室內環境下老年人異常行為檢測

王 宇， 周 迎， 王靈靈， 彭小英

(華中科技大學 a. 土木與水利工程學院; b. 國家數字建造技術創新中心， 湖北 武漢 430074)

隨著人口老齡化程度的加劇，“空巢老人”居家安全問題成為當下社會關注的重點。伴隨著年齡的增長，老年人的身體機能逐漸退化，遭受疾病或意外傷害的風險也隨之提高。調查顯示，跌倒、碰撞等異常行為是老人在室內環境下所受意外傷害的主要類型(80%)，也是其因傷致死的重要原因[1]。因此，開發室內環境下的異常行為檢測技術，降低意外傷害對老年人健康的威脅，有助于解決當前社會的養老困境。

現有的檢測技術，根據檢測設備的不同，分為可穿戴式、基于計算機視覺和基于環境布設式三類[2]。基于可穿戴設備的檢測技術通常是將傳感器嵌入衣物或隨身攜帶，采集用戶的運動數據，實現對跌倒的檢測。通過加速度計、陀螺儀以及磁力計等傳感器收集佩戴者的身體姿態信息，檢測是否跌倒[3～7]。基于計算機視覺的檢測技術則是使用攝像頭對用戶進行全方位監測，從圖像中提取行為特征，實現對跌倒的檢測[8]。主要通過矩形框法[9]、3D橢圓體擬合法[10]以及Kinect[11]等獲取人體的運動信息，包括身體姿態、頭部運動軌跡等，并采用K近鄰(K-Nearest Neighbor,K-NN)[12]、支持向量機(Support Vector Machine,SVM)[13]、隱馬爾可夫模型(Hidden Markov Model,HMM)[13]以及卷積神經網絡(Convolutional Neural Networks,CNN)[14]等機器學習算法構建檢測模型，識別跌倒行為。可穿戴設備分類精度高，檢測效果好，但需隨身攜帶，否則易造成數據的遺漏。同時，侵入性的檢測影響日常生活，老人對其接受度不高[15]。基于計算機視覺的檢測技術起步早，研究成果多，但由于該設備涉及用戶的隱私，不宜在臥室、衛生間等私密空間安裝，缺乏一定的適用性。

相比之下，環境傳感器不受隱私和佩戴限制，對老人的日常活動影響較小。目前已有研究將聲音傳感器、光纖傳感器、RFID(Radio Frequency Identification)等環境傳感器用于異常行為檢測，但這些方法改造安裝成本高且易受環境影響，系統檢測精度低。例如，基于紅外陣列傳感器檢測人體狀態，并結合強分類器隨機森林算法RF(Random Forest)，實現跌倒的實時監測[16]。

綜合考慮老人的接受程度和對生活的干預程度，確保檢測的準確率，本文采用基于環境布設傳感器技術，提出在地毯內嵌入壓力傳感器，并在指定位置鋪設，實現對行為數據的采集。此外，當前研究大多把側重點放在跌倒動作的識別上，而忽略了老人步態特征這一關鍵指標。研究表明，步態異常通常伴隨著跌倒風險的增加[17]，監測和分析老年人的步態特征，有助于及時發現其異常行為。步態特征與心力衰竭、認知障礙等多種慢性疾病都有很強的相關性[18～20]，長期的步態統計也可以作為一些慢性疾病早期出現的評估依據。

本研究提出并設計了一種基于多個壓力傳感器進行室內老年人的跌倒檢測和步態參數采集的方法和系統實施方案。采用拼接方式將柔性壓力傳感器內嵌于地毯之中，同時連接多路復用器和單片機，并在指定區域布設，以對行為數據進行收集，再通過構建支持向量機(SVM)模型最終實現跌倒檢測和步態參數獲取。在減少生活干預的同時，確保老人的異常狀態能夠及時被發現，構建智能、健康的住宅環境，提高老年人居家生活的安全性和舒適度。

1 異常行為檢測系統的設計

1.1 系統框架研究

在老人監護領域，對老年人日常活動中的異常行為還沒有嚴格的定義，針對監護技術和設備的不同，異常行為主要包括突然跌倒，生理參數不符合標準閾值，長時間駐留異常，活動量異常等[21]。

其中，跌倒是導致老年人傷殘甚至死亡的重要原因。跌倒在我國老年人中的發生率高，后果嚴重，如果得不到及時救治，極易造成老年人不同程度的傷殘，甚至會危及生命，不僅嚴重影響了老年人的生活質量，同時還會給家庭和社會帶來沉重的醫療負擔。據統計，我國老年人每年因為跌倒的直接醫療費用超過50億元[22]。

此外，步態異常是老年人跌倒常見的危險因素[23]，步長和步速的異常減小通常預示著跌倒風險的增加[24]。收集步態參數有利于觀察步態特征，通過步態參數變化趨勢來反映老人步態的穩定性，并根據步態異常程度評估老人跌倒的風險，為獨居老人跌倒行為的發現和預測提供依據。

考慮到跌倒行為的危害性和步態參數的重要性，本研究提出的異常行為檢測系統，將老人在室內環境下突然跌倒的行為判定為異常行為，同時收集步態參數作為發現和預測異常行為的補充。

因此，為了檢測室內環境下老人的異常行為，系統應具有以下功能：

(1)跌倒的識別和預警：對室內環境下老年人的行為活動進行跟蹤和識別，當老人跌倒時，系統會立即提醒用戶。

(2)步態參數的計算與存儲：當判定老人處于行走狀態時，系統會根據預設的規則計算相應的步態參數并保存，用于健康狀態的評估。

(3)檢測過程的可視化：讓監護人更加清楚、直觀地了解老人在室內的活動情況。

(4)數據的自動化收集：面向老年人每天大量的行為活動所產生的數據，系統應具備信息的自動收集功能，確保信息的即時性和識別的準確性。

圖1是系統的體系架構，由數據采集、數據分析、結果顯示三部分組成。根據相關文獻以及人體的活動軌跡，室內環境下老年人的主要活動區域包括臥室、客廳和衛生間、廚房[25]。同時，數據表明，老人日常生活中在衛生間跌倒的次數最多，床邊跌倒次數次之[25]。本文采用基于環境布設傳感器的技術，將壓力傳感器嵌入地毯，并鋪設在客廳、臥室、衛生間、廚房各區域易發生跌倒的位置，如客廳中間、臥室床邊、衛生間淋浴區以及洗碗池旁，獲取跌倒和姿態數據。考慮到地毯在衛生間的適用性，事先用薄膜對其進行包裹處理，起到防水的效果。使用支持向量機算法構建跌倒檢測模型，識別站立、行走和跌倒等行為，并根據傳感器的布置區域建立對應坐標系，通過已知坐標位置確定步態參數的計算規則，收集老人的步態信息。

圖1 體系架構

1.2 行為數據采集

行為數據采集模塊旨在獲取老人在室內環境下的行為數據，為系統判定規則和計算規則的確定提供樣本集。采集模塊由壓力感知模塊、數據獲取模塊和數據傳輸模塊三部分組成，如圖2所示。

圖2 行為數據采集模塊硬件架構

(1)壓力感知模塊

壓力感知模塊由3塊柔性壓力傳感器縱向拼接組成，傳感面積為3×400 mm×400 mm，傳感幅面上分布3×32×32共3072個獨立感應單元，傳感器結構如圖3所示。本系統通過將傳感器嵌入地毯，并布設在室內指定位置，以實現對人體壓力的感知。受力時，傳感單元的電阻會隨壓力的增大而減小，二者之間呈冪函數關系。

圖3 柔性壓力傳感器結構/mm

(2)數據獲取模塊

采集模塊通過多路復用器控制模擬通道實現行列掃描。從左上角開始，通過分壓電路將位于第x行y列感應單元的電阻值轉化為可識別的電壓信號，再經過單片機的模數變換和數值換算即可得該點的壓力值，并通過變換通道采集傳感器上的所有數據。

(3)數據傳輸模塊

經過模數轉換和數值換算可得各傳感單元的壓力值，將其傳輸給上位機，實現單片機與電腦的信息交互。

壓力感知模塊的3塊傳感器均按照32×32進行行列掃描，因此單片機傳輸到PC端的數據將是一個96×32的二維數組。然后，對數據進行可視化處理，根據感應單元所受力的大小，由藍到紅呈現不同的顏色，將壓力數值轉化為更加直觀的壓力圖像。圖4是對感知模塊進行壓力測試時獲得的圖像，其中圖4a是無外力作用時傳感器的壓力圖像，圖4b顯示了人體的站立位置和腳部輪廓。

圖4 壓力圖像

1.3 行為狀態分析

當采集模塊獲取老人的行為數據后，系統會根據預設的規則對其進行行為狀態的分析。該過程分兩步，跌倒判別和步態參數計算。基于SVM的行為檢測模型被用于識別老人的行為類別，并判別是否跌倒；同時，通過傳感網絡坐標系統的建立，進行步態參數的計算和步態特征的提取。

1.3.1 基于SVM的跌倒檢測模型

進行跌倒判別，首先需要構建跌倒監測模型。根據系統的功能要求，選擇常見行為行走、站立、坐著和跌倒，作為SVM模型的輸出變量。其中“坐下”指老年人自然屈膝坐在地毯上休息，該姿勢與老年人跌倒時的壓力狀態特征具有一定相似度，需要與跌倒行為進行區分，其發生通常不判定為意外跌倒，不會進行提醒。圖5為傳感器布設完成后，在不同行為下進行壓力測試的圖像，紅色矩形框表示包圍受力傳感單元的連接區域。可知，不同行為矩形框的屬性也各不相同。行走的壓力傳感單元個數最少，跌倒狀態下最多且集中，因此構成的矩形框面積較大。

圖5 不同行為下的壓力圖像

本文將建立SVM分類模型，用于識別老年人的異常行為，圖6是基于SVM構建跌倒檢測模型的過程。

圖6 基于SVM的跌倒檢測模型構建流程

(1)樣本數據的處理

根據不同行為下傳感器受力的不同，對受力傳感單元所構成的矩形框進行特征提取，并選定以下四個指標作為SVM模型的特征變量：受壓的傳感單元個數N、矩形框的面積S、框內受力傳感單元的覆蓋率E、邊長比R。由于各特征值的單位不一，為了減少訓練時間，提升模型的穩定性，本文采用離差標準化方法對樣本數據進行歸一化處理，使其數值都處于[0,1]之間。同時，根據老人的行為類型，確定模型的輸出變量分別為：站立1、坐下2、行走3、跌倒4。

(2)SVM分類模型的構建

由于本文特征量較少，訓練樣本適中，因此選用高斯核函數，并采用K折交叉檢驗法優化確定懲罰因子C和核函數參數g。

不敏感系數ε與訓練集的樣本數量n有關，對于小樣本數據，ε的取值見式(1)，其中σ是樣本的標準差：

(1)

(3)SVM模型訓練和測試

模型訓練即通過算法得到適用于樣本數據最佳分類的規則方程，模型測試是對于其分類或預測能力的檢驗。

跌倒檢測模型的性能評價指標包括虛警率Pfalse、漏檢率Pmissed和正確率Paccuracy，相關指標計算見式(2)～(4)：

(2)

(3)

(4)

式中：TP為實際跌倒判定為跌倒的樣本數；FP為實際跌倒判定為非跌倒的樣本數；TN為實際非跌倒判定為非跌倒的樣本數；FN為實際非跌倒判定為跌倒的樣本數。虛警率和漏檢率越低，正確率越高，模型的性能越好。

1.3.2 步態參數的計算

計算步態參數，需要先確定其計算規則。根據系統行為數據采集的實現方式，本研究步態參數主要選用步長和步寬兩個指標。

在行走狀態分析階段，SVM模型首先會對老人的行為類型進行判斷，當判定為行走時，系統會根據其位置還原移動軌跡，并參照軌跡計算步長和步寬，如圖7所示。

圖7 步態參數計算思路

移動軌跡的本質是根據用戶行進的時間順序，連接其途經關鍵點形成的線路，即確定移動軌跡的關鍵就是獲取人體的實時位置。時間數據可以通過上位機獲取，而位置信息，本研究提出在傳感器的布置區域建立地面坐標系，如圖8所示。

圖8 地面傳感坐標系

當老人在嵌有傳感器的地毯上行走時，傳感單元可以感知到壓力的變化，根據相鄰兩組壓力圖像確定步行關鍵點，即可繪制移動軌跡，圖9是行走狀態下的壓力圖像。

圖9 行走狀態下的壓力圖像

繪制移動軌跡，最重要的是關鍵點的選擇，由于步寬和步長的測量基準點都是腳跟，因此選擇矩形框的下邊界中點作為步行關鍵點，得到移動軌跡如圖10所示。

圖10 移動軌跡

根據相鄰兩個關鍵點的坐標即可求出步長和步寬。設第1個關鍵點坐標為c1(x1,y1)，第2個步行關鍵點坐標為c2(x2,y2)，步長L和步寬W的計算見式(5)：

(5)

其中，關鍵點的坐標表示傳感單元所在的行列位置，因此計算步寬和步長時需引入距離系數11.5(傳感單元邊長8.5 mm，布置間距3 mm)。

1.4 異常行為檢測流程

本系統通過柔性壓力傳感器獲取老人的行為數據，再利用SVM模型和地面傳感坐標系對其行為狀態進行分析。系統運行流程如圖11所示。

圖11 檢測系統運行流程

2 異常行為檢測系統的應用

2.1 模型訓練

出于安全考慮，本實驗參考已有跌倒檢測的研究[26～28]，選取了10名青年志愿者作為實驗對象來模擬老人完成相應動作，以獲取行為數據。實驗中設計了站立、坐下、行走以及向前、向后和側向跌倒等動作，為了更真實的模擬老年人的姿態，通過讓測試對象佩戴護具、頭盔、沙袋，充分還原老年人四肢僵硬、行動遲緩、視聽能力退化的狀態[29～31]。

行為數據集包含跌倒行為和正常行為，跌倒分為向前、向后、側向跌倒三種，正常行為包括行走、站立和坐著。在數據采集過程中，10名志愿者按照特定姿態依次完成相應動作，經處理后得到362組樣本數據，分類詳情如表1,2所示。

表1 跌倒數據集分類

表2 正常行為數據集分類

根據1.3.1中確定的指標，壓力數據通過matlab可視化處理生成壓力圖像，并提取矩形框的特征值構成樣本數據值，表3是不同行為數據集對應的平均特征值。

表3 數據集平均特征值

用所得樣本數據訓練SVM模型，其中，k值最小取為2，最大不超過10。設置初始參數C=1,g=0，k=2，得到圖12不同C和g下交叉驗證準確率。當k值取4時，系統具有較好的運行速度和分類準確率。最終確定最優的C，g取值為1.741,0.871，計算出不敏感系數ε=0.104。

圖12 不同C和g下交叉驗證準確率

確定最優參數后，將其代入程序得到最終的檢測模型。

2.2 系統實施

本研究在華中科技大學一實驗樓內搭建實驗環境，如圖13所示，在很大程度上對家居環境進行了還原，并在該環境中完成實驗數據的采集。實驗中，為了確保獲取完整的室內行為數據，將嵌有壓力傳感器的地毯鋪設在樓內客廳、臥室、廚房和衛生間各處。其中，衛生間的地毯鋪設前應事先用防水膜對其進行包裹。由于每個子模塊還需配備多路復用器和單片機，本著滿足實驗要求同時盡可能節約的原則，分別在臥室床邊、客廳中央、衛生間淋浴區以及廚房的洗碗池旁鋪設地毯。

圖13 具體布設方案

2.2.1 跌倒檢測

在傳感器布設完畢后，需要讓志愿者依次在搭建的實驗環境中模擬日常生活，完成從早上起床，衛生間洗漱，吃早飯到出門的一系列活動，并在地毯鋪設區域模擬跌倒。我們從原本的10位志愿者中挑選了2男2女進行實驗，同時，在室內布置監控攝像頭，對實際行為進行記錄，以便與檢測結果進行比對。經驗證，系統的分類準確率高達95.71%，虛警率為2.38%，漏檢率為0。異常行為檢測系統旨在識別老人在室內環境中跌倒行為并及時提醒用戶，該模型漏檢率為0，能夠準確識別跌倒行為，符合系統設計的初衷。測試集實際類別和預測類別對比如圖14所示，表4是經計算得到的模型性能評價指標。

表4 模型性能評價指標

圖14 實際類別與預測類別測試結果對比

2.2.2 步態參數收集

在實驗過程中，跌倒檢測和步態參數收集是交叉進行的。本文對比分析了4名志愿者在行走狀態下的實際軌跡和繪制軌跡，如圖15所示，進一步驗證軌跡繪制方法和步態參數計算規則的可靠性。

圖15 實際軌跡與繪制軌跡對比

由圖15可知，繪制軌跡與實際軌跡基本吻合，只是由于柔性傳感器的行列引線之間存在拉力，導致采集到的受力感應區域比實際情況偏大，因而確定的步行關鍵點存在偏差。

經計算，受關鍵點的影響，步態參數存在一定的誤差，但均在1 cm以內，步長步寬推算結果如表5，6所示。

表5 步長推算結果 mm

表6 步寬推算結果 mm

研究表明，步速減慢與跌倒風險增加有關，步速每減慢10 cm/s，跌倒風險增加7%，1.08 m/s可能是區分跌倒風險的臨界值[28]。同時，步長縮短與跌倒風險也有較強的關聯。收集老年人在室內環境下的步態參數，根據步長、步速的變化趨勢分析其步態的穩定性，進一步評估老人跌倒的風險，可以實現獨居老人異常行為的提前預警。

3 結 語

針對老年人意外傷害頻發問題，設計了基于環境布設式技術的老年人異常行為檢測系統，用于家居環境的適老化改造。該系統將壓力傳感器嵌入地毯并布置在指定區域獲取行為數據，基于SVM構建異常行為檢測模型，可以準確實現對老人跌倒的檢測。在確保分類精度的同時，綜合考慮了老人的接受程度和對日常生活的干預程度。研究結果表明，系統的異常行為識別準確率高達95.71%，虛警率和漏檢率分別為2.38%和0。本文的創新之處在于，不只著眼于跌倒的識別，系統在檢測跌倒的同時還對老人的步態參數進行了收集，該數據可用于健康評估，實現意外傷害的提前預警。

需要注意的是，本研究的系統實施仍然是基于實驗室模擬居家環境，與真實的生活環境存在差距。一方面，為了解決地毯在衛生間的適用性，本研究使用了防水薄膜進行包裹后鋪設，但卻并未對其防水性進行檢驗；同時，在模型訓練與實驗階段，都是通過模擬跌倒來獲取行為數據，雖然通過相關研究中的方法最大限度削減了模擬跌倒造成的影響，但與實際跌倒間仍存在差異性。考慮到人在不同活動區域內的步態可能存在差異，例如在廚房和衛生間等會步速降低、步頻減少，未來可以將該系統應用到養老院等場景中，采集真實的老年人跌倒數據，進一步優化檢測模型。

目前，老齡化進程加劇，獨居老人意外傷害發生率激增，本系統為實時監測老年人室內環境下的安全狀態，構建安全的室內環境提供了新的研究方向，在智能健康住宅領域具有較好的應用前景。