基于MPU6050加速度传感器的跌倒检测与报警系统设计*

卓从彬，杨龙频，周　林*，罗　丹(.重庆邮电大学通信软件研究所，重庆400065; .北京医院，北京00730)



基于MPU6050加速度传感器的跌倒检测与报警系统设计*

卓从彬1，杨龙频2，周林1*，罗丹1
(1.重庆邮电大学通信软件研究所，重庆400065; 2.北京医院，北京100730)

摘要:分析不同年龄段老年人行为和跌倒状态变化(SVM)和姿态特征变化(姿态角)，设计一种基于加速度传感器的跌倒检测系统。使用MPU6050加速度传感器，通过无线传输(HC－06蓝牙模块)将采集到的数据传输到PC机上保存。通过MATLAB辅助分析采集的不同年龄段老年人各种行为数据的差异性，为不同年龄段老年人设置不同的跌倒检测阈值。仿真实验证明对不同年龄段的老年人设置不同跌倒检测阈值的跌倒检测算法与其他同一类型的跌倒检测算法相比有到更高的准确率和实用性。

关键词:跌倒检测; MPU6050加速度传感器; SVM; GSM模块; HC－06蓝牙模块

跌倒是指突发、不自主、非故意的体位改变，倒在地上或者更低的平面上。按照国际疾病分类(ICD－10)对跌倒的分类，跌倒包括以下两类:(1)从一个平面至另一个平面的跌落; (2)同一个平面的跌倒。跌倒是我国造成伤害死亡的第4位原因，而在65岁以上的老年人中则为首位。老年人跌倒死亡率随年龄的增长而急剧上升。跌倒除了导致老年人死亡外，还导致大量疾病，如轻则导致划伤或者骨折;重则导致昏厥、脑血管意外，甚至导致瘫痪。老年人跌倒后的恐惧心理将降低老年人的活动能力，使其活动范围受限，生活质量降低［1］。而跌倒所导致死亡的主要原因是老年人在跌倒后没有及时得到救治，而耽误了最佳的抢救时间。如何准确快速地检测到老年人跌倒并及时通知亲人和急救中心是本文研究的重点。跌倒检测技术的方法有很多，从信号采集的渠道进行分类，将跌倒检测技术分为3类:(1)基于视频的跌倒检测系统; (2)基于声学的跌倒检测系统; (3)基于穿戴式的跌倒检测系统［2］。Vaidehi V［3］等人利用安装在室内的摄像头实时捕捉被观察者的静态特性:纵横比(Aspect Video)和身体倾角(Inclination Angle)，通过实验采集到的数据来确定纵横比和倾角的阈值，当被观察着的纵横比和倾角都超过相应的阈值时就视为跌倒事件发生，这种检测方法只适用于室内环境并且涉及到个人隐私泄露等限制。Chen Diansheng［4］等人，运用Freescale公司生产的三维加速度传感器MMA7260QT实时监测被观察者的三维加速度值，作者把跌倒过程分为3个阶段:跌倒发生到与地面接触之前;与地面接触的瞬间和跌倒在地面后。在这3个阶段分别以加速度和角度作为观察数据。通过仿真验证所设计的跌倒检测系统的灵敏度(Sensitivity)为97%，特异性(Specificity)为100%，其中灵敏度表示正确检测出跌倒的能力;特异性表示正确检测出正常行为的能力。但是该系统也存在一些缺点如:跌倒实验的原始数据是由22岁～26岁的年轻人为观察模拟跌倒对象。因此，测量的跌倒数据值可能比老年人跌倒时的实际值要偏大，并且作者没有对不同年龄段的老年人设置不同的跌倒检测阈值等缺点。通过总结和比较过去的研究成果对跌倒检测系统进行以下几点创新使得本文所设计的跌倒检测系统在可靠性和实用性都有所提高。首先，在硬件上面使用MPU6050加速度传感器，这是全球第1款9轴运动处理传感器芯片，能够更准确的检测人体的多种加速度变化来用于跌倒检测;其次，所选择的STC12C5A60S2单片机是一款高速/低功耗/超强抗干扰的新一代8051单片机，它的处理速度是普通单片机的8倍～12倍，提高了跌倒检测的准确度;最后，本文在跌倒检测算法上也有所创新，考虑到不同年龄段的老年人的各种行为特征存在一定差异［5］，所以本文在选择跌倒检测阈值时是根据分析大量不同年龄段老年人的各种行为特征，为不同年龄段老年人的跌倒检测算法选择不同的跌倒检测阈值，这样可以提高跌倒检测系统的准确率和实用性。综上所述，本文所设计的跌倒检测系统与之前的研究成果相比能够提高3%～5%的准确率，而且具有更高可靠性和实用性。

1　系统架构设计

系统主要由3大部分组成:可穿戴式的跌倒检测终端、GSM传输和监测中心，如图1所示。可穿戴式的跌到检测终端由MPU6050加速度传感器、STC12C5A60S2单片机和GSM模块(BENQ M22)组成。MPU6050传感器是全球首例9轴运动处理传感器芯片，它集成有三轴MEMS陀螺仪，三轴MEMS加速度计，以及一个可供扩展的数据运动处理器DMP (Digital Motion Processor)［6］，并且MPU6050传感器的输出为数字数据，不需要A/D转换器就可以直接传送到单片机中进行处理，这样可以减小系统的能耗、误差和整个系统的体积。利用MPU6050传感器可以实时检测人体的三轴加速度和三轴角度的变化，这些人体特征的变化是用来判断是否有跌倒发生的有力证据。STC12C5A60S2单片机是由宏晶科技生产的单时钟/机器周期(1T)单片机，是一款高速/低功耗/超强抗干扰的新一代8051单片机，该特性可以大大延长整个跌倒检测系统在一次充电后的使用时间。并且STC12C5A60S2单片机比普通51系列单片机的速度快8倍～12倍使得能够快速地处理MPU6050传感器采集的数据，从而提高跌倒检测系统的实时性和准确性。在跌倒时由GSM模块发送报警短信到绑定的亲人手机中求救。

图1　跌倒检测原理框图

首先MPU6050传感器模块采集人体的加速度值，通过SDA接口传送到STC12C5A60S2单片机中，单片机接收到加速度数据后，运行存储在单片机ROM存储器中的跌倒检测系统算法，如果判断出跌倒发生就产生一个中断，该中断函数激活GSM模块发生一条报警短信到被绑定的手机中求救，并且该中断函数也将激活蜂鸣器发出求救信号向周围人群请求帮助，从而实现跌倒后第一时间被救助。

2　跌倒检测算法设计

人体跌倒是由于身体不自主失去平衡的行为，在跌倒的瞬间［7］，人体的重力，加速度，位移和姿态等相关量都会发生相应的变化［8］。本研究课题结合人体在发生跌倒时的重力、加速度和姿态的变化来判断跌倒事件，其中假设人体正前方为X轴方向，正左方为Y轴方向，竖直方向为Z轴方向，如图2所示。

图2　三维加速度方向图

通过观察和分析采集到的志愿者跌倒数据，可以跌倒的具体过程如下:首先，跌倒发生时人体的重力加速度az会有一个瞬间的下降过程，如图3所示，其中X轴代表采样时间(单位:ms)，Y轴代表重力加速度值(单位:gn);随后身体在与地面接触时会与地面产生一个激烈的冲击，这个冲击表现为人体的运动状态值SVM会有一次突变，其中SVM为如式(1)所示;最后身体平躺在地面，此时人体z轴的角度接近0°，如图4所示:其中X轴代表采样时间(单位:ms)，Y轴代表人体角度值(单位:°)。

式中，ax、ay、az分别代表人体三维加速度值，即三维加速度值，如图2标注所示。

图3　跌倒时重力加速度变化情况

图4　跌倒时人体Z轴角度变化

当身体与地面发生激烈冲击过后，人体将躺在地面或者坐在地面，此时人体处于一个相对静止的状态，这时可以运用此时人体的x、y、z轴的角度值来判断人体的姿态。综上所述，跌倒过程中将要设置3个阈值分别是:重力加速度阈值Tgravity、运动状态阈值Tsvm和角度阈值Tangle，由于不同年龄段的老年人走路的方式有所差别，所以这3个阈值对不同的老年人所有差别，比如年龄比较大的老年人为了安全就应该把阈值设置得比年龄较小的老年人小。只有同时满足这3个阈值后才有可能发出报警信号。当系统检查到跌倒时会延迟30 s时间等待用户确认是否发出求救短信，在30 s后如果当事人没有解除报警，系统就会通过GSM模块向监测中心(被绑定的亲人手机)发出求救信号，具体流程图为如图5所示。

图5　跌到检测算法流程图

3　实验测试与结果分析

3.1原始数据的采集

根据跌倒检测系统的原理，需要通过分析老年人日常生活中的各种行为，找出这些行为与跌倒行为的差异，这样一来可以获得跌倒检测算法中所需要的阈值。本文根据老年人的日常生活把他们在日常生活中的行为分为两部分:一部分是日常行为ADL(Activities of Daily Life);另一部分则是跌倒(Fall Down)。把日常行为活动又划分成:水平行走、坐下、躺下、上下台阶、蹲下、慢跑和快跑(这种行为在老年人中很少发生，所以这种行为的原始数据不测);跌倒又可以划分成:向前跌倒、向后跌倒、向左跌倒和向右跌倒，具体结构图如图6所示。

图6　老年人日常行为

本文结合所应用的跌到检测算法，选取60岁～65岁、65岁～70岁、70岁～75岁和75岁～80岁4个年龄段的老年人作为日常行为活动(处于安全考虑，跌倒行为的原始数据不以老年人为采集对象)原始数据的采集对象。20岁～25岁、25岁～30岁、30岁～35岁和35岁～40岁4个年龄段的青年人作为跌倒原始数据的采集对象(为了保证安全每一次跌倒都是特意地摔倒在厚度为约10cm的软垫上)。每一个年龄段分别选择男性和女性各5名，对每一个采集对象的上述图6中行为各采集2 min左右。

3.2正常行为的数据采集结果

通过MATLAB仿真工具把采集到的数据绘制出，这里列出不同年龄段的老年人在水平行走时的三维加速度值和SVM值，如图7和图8所示，其中X轴为数据采集时间(单位:ms); Y轴为水平行走时采样数据的SVM值(单位:gn)。从图中可以看出年龄越大在行走时，三维加速度值变化就越平缓且SVM值就越小。

图7　62岁老年人水平行走时的SVM值随时间的变化图

图8　73岁老年人的水平行走的SVM值随时间的变化图

图9　84岁老年人的水平行走的SVM值随时间的变化图

下面通过不同年龄段的老年人在相同行为的SVM均值进行对比，如表1所示。

表1　不同年龄段的老年人在各种行为下最大SVM的均值

3.3跌倒行为的数据采集结果

与正常行为的数据采集一样，以年轻人为采集对象来模拟跌倒行为的发生。下面给出两个年龄段跌倒的运动状态SVM值(这里只提取出跌倒发生前后过程中的SVM值)，如图所示，其中X轴为数据采集时间(单位:ms); Y轴为向前跌倒时采样数据的SVM值(单位:gn)。

图10　30岁青年向前跌倒的SVM值随时间的变化图

图11　38岁青年向前跌倒的SVM值随时间的变化图

从上面的图形可以看出，在不同年龄段的年轻人的跌倒行为大致相同，在跌倒在地之前SVM值有一个瞬间的减小，这是因为在摔倒时人体的重力加速度有一个瞬间的减小。从图中可以看出在身体与地面接触时与地面有一个冲击，此时SVM值有一个瞬间的增大。冲击过后身体保持不动，此时SVM的值变化较小。

比较不同年龄段年轻人的跌倒SVM值可以看出他们的最大SVM值有明显的不同:30岁年轻人跌倒的最大SVM值为1.72 gn; 38岁年轻人跌倒的最大SVM值为1.55 gn。这种不同与不同年龄段的老年人的日常行为(如图7～图9所示)的最大SVM值不同相符合。所以这两个的一致性说明了不同年龄段的老年人的跌倒检测算法的阈值应该不一样，这证明了本文提出的最后一个创新点的正确性。

4　数据分析

从上面的图形显示同一种行为在不同的年龄段老年人所表现出不同的SVM值，年龄越大在相同的行为时更加缓和。比如:上台阶时62岁老年人的SVM最大值为1.8 gn，而84岁老年人的SVM最大值为1.25 gn;水平行走时62岁老年人的SVM最大值为1.87 gn，而84岁老年人的SVM最大值为1.6 gn;坐下时62岁老年人的SVM最大值为1.43 gn，而84岁老年人的SVM最大值为1.26 gn。所以在不同年龄段应该有不同的SVM阈值来判断跌倒。由于本次试验的年轻人是跌倒在厚度为约10 cm的软垫上，所以真实跌倒时身体与地面的冲击将比试验跌倒时的冲击大，因而跌倒时的最大SVM值将比试验时的最大SVM值大。这里结合所采集到的不同年龄段的年轻人在模拟跌倒时的数据，得出不同年龄段的老年人的不同阈值，如表2所示。

表2　不同年龄段设置的跌倒阈值

5　系统仿真与分析

本文通过MATLAB模拟不同年龄段老年人的跌倒行为，应用表2中不同年龄段的跌倒算法阈值，对100组数据(其中有10次跌倒行为)进行重复检查10次。这里通过两个参数来判断这个系统的性能，分别是:True Positive(跌倒发生时准确报警，TP)和False Positive(跌倒未发生时报警，FP)。检查结果显示在65岁～70岁所设置的阈值的TP均值为97.7%，FP均值为0.5%; 70岁～75岁的TP均值为98.4%，FP均值为1.1%; 75岁～80岁的TP均值为99.1%，FP均值为1.5%; 80岁～85岁的TP均值为99.8%，FP均值为3.5%。所以通过不同年龄段的老年人所表现出的日常行为的差异性，设置不同的跌倒检测阈值可以得到更高的准确率。虽然在仿真过程中80岁～85岁的误报率要比其他几个年龄段稍大一点，因为考虑到这个年龄段的老年人的特殊性，所以宁愿误报一次也不能放过每一次跌倒的正确报警。

6　结论与展望

本文通过对跌倒行为和老年人的日常行为进行研究，分析日常行为与跌倒行为的差异性，设计出针对不同年龄段设置的不同阈值的跌倒检测系统，获得了较高的准确率。随着我国人口老龄化趋势的加剧，该装置为老年人以及相关需要的人群提供穿戴式的设计。一方面，保护了使用者的隐私;另一方面，降低了老年人怕跌倒而不敢外出的恐惧，为老年人的生活带来了便利和健康。但是本文所设计的跌倒检测系统也存在不足，如:在采集跌倒的原始数据时是以年轻人为采集对象，因为老年人的跌倒与年轻人的跌倒有差异，所以对阈值的选择带来一定的影响。

参考文献:

［1］老年人跌倒干预技术指南［S］.卫生部疾病预防控制局，2011.

［2］邹众鹰，谢存禧.基于家庭的远程健康监护系统进展［J］.计算机工程与应用，2005，30(10):20－34.

［3］Vaidehi V，Kirupa Ganapathy，Mohan K，et al.Video Based Automatic Fall Detection Indoor Environment［C］//IEEE-International Conference on Recent Trends in Information Technology，ICRTIT 2011，MIT，Anna University，Chennai.2011:3－5.

［4］Chen Diansheng，Feng Wei，Zhang Yu，et al.A Wearable Wireless Fall Detection System with Accelerators［C］//Proceedings of the 2011 IEEE International Conference on Robotics and Biomimetics.2011:7－11.

［5］Hu Xinyao，Qu Xingda.An Individual-Specific Fall Detection Model Based on the Statistical Process Control Chart［J］.Safety Science，2014，64:13－21.

［6］陈炜峰，席万强，周峰，等.基于物联网技术的山体滑坡监测及预警系统设计［J］.电子器件，2014，37(2):279－282.

［7］孙新香.基于三轴加速度传感器的跌到检测技术的研究与应用［D］.上海:上海交通大学，2008.

［8］董洁，笪东旭，杨文武，等.基于STM32W的老年人心率实时监测及跌倒检测系统［J］.电子元器件应用，2012(Z1):75－82.

卓从彬(1989－)，男，汉族，四川内江人，重庆邮电大学通信与信息工程学院硕士研究生，主要研究方向物联网应用、无线传感器网络，6343609492@qq.com;

罗　丹(1991－)女，汉族，重庆长寿人，重庆邮电大学通信与信息工程学院硕士研究生，主要研究方向物联网应用，1097342405@qq.com。

Machine Vision Technology in Application to Detecting Ill Individuals of Flocks*

WEI Changbao*，LI Ping
(Huanghuai College Information Engineering College，Zhumadian He’nan 463000，China)

Abstract:The current farm，ambient temperature，air flow，eggs，poultry manure，food and water supplies have been completely automatic controlled.However，the dead poultry in the farm has not automatic monitor and it can cause the environmental pollution.For the above mentioned various defects detected in dead poultry inspections to farm，we used the method of logic and operations to exclude the presence of part of live chickens，and by means of extracting the important features of each chicken.Based on the change of such features，It can be judged whether the chickens died or not.The experimental results can be obtained that the image recognition method can effectively enhance the detection accuracy of dead chickens.

Key words:machine vision; automatic detection; feature extraction; detection precison

doi:EEACC:6140C; 720010.3969/j.issn.1005－9490.2015.04.022

收稿日期:2014－10－21修改日期:2014－11－27

中图分类号:TP212.3

文献标识码:A

文章编号:1005－9490(2015)04－0821－05

项目来源:基于物联网技术的呼吸、脉博异变及跌落的实时监测与报警的关键技术研究项目(61171190)