測項目：手環的運動加速度

人體摔跌過程相對于日?；顒訒幸粋€比較大的加速度。手環定時上報運動加速度。

監測頻率：考慮到此參數非常重要，設定此參數的重要級別為一級，因此設定此參數的采樣頻率為較密集。設定手環每5S提取一次運動加速度數據。

（3）監測項目：手環的運動速度

人體的摔跌過程相對于日常活動會有比較快的速度，手環定時上報運動速度。

監測頻率：考慮到此參數比較重要，設定此參數的重要級別為二級，因此設定此參數的采樣頻率為較密集。設定手環每10S提取一次運動速度數據。

（4）監測項目：手環受到的壓力值

人體在摔跌后與地面碰撞，會產生比較大的壓力。手環定時上報所受到的壓力值。

監測頻率：考慮到此參數比較重要，設定此參數的重要級別為二級，因此設定此參數的采樣頻率為較密集。設定手環每10S提取一次所受到的壓力值數據。

3 摔跌事件檢測及預測

摔跌過程中手環距離地面的高度差、運動加速度、運動速度、受到的壓力值，這些特征參數對摔跌事件的檢測及預測起著非常重要的作用。在對上述4個特征參數的監測過程中，會得到一系列的采樣實際值。經過對多種算法的研究和比較，采用梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）算法對監測獲取的海量數據進行深度數據分析。GBDT屬于集成算法的一種，基分類器是回歸樹，是一種boosting算法，即逐步擬合逼近真實值，是一個串行的算法。

梯度提升算法的回歸樹基本模型，如下所示：

輸入：訓練數據集T={（x1，y1），（x2，y2），…，（xN，yN）}，損失函數為L（y，f（x））。

輸出：回歸樹F（x）。

第一步：建立初始化弱學習器，估計使損失函數極小化的常數值，它是只有一個根節點的樹，一般平方損失函數為節點的均值，而絕對損失函數為節點樣本的中位數。

第二步：對m=1，2，……，M（M表示迭代次數，即生成的弱學習器個數）。

（1）對每個樣本i=1，2，……，N，計算損失函數的負梯度在當前模型的值，將它作為殘差的估計。對于平方損失函數，它就是通常所說的殘差；而對于一般損失函數，它就是殘差的近似值（偽殘差）。

（2）將上步得到的殘差作為樣本新的真實值，并將數據（xi，rmi），i=1，2，……，N作為下棵樹的訓練數據，對{（x1，rm1），…，（xN，rmN）}擬合一個回歸樹，得到一顆新的回歸樹fm（x）對應的葉子節點區域Rmj，j=1，2，……，J，其中J為每棵回歸樹的葉子節點個數。

（3）對葉子區域j=1，2，……，J，利用線性搜索，估計葉子節點區域的值，使損失函數最小化，計算最佳擬合值。根據輸入x和上一輪殘差rmi計算得到（xi，rmi），擬合回歸樹得到cmj，其中fm-1（x）的是上一代（m-1代）的學習器，在此輪決策樹種加入參數c，擬合上一輪殘差rmi，并使得擬合時誤差最小的情況下得到輸出cmj。

（4）更新強學習器：

第三步：得到最終的回歸樹，即最終學習器：

算法輸入包括摔跌過程4個特征參數的采樣實際值。

第一階段：建立摔跌過程的梯度提升算法的回歸樹基本算法模型，在每次迭代中擬合殘差來學習一個弱學習器，然后不斷擬合、更新，得到最終學習器，從而對摔跌過程進行檢測，檢測到摔跌事件時，手環立即發出告警和求助信號。

4 實施進展及成果

本方案已在第一階段展開一定規模的試驗，試驗階段收集參數及判斷的結果主要用于算法的迭代升級，試驗對象主要為輪滑運動的初學者，通過近5個月超百名案例的跟蹤，從正常α、棄真β、存偽γ等三項結果判斷算法的準確率。

（1）正常α定義為樣本實際發生了摔跌異常行為，算法演算同時提示發生摔跌異常行為；（2）棄真β定義為樣本實際發生了摔跌異常行為，但算法未演算出相應的結果；（3）存偽γ定義為算法演算提示發生摔跌異常行為，但樣本實際處于正常狀態。

近3個月試驗結果如表1所示。

表1 近3個月試驗結果統計表

近3個月試驗結果各項占比如圖4所示。

圖4 5G核心網采集結構圖

圖4 近3個月試驗結果占比圖

從上述試驗結果可以看出準確率在不斷提升，但仍在比較低的水平，且提升的幅度在減小；存偽率有一定下降，但下降幅度較小。經分析，受參數值的準確性影響比較大，該準確性受硬件精度、成本所限，同時算法還需要更多場景進行迭代優化。第一階段試驗主要結合了輪滑的特殊場景，與老人生活的場景有一定區別，下一步將在室內開展5G+WIFI結合的場景試驗，同時為第二階段DRL做準備。

通過第一階段的研究和試驗，證明了該技術切實可行，項目如果實施后將對防止老年人摔跌起到非常積極的作用，有助于全社會關愛老年人、幫助老年人，極大提升老年人晚年生活的安全指數和幸福指數。

5 結束語

本方案應用5G無線定位手段和GBDT算法，并開展了一定規模的試驗，在一定程度上證明了方法的合理性，但從試驗結果可以看出離實際規模應用仍有較大的距離。

第二階段將爭取更廣泛的合作，在控制成本的基礎上，開展更深入的探索和實踐，具體工作思路、方法和目標如下：深度強化學習（DRL：Deep Reinforcement Learning），利用人工智能（AI：Artificial Intelligence）算力進行模擬、模糊運算，不斷修正學習器?；貧w樹葉子節點得分就是均值，然后每棵樹每個樣本都有一個得分，得分累加就是最后的預測值，這樣就可以對摔跌事件的發生進行預測，檢測到異常事件就能通過手環提前發出預警信號，提示關注身體狀態，從而有利于減少老年人摔跌事件的發生。