基于iOS的老年人跌倒检测报警系统研究

李亚萍，薛冰冰，吴书裕，张 媛，周凌宏

基于iOS的老年人跌倒检测报警系统研究

李亚萍，薛冰冰，吴书裕，张 媛，周凌宏

目的：设计一种基于手机的老年人跌倒检测报警系统，为跌倒后的老人提供及时的帮助，争取更多的急救时间。方法：利用iPhone内置的三轴加速度传感器和陀螺仪提取人体加速度和角速度数据，计算与人体运动相关的特征值信号向量幅值（signal vector magnitude，SVM）、信号幅值面积（signal magnitude area，SMA）、倾斜角（tilt angle，TA），采用多阈值判断算法判别人体是否发生跌倒。发生跌倒时，手机向监护人发出跌倒报警。结果：在系统准确性检测实验中，模拟老年人行走、慢跑、坐下、躺下、弯腰及前向跌倒、侧向跌倒、后向跌倒。慢跑识别准确率为96%，出现错报；前向跌倒检测准确率为98%，出现漏报；其余准确率皆为100%，系统正确率为99.25%。结论：该系统可直接利用手机内置传感器有效检测跌倒，并且对手机的放置方位无要求，是一种易于接受且更为可行的跌倒检测系统。

跌倒检测；iPhone；三轴加速度传感器；陀螺仪

0 引言

据世界卫生组织相关资料显示，跌倒是世界各地意外或非故意伤害死亡的第二大原因。全世界每年估计有42.4万人因跌倒受伤而导致死亡，65岁以上成年人所占比例最大[1]。众多因跌倒造成的死亡并非直接源于跌倒本身，而是因跌倒后没有得到及时的救治而错过了最佳时机。因此，实现一种实时有效的跌倒检测报警方法在老年人监护领域具有重要意义。

根据信号获取渠道的不同，可将近年来关于人体跌倒检测的研究分为3类：基于计算机视觉技术主要采用监控探头等采集人体活动视频，再进行图像处理，但这种技术受光线等影响较大，成本较高且不利于保护隐私[2-3]；基于音频传感器技术主要是分析跌倒冲击地面导致的振动频率，易受其他声源干扰，且安装较为复杂，资金投入较大，监控范围有限[4-6]；加速度传感器、陀螺仪等微机电系统（micro-electro-mechanical systems，MEMS）具有体积小、功耗低、性能稳定等优点，其普及使基于穿戴式传感器[7-9]的跌倒检测成为当前跌倒检测研究的热点并得到初步应用。

目前，手机已成为人们生活中不可或缺的物品，我国智能手机普及率已达66%。当前主流的三大手机操作系统分别是Android、iOS、Windows Phone，本文采用硬件一致性较高的iOS平台，以手机自身配备的加速度传感器和陀螺仪MEMS传感器采集人体运动的加速度和角速度等相关信息，开发基于智能手机的跌倒检测报警系统。加以现有成熟的移动通信技术辅助，可实施可行有效的跌倒监护，是一种易于接受且更为可行的跌倒检测方式。

1 方法

本系统使用iPhone手机内置的三轴加速度传感器和陀螺仪收集身体运动的信息，并通过特征值的判别算法分析是否发生跌倒。若发生跌倒，则以预先设定的报警机制向监护人发出跌倒报警。图1为跌倒检测的系统框图。数据采集、跌倒算法及跌倒报警程序的开发在Xcode开发环境下完成；在实验过程中，使用MATLAB对数据进行特征值分析和算法设计。

图1 跌倒检测系统框图

1.1 数据采集与预处理

一般情况下，身体的运动频率低于20 Hz[10]。根据奈奎斯特采样定理：当采样频率大于信号中最高频率的2倍时，采样之后的数字信号完整地保留了原始信号中的信息。本文以50 Hz的采样频率采集三轴加速度传感器和陀螺仪信号，既满足了运动信号的要求，也降低了系统的资源消耗。

在iOS4和更高版本中，加速度传感器和陀螺仪使用Core Motion框架访问，此框架提供了CMMotionManager类用作描述用户如何移动设备的所有值的途径，可由此获取加速度传感器和陀螺仪3轴的数据，图2、3分别为iPhone收集采集的加速度传感器3轴的加速度数据和陀螺仪3轴的角速度数据。

本文使用中值滤波器对加速度传感器和陀螺仪采集的原始信号进行预处理，以消除运输装置（如车辆）等非人体的外部运动和传感器对抗其他物体引起弹跳导致的机械共振带来的脉冲噪声。中值滤波器（系数n=3）能对原始信号起到较好的平滑效果，降低脉冲噪声对算法识别的干扰，同时保留跌倒时的特征信息（如图4所示）。

图2 加速度传感器x、y、z轴数据

图3 陀螺仪x、y、z轴数据

图4 滤波前后加速度数据对比图

1.2 跌倒算法设计

人体的行为动作包括日常活动（activities of daily living，ADL）（如走路、跑步、坐下、躺下等）和跌倒（fall activitity，FA）等，不同的动作其运动学特征是不同的，可以从加速度、运动状态变化的激烈程度、倾斜角等方面进行区分。本文以信号向量幅值（signal vector magnitude，SVM）、信号幅值面积（signal magnitude area，SMA）、倾斜角（tilt angle，TA）3个特征值进行动作判别。

1.2.1 信号向量幅值

SVM表示人体合加速度的幅值，定义如式（1），其数值的大小反映人体运动加速度的大小。该特征值的优点在于将空间三维加速度合成一个矢量，在阈值判断时可忽略该矢量的空间方向，只判断其大小是否超过某一阈值。在跌倒检测的识别过程引入此特征值，无需固定手机的放置方向，提高了实际测量中的便利性和可行性。

其中，x（t）、y（t）、z（t）分别代表三轴加速度传感器x、y、z轴的加速度。

在日常生活中，较大的合加速度幅值往往来自于人体与外界的相互作用过程（例如跌倒）[11]。当有SVM值高于阈值时，可视为可能有跌倒发生。

1.2.2 信号幅值面积

SMA表示人体运动的变化程度，定义如式（2），其数值越大，表示运动状态变化越激烈。定义SMA是为了区分人体的运动和静止时段。

其中，x（t）、y（t）、z（t）分别代表三轴加速度传感器x、y、z轴的加速度。

SMA的定义中有一个积分的过程，使其能够检测到变化幅度较小、持续时间较长的加速度变化，如支撑着墙壁等相对缓慢的倒下，而这些跌倒通过SVM阈值判断很难与ADL区分。因此，积分时间T的取值对于SMA至关重要。若取值太大，则会“抹平”时间相隔较短的尖峰；若取值太小，又无法体现上述SMA的优势[12]。通过实验得到，当T取0.3 s时，可获得较好效果。

1.2.3 倾斜角

姿势的方向是指身体在空间中的相对倾斜角度，TA表示人体角度发生变化的大小，其定义如式（3）。在时间T内，当人体产生较大的倾斜角时可能发生跌倒，本研究中T=0.3 s。

其中，x（t）、y（t）、z（t）分别代表陀螺仪传感器x、y、z轴的角速度（rad/s）。

1.2.4 算法流程图

根据对SMA、SVM和TA 3个特征值做阈值判断，可以识别出人体是否发生跌倒。跌倒算法的流程如图5所示。

图5 跌倒检测算法流程图

对采集的数据进行预处理后计算特征值SVM、SMA、TA。当3个特征值中有一个大于设定阈值时，启动计时器T1进入初次阈值判断：在T1时间内，3个特征值均大于设定阈值，则可能发生跌倒，否则未发生跌倒。若疑似跌倒则启动计时器T2进入二次阈值判断：在时间T2内，若3个特征值均小于设定阈值，则发生跌倒，否则未发生跌倒。

1.3 跌倒报警处理

检测到人体跌倒之后，系统调用Core Location框架以确定跌倒者的地理位置，通过移动通信网络向监护人（医护人员、救护中心或家属）发送跌倒者的位置信息，并调用发送短信和拨打电话的接口，以短信或者电话的方式向监护人发送跌倒报警，缩短老年人跌倒后获得救治的时间。

2 结果

本研究针对的对象为老年人，故分析的行为主要是老年人ADL（包括常见的行走、慢跑、坐下、躺下、弯腰几种行为）以及FA。考虑到老年人的安全问题，本研究的实验对象为青年人，男生14人，女生11人，年龄23～27岁，身高155～177 cm，体质量45～70 kg。实验过程中，为模拟老年人的行为，在实验对象的腿部捆绑沙袋增加腿部质量，减慢其行动速度。实验分为2个部分，第一部分是实验者完成表1中的不同动作，计算不同行为的3个特征值，通过分析确定特征值的阈值。

表1 不同行为SAM、SVM及TA的统计结果

表1中的数据为不同行为3个特征值的统计结果。从中可以看出，ADL中，行走、坐下、躺下及弯腰的特征值区间（SAM：[0.032，0.050]，SVM：[1.172，2.227]，TA：[0.188，0.813]）与前向跌倒、侧向跌倒和后向跌倒的特征值区间（SAM:[0.059，0.095]，SVM:[2.344，5.449]，TA：[1.000，1.688]）没有重合部分，可较好地区分。慢跑和跌倒的特征值SAM在区间上较为接近，且特征值SVM与TA在区间[3.457，4.570]和[1.000，1.313]上有重合，一次阈值判断（如图5计时器T1时间内）无法区分。然而慢跑行为是周期性的出现此特征值特点，跌倒只在短期内出现此特征值特点，因此，可通过二次阈值判断（如图5计时器T2时间内）进行区分。通过实验最终确定SVM、SMA、TA的阈值分别为0.055、2.3、1。

将跌倒检测系统中的特征值阈值设为实验一所确定的阈值，进行实验二：实验者佩戴iPhone手机依次完成表2中的不同动作，每个动作做2次。从正确率、误报率、漏报率3个方面说明系统的性能，定义如下[11]：正确率=（跌倒识别的正确数/总活动数）×100%误报率=（非跌倒动作报警数/非跌倒动作数）× 100%

表2 跌倒检测实验结果

漏报率=（跌倒动作漏报数/实际跌倒数）×100%

实验二的结果见表2，ADL中慢跑识别的准确率为96%，出现错报，误报率为0.8%；FA中前向跌倒检测的准确率为98%，出现漏报，漏报率为0.67%；其余动作准确率皆为100%，系统正确率为99.25%，能有效地检测跌倒。结合实验过程分析，符合以下情况之一的慢跑可能会出现误报：（1）手机放置于裤子口袋中，且手机与身体发生较多的相对运动；（2）在运动过程中，突然停止运动。慢跑运动相对较为激烈，第1种情况可能导致3个特征值超过阈值，第2种情况满足了第二个阈值判断，故可能发生误报。前向跌倒是身体最易控制的，实验者在实验过程中，出于自我保护的本能，减缓跌倒的过程，使得SMA特征值未能超过阈值，故而发生漏报。

3 讨论

本文针对人体ADL及FA的运动特征进行研究，并实现了基于iOS的具有定位和报警功能的老年人跌倒检测系统。该系统利用iOS设备自身的三轴加速度传感器和陀螺仪获取人体的运动特性，对加速度和角速度数据进行分析，提取与人体运动剧烈程度、加速度、角度相关的特征值，采用多个阈值判断跌倒。经过初步实验，本系统的平均准确率为99.25%，相比其他检测跌倒系统，本系统具有不用另带其他设备且手机无需以固定方位佩戴在人体上的优点，在保证准确率的同时，更为便捷可行。由于本系统的实验对象是年轻人，不能很好地模仿老年人的跌倒情况，因此，在后续的工作中，需不断加大样本量以及老年人活动数据来对算法中的阈值参数进行修正，以提高算法识别跌倒的精确度。本文在iOS设备上进行跌倒检测研究，对如Android、Windows Phone等其他智能手机跌倒识别的相关研究也具有很好的参考意义。

[1] World Health Organization（WHO）.Falls[R/OL].（2012-10-21）[2013-09-15].http：//www.who.int/mediacentre/factsheets/fs344/en/.

[2] Leone A，Diraco G，Siciliano P.Detecting falls with 3D range camera in ambient assisted living applications：a preliminary study[J].Med Eng Phys，2011，33（6）：770-781.

[3] 胡飞，顾冬云，戴尅戎，等.基于非线性时间序列法研究人体步行稳定性[J].医用生物力学，2012，27（1）：51-57.

[4] Li Y，Ho K C，Popescu M.A microphone array system for automatic fall detection[J].IEEE Trans Biomed Eng，2012，59（5）：1291-1301.

[5] Litvak D，Zigel Y，Gannot I.Fall detection of elderly through floor vibrations and sound[J].Conf Proc IEEE Eng Med Biol Soc，2008，2008：4 632-4 635.

[6] Zigel Y，Litvak D，Gannot I.A method for automatic fall detection of elderly people using floor vibrations and sound——proof of concept on human mimicking doll falls[J].IEEE Trans Biomed Eng，2009，56（12）：2 858-2 867.

[7] Lee R Y，Carlisle A J.Detection of falls using accelerometers and mobile phone technology[J].Age Ageing，2011，40（6）：690-696.

[8] 王荣，章韵，陈建新.基于三轴加速度传感器的人体跌倒检测系统设计与实现[J].计算机应用，2012，32（5）：1 450-1 452，1 456.

[9] 余辉，郑晓悦，张力新，等.老年人跌倒监测及远程救助系统的研究与实现[J].计算机工程与应用，2011，47（35）：245-248.

[10]Karantonis D M，Narayanan M R，Mathie M，et al.Implementation of a real-time human movement classifier using a triaxial accelerometer for ambulatory monitoring[J].IEEE Trans Inf Technol Biomed，2006，10（1）：156-167.

[11]李娜，侯义斌，黄樟钦.基于人体加速度特征的实时跌倒识别算法[J].小型微型计算机系统，2012，33（11）：2 410-2 413.

[12]赵祥欣.基于三维加速度传感器的跌倒监测研究[D].杭州：浙江大学生物医学工程与仪器科学学院，2008.

（收稿：2014-03-17 修回：2014-07-29）

IOS-based alarm and detect system of falls in elder

LI Ya-ping,XUE Bing-bing,WU Shu-yu,ZHANG Yuan,ZHOU Ling-hong
（School of Biomedical Engineering,Southern Medical University,Guangzhou 510515,China）

ObjectiveTo present a phone-based fall detection system that can provide timely help for the elderly when a fall happens and get more time for the emergency if injuries occur due to falls.MethodsAccording to the study,body acceleration and angular velocity data,obtained from the tri-accelerometer and gyroscope in iPhone,were used to calculate the eigenvalues SVM,SMA and TA which were associated with the body movement.Multi-threshold algorithm was utilized to determine whether a fall would occur.A fall alert was sent to the guardian in the preset means in case of fall.ResultsThe daily activities of the elderly such as walking,jogging,sitting,lying down,stooping and some kinds of fall like forward fall,sideways fall,back fall were chosen to test the accuracy of the fall detection algorithm.Among them,the accuracy of jogging recognition was 96%,the accuracy of forward fall detection was 98%,and the remained actions had 100 percent accuracy rate,and the system accuracy was 99.25%.ConclusionsEffective fall detection with no additional inserted devices and no requirements for the placement of phones highlights the function and usage of this system.[Chinese Medical Equipment Journal，2014，35（9）：15-18]

fall detection;iPhone;tri-accelerometer;gyroscope

R318；TP277

A

1003-8868（2014）09-0015-04

10.7687/J.ISSN1003-8868.2014.09.015

广东省科技计划项目（2012A032200014）

李亚萍（1990—），女，研究方向为智能医学仪器设计，E-mail：applelyp1990@gmail.com。

510515广州，南方医科大学生物医学工程学院（李亚萍，薛冰冰，吴书裕，张 媛，周凌宏）

周凌宏，E-mail：smart@smu.edu.cn