老年人跌倒檢測系統及其檢測方法的研究進展

蔡敏雅，秦會斌

（杭州電子科技大學 電子信息學院 新型電子器件與應用研究所，浙江 杭州 310018）

0 引言

隨著老年人口數量增多，老年人由于身體機能的下降，以及一些疾病（如骨質疏松、白內障等）的影響，是發生意外的高危人群。對于獨居老人而言，若因失去知覺而跌倒，很難在第一時間被人發現。因此，需要將人為和技術手段結合，實現對老年人的全面監護，對意外事件做出快速反應，降低跌倒后發生嚴重后果的風險。

傳感器、攝像頭及計算機技術的發展，使跌倒檢測（fall detection，FD）系統成為了可能。BrickHouse 作為一種智能產品，當老年人需要求助時，可以按動按鈕發送求救信息。但有時老年人跌倒，來源于頭暈與昏厥，或跌倒后失去了意識，無法自主發送求救信息，因此跌倒檢測系統還應實現自動報警功能，在檢測出跌倒的同時，及時通知親人、社區或醫務工作者［1］。

本文首先對跌倒相關綜述進行比較，將現階段跌倒檢測系統分為可穿戴類、室內非圖像類、室內圖像類和混合類。對不同類別的跌倒檢測技術和所用傳感器進行詳細介紹，并針對可穿戴類和室內圖像類存在的局限性整理了相應的對策。其次，介紹跌倒檢測系統中將跌倒從日常活動中檢測出來的過程和內容，檢測過程中識別跌倒行為的關鍵技術為閾值分析法和機器學習。最后，總結跌倒檢測系統存在的不足之處。

1 跌倒檢測系統分類

2017年，Chaccour K等人［2］將與跌倒相關的技術分為了跌倒檢測技術和跌倒預防（fall prevention，FP）技術，根據傳感器部署的特點，將跌倒檢測技術和跌倒預防技術共同分為了可穿戴系統、不可穿戴系統和混合系統。可穿戴系統為佩戴在身上的系統；不可穿戴系統是利用了環境或視覺傳感器的系統；混合系統是將可穿戴系統和不可穿戴系統中傳感器混合在一起，得到一個多通道的數據源。2018年，Lapierre N等人［3］根據跌倒檢測系統中的硬件類型分為可穿戴技術、環境技術以及可穿戴和環境技術的組合。可穿戴技術中主要包括慣性傳感器和定位系統；環境技術包含視頻監控和基于振動的識別，與Chaccour K 等人［2］提出的不可穿戴系統類似；可穿戴和環境技術的組合與Chaccour K等人［2］提出的混合系統相同，即通過多只傳感器之間的相互組合來實現檢測。

基于之前文獻的基礎，本文根據傳感器的特點以及應用場景將跌倒檢測系統分為了可穿戴類、室內非圖像類、室內圖像類和混合類，如圖1 所示。由于混合類需要視所應用到的傳感器而定，應用場景多樣，因此在圖中未畫出。

圖1 跌倒檢測系統應用場景

1.1 可穿戴類

早期的可穿戴類跌倒檢測系統主要以加速度計，再配合氣壓計、血壓傳感器等來提高準確率［4］。隨著微機電系統的發展使加速度計的設計更加小型化、緊湊化和低成本［5］，因此除了加速度計外，還會集成陀螺儀、磁力計組成六軸或九軸加速度計［2］，提供目標的角速度和方向信息。目前該類跌倒檢測設備設計功能齊全且智能化程度高，可以判斷個人的行為軌跡、運動狀態和身體狀況等［6～9］。

可穿戴類的缺陷為功耗過高。可穿戴設備一般都是電池供電，內置的加速度計需要高采樣率，這會導致電池電量耗盡過快。2016年，Magno M等人［10］提出了無需充電的智能手環，內部的太陽能電池可以通過室內光照進行充電，熱電發電機可以通過體表的溫度進行發電，免去了手環在充電時老人意外跌倒無人知曉的風險。2018 年，Nguyen G T等人［11］比較了可穿戴設備在不同配置和工作條件下的能耗，選用了一個8位的微處理器，用SPI的方式與各種外設進行通信，實現單片機、通信方式、加速度計采樣頻率處于功耗最低的狀態。2021年，徐濤等人［12］總結了可穿戴類在硬件和軟件上的低功耗技術，在硬件上進行單片機的電壓縮放，使用新型的數字加速度傳感器，選用低功耗的單片機以及選用低功耗的無線通信模塊，在軟件上控制采樣頻率，對傳感器使用激活喚醒的方式實現低功耗。

可穿戴設備體積小，便于攜帶，并對環境的要求低，可以實時、密切監護老年人［13］。而對于用戶體驗來說，可能存在佩戴不舒適的問題。Pannurat N 等人［14］將三軸加速度計佩戴在實驗者的頭部、上臂、手腕、腳踝、胸部、腰部側面、腰部前面，實驗結果顯示，腰部側面為最佳檢測位置，若將可穿戴設備設計成佩戴在腰部，需要考慮用戶的接受程度，還要考慮是否會對用戶的日常生活造成影響；此外老年人存在記憶力衰退等問題，有時可能忘記佩戴設備或弄丟設備，因此，在可穿戴設備在產品設計上可增加提醒佩戴功能與防丟功能。

將傳感器融入服飾可以減少設備的異物感，柔性傳感器具有柔軟、可隨意彎曲折疊、延展性好、便于穿戴的特點［15］。目前柔性傳感器應用廣泛，可以用于監測壓力、體溫、心率等信號的變化［16，17］。通過柔性傳感器在模式識別中的研究［18］，未來可能應用于跌倒檢測。

1.2 室內非圖像類

室內非圖像類一是通過振動信號來檢測，振動信號可以是地板的振動也可以是聲音的振動，物體掉落與人體跌倒的振動頻率存在的差異使跌倒檢測成為可能［2，4］；二是直接檢測人體運動，如熱釋電紅外（PIR）傳感接收人體的紅外輻射，多普勒傳感器感知人體的移動［19］；除此之外，還有通過智能瓷磚、磁性開關等［20］來檢測跌倒引起的環境變化。室內非圖像類方法易受房屋結構、外界環境的影響，造成檢測準確率不高［21］。

近幾年，室內非圖像類研究正在不斷深入。2017 年，Wang Y等人［22］利用WiFi 來識別行走、坐下、站立和跌倒的日常活動，跌倒檢測的準確率達到了94%，但該系統無法識別多人，并且數據庫龐大，計算成本較高，適用于特定場合的檢測。同年，Guan Q J等人［23］根據人體運動時發出紅外輻射變化，使用低成本、低功耗的熱釋電紅外傳感器陣列和掩模陣列來采集紅外輻射變化信號，提出了一種用于跌倒檢測的立體紅外傳感系統。2017年，楊帥［24］通過定位傳感器采集的老人軌跡信息，采用超寬帶（ultra-wideband，UWB）技術的室內定位技術分析老年人的行為軌跡分布，識別老年人的行為意圖，并將其與正常行為模型進行對比，研究老年人行為異常的判別方法，以此提供面向獨居老年人的遠程監護、生理健康監測、意外情況報警等服務。

1.3 室內圖像類

隨著計算機視覺和圖像處理技術的發展，圖像方法被應用于檢測跌倒事件，攝像機可以提供更多老年人的日常信息。室內圖像類對跌倒進行檢測的技術可分為三類：第一類是對人體頭部的追蹤，人的頭部通常在視頻圖像中可以看見，并且在跌倒時會產生較大的移動，可以作為判斷跌倒的依據［19］；第二類是在人物周圍繪制邊界框，比如矩形框和橢圓框，人在跌倒時矩形框的縱橫比會發生急劇的變化，橢圓框更接近人體的形狀，在判斷縱橫比的同時還可以分析傾斜角，提供更多的人體姿態信息［25］；第三類是分析人體輪廓或骨骼關鍵點，提取人體動作的特征來檢測跌倒［26～28］。除以上3種分類之外，還可以加上時間信息，將人體運動和運動發生的時間結合，形成運動歷史圖（motion history image，MHI）［29］，MHI是一幅灰度圖像，如果像素點的值不等于零，表示該位置最近發生了運動，像素點的值越大表示運動發生時刻離當前時刻越近［30］，如圖2所示，利用MHI來提供人體活動的關鍵信息可以提高系統的魯棒性［31］。

圖像類檢測方式可能存在的問題有遮擋、光線、覆蓋范圍、侵犯隱私。針對遮擋問題，2016 年，Pratap U等人［32］使用普通RGB攝像頭將人物從背景中提取，再將人物劃分為頭、中、底3部分，再劃分左右，圖像中的人物被劃分為6 部分，當某一部分減少了30%時，則被認為遮擋；由于位置、天氣、季節變化等原因，攝像頭所采集的圖像存在光線不勻等問題，深度攝像機不受光線的影響，普通攝像機加入紅外光源也可以解決這個問題［19］。在圖像處理算法方面，2021年，Wang F等人［33］針對光照不足、低信噪比、圖像邊緣模糊等情況，提出了基于多幀累積和聯合處理的算法來增強圖像；室內物品較多，人體容易被物體遮擋，所以攝像機一般固定在天花板上［7，24］，室內房間較多，則可布置多個攝像頭［34］；相比于前兩類，室內圖像類更容易侵犯隱私，因為它更直觀地展現了老年人的活動，若系統連接互聯網，還可能受到黑客的攻擊，用戶信息被盜取。為了保護老年人隱私，2019年，蔡歡［35］提出了一種基于模糊圖像的人體姿態識別方法，采用物理模糊降低圖像的清晰度，應用算法對模糊圖像中的不同人體姿態進行識別。

1.4 混合類

在前文中介紹了Chaccour K等人［2］提出了混合系統，Lapierre N等人［3］提出了可穿戴和環境技術的組合，本文將混合類定義為多個不同類型的傳感器組合使用。

將多只傳感器的數據進行融合來最終判定是否為跌倒，Wang X等人［20］將數據融合的方法分為了部分融合、直接融合、特征融合和決策融合。部分融合是盡管有多只傳感器起著作用，但最后起決定作用的還是1只傳感器，比如Kwolek B等人［36］先采集加速計的值，當值超過閾值，才會觸發對Kinect B傳感器圖像數據的處理；直接融合是將不同傳感器的數據收集，再一同提取特征，針對2種傳感器之間有不同的采樣速率，或是處理器接收到2 組數據不同步的問題，其解決方法是采用時間戳的方式，如Cristian 算法［37］實現時間同步；特征融合是將所有的特征合并，如將加速度計、陀螺儀和磁力計設置相同的采樣頻率，統計每只傳感器數據的平均值、最大值或最小值等特征，一同放入分類器中；決策融合是將不同傳感器數據得到的特征放入子分類器中進行分類，再對子分類器的結果進行綜合判定。

1.5 所用傳感器

跌倒檢測系統由于每個類別的檢測特點不同，因此所用到的傳感器也不同，下面對各個類別所用到的傳感器進行總結。

可穿戴類主要依靠位置姿態傳感器，如加速度計、陀螺儀等，同時利用跌倒行為發生時的情境信息輔助進行檢測跌倒［38］，如氣壓計獲取跌倒前后壓強的變化，肌電圖傳感器、血氧傳感器等來檢測身體指標的變化，同時可穿戴相機也被應用于可穿戴類的跌倒檢測［39］。室內非圖像類檢測通過聲音傳感器、壓力傳感器（地板傳感器）等，新型的室內檢測方式有用到無線局域網、熱釋電紅外傳感器等。圖像類則為各種類型的攝像頭，有采用單個攝像頭的系統，也有利用多個攝像頭重建人體的三維輪廓［26］來進行跌倒檢測，深度攝像頭可以直接獲取人體骨骼特征信息，如Kinect設備，為人體跌倒事件的檢測提供了豐富的跌倒識別特征信息源［40，41］。不同的分類所用的傳感器如表1所示。

表1 不同類別所用傳感器

從表1中可以看出：可穿戴類在檢測行為的同時還可以附帶對身體健康狀況的檢測，室內非圖像類和室內圖像類的傳感器主要用于檢測老年人的運動特征和行為軌跡。

智能手機應用廣泛，并且內部配備無線通信模塊、GPS定位模塊、加速度傳感器等智能模塊，其強大的功能給老年人的健康監護帶來新途徑［6］。不過需隨身攜帶，并存在功耗等問題，根據該特點，納為可穿戴類。

2 跌倒檢測方法

跌倒是指無意識摔倒在地面或者更低的平面上［2］，根據跌倒與日常行為的不同特點，可以通過相應的技術將跌倒從日常行為中區分開來，跌倒檢測過程如圖3所示。

圖3 跌倒檢測過程

數據收集可由表1 提到的傳感器，也可由公開的數據集。忽麗莎等人［38］和徐濤等人［12］介紹了可穿戴類跌倒檢測公開數據集，此外，FARSEEING數據庫［45］（http：∥farseeingresearch.eu／）包含了可穿戴類傳感器采集到的真實跌倒數據。在圖像類處理中，UR Fall Detection 數據庫（http：∥fenix.univ.rzeszow.pl／～mkepski／ds／uf.html）包含了由Kinect傳感器和RGB傳感器收集到的跌倒和日常行為的圖像數據，還附有加速度測量數據。

傳感器采集到的數據可能缺失，包含異常值或是噪聲等問題，預處理的目的是將數據進行濾波、校準、規范化等處理［38］。在室內圖像類中，傳感器收集到的數據是圖像，因此涉及計算機的圖像處理方法，預處理還包括移除背景、前景分割、去除陰影和目標檢測等步驟［46］。

特征提取是從預處理后的數據中提取最有代表性的數據。在穿戴類中，重要的特征有加速度計的均方根值；在室內非圖像類中，提取聲音傳感器或多普勒傳感器的頻率［19］；在室內圖像中，可以提取的特征包括縱橫比、速度、方向、運動量、重心高度、頭部位置變化［46］。提取特征的目的是為了下一步的分類，常用的分類方法有閾值分析法和機器學習［19］，下文詳細介紹這2種方法。

2.1 閾值分析法

閾值分析法是將提取的特征值與某一閾值進行比較，特征值大于或小于某一范圍則判定為跌倒。在可穿戴類中，選用的特征值一般為加速度的均方根值，人在跌倒過程中會出現“失重”、“撞擊”、“靜止”、“朝向變化”和“時間約束”5種狀態［38］，加速度均方根值在這過程中會有如圖4所示的一系列變化［46］，在“撞擊”時均方根值會出現一個明顯的峰值，所以可以根據時間變化的規則以及均方根值到達某一閾值來判定為跌倒。在圖像類中可以通過矢量分析檢測突然的運動變化，如頭部、人體質心的突然下降［21］或是人體形狀突然改變［32］。閾值的選取會根據實驗數據的不同而存在一定的差異，因此該方法存在一定的不確定性。

圖4 跌倒過程中加速度變化［47］

2.2 機器學習

機器學習是根據已有數據集訓練出一個模型，當有新的數據到來時能夠自動對新數據進行分類或回歸。在跌倒檢測系統中，主要目的是判定是日常行為還是跌倒行為，因此屬于分類問題。

在跌倒檢測系統中，常用到的機器學習方法有支持向量機、人工神經網絡、決策樹、貝葉斯網絡、K 最近鄰、隱馬爾可夫模型等。朱連杰等人［48］分析了不同的機器學習方法的優缺點以及對可穿戴類跌倒檢測文獻進行了一個總結；Chaccour K等人［2］和Vallabh P 等人［19］對相關跌倒檢測文獻所用的分類方法進行了一個歸納。機器學習由于檢測效果好，被廣泛應用，但需要的計算量大，功耗大，對硬件設備的算力要求也比閾值分析法高。

3 跌倒檢測系統的不足

2018年蘋果發布的新一代智能手表產品Apple Watch Series 4就已經增加了“摔倒檢測”功能［49］，Apple Watch Series 6更是包含了血氧檢測功能，但該產品昂貴，操作復雜，不適合老年人。目前有較多研究跌倒檢測的文獻，然而在市面上跌倒檢測的產品卻不多，下面進行了幾點原因分析：

1）準確率不確定：Lapierre N 等人［3］發現眾多文獻的跌倒檢測準確率在實際應用中沒有實驗室測試條件下高。其原因可能是在實際應用中其條件沒有實驗室條件理想，如基于室內非圖像類的跌倒檢測，老年人所住的公寓存在的噪聲源可能較多。在實驗室進行跌倒檢測時，實驗者為假人或是年輕人，且是模擬跌倒的過程，與老年人真正摔倒存在著一定的差異。

2）范圍有限：基于室內的跌倒檢測系統其檢測范圍只能在傳感器范圍之內，一旦脫離傳感器的范圍就無法實現跌倒檢測，全面性不強。

3）成本與功耗：由于房屋結構的特點，基于室內的跌倒檢測系統單只傳感器很難實現公寓內全部范圍的檢測，勢必在每個房間內都放置多只傳感器，增加了日常的電能消耗。此外，為了提高檢測的準確率，一些系統采用機器學習的方法，這需要系統在硬件上具備強大的計算能力，這增加了系統的成本，抬高了跌倒檢測系統的門檻。

4）科技與用戶的分離：檢測設備需要實時監測老年人行為，老年人的行為軌跡、日常活動將暴露，一定程度上侵犯了老年人的隱私。一些可穿戴設備的不舒適感、異物感使老年人拒絕佩戴。

4 結束語

面向老年人的跌倒檢測系統實現形式多樣化，包括可穿戴類、室內非圖像類、室內圖像類和混合類，在跌倒檢測的同時還能實時報警，滿足了老年人居家養老的需求。該系統檢測跌倒關鍵分類方法有閾值分析法和機器學習，大多數系統都使用了機器學習以獲得較高的準確率，不過該方法相較于閾值分析法更復雜。同時跌倒檢測系統還存在著不足，比如準確率不固定、范圍有限等，未來仍有發展空間。