老年人跌倒检测系统的研究现状与发展趋势

高 青，陈洪波，冯 涛，朱振朋

老年人跌倒检测系统的研究现状与发展趋势

高 青，陈洪波，冯 涛，朱振朋

阐述了老年人跌倒检测系统的研究现状，对视频式环境式和穿戴式等现有的老年人跌倒检测系统的技术原理进行了总结。分析和讨论了模式识别法、阈值判断法等常用的人体跌倒识别算法的原理及其工作过程。结合当前老年人跌倒检测系统的优缺点，对老年人跌倒检测系统的发展趋势进行了展望，并认为穿戴式跌倒检测系统有更大的发展空间与市场前景。

老年人跌倒检测系统；技术原理；跌倒识别；发展趋势

0 引言

随着社会老龄化形势逐渐严峻，老年人的身心健康问题受到社会越来越多的关注。由于身体机能衰退、急慢性疾病、药物副作用等因素的存在，老年人跌倒的发生率非常高[1]。跌倒是老年人群伤残、死亡的重要原因之一，严重影响老年人的健康及生活自理能力[2-3]。开展老年人跌倒检测研究工作，对于保障老年人的身体健康、减轻家庭经济负担、节约社会医疗资源、缓解人口老龄化带来的巨大压力，具有重要的社会意义。

1 跌倒检测原理及方法

人体动作可划分为两大类，即人体日常动作和跌倒[4]。实际生活中人体日常动作一般由多个动作组合而成；典型日常动作主要包括上下楼、行走、起立、坐下、弯腰、蹲下、跳、跑等。跌倒是指突发、不自主的、非故意的体位改变——倒在地上或更低的平面上[5-6]。根据跌倒方向的不同，可将跌倒动作分为4类——左侧跌倒、右侧跌倒、前向跌倒和后向跌倒[7]。跌倒发生过程一般很短暂，人体姿势通常由直立状态变为接近水平状态，并伴随着运动参数，诸如人体运动轨迹、姿态角、三轴加速度、角速度、速度、足底压力等的显著变化，同时生理参数，如皮肤电阻和心跳频率也会发生变化。

利用跌倒本身的特征将跌倒与人体日常动作区别开来，并为跌倒者报警求助，即为跌倒检测系统的目标。系统一般由数据采集单元、数据处理单元以及远程监护单元3部分组成，其结构图如图1所示。数据采集单元通过传感器采集人体运动或生理参数，如视频、加速度、角度、压力、心率和皮肤电阻等。数据处理单元对接收到的传感器数据进行处理分析，判断被监护者是否发生跌倒事件。如果被监护者发生跌倒事件，系统则通过有线或无线通信方式进行远程报警。远程监护单元配备于监护中心或被监护人家属，当接收到报警信息后，提醒相关人员对被监护者进行及时救助。

图1 跌倒检测系统结构图

目前跌倒检测系统主要分为3类，即视频式跌倒检测系统、环境式跌倒检测系统和穿戴式跌倒检测系统。

1.1 视频式跌倒检测系统

视频式跌倒检测系统是在人体活动区域内安装视频传感器，采集人体运动图像，通过图像分析的方法实现跌倒判断。

Rougier等[8]利用人体跌倒过程中头部运动特征较为明显的特点，提出了基于头部运动轨迹的检测系统，即通过摄像头采集人体图像，并定位头部位置，计算头部运动速度。如果头部的水平速度和垂直速度同时达到峰值，并且垂直速度小于-1.5 m/s，同时水平速度大于2 m/s，则确定人体发生跌倒，其检测准确率为78.9%。人体跌倒过程中2幅连续图像的头部定位图如图2所示。

图2 人体跌倒过程中2幅连续图像的头部定位图

Vaidehi等[9]提出了一种基于人体静态特征的视频检测方法，该方法利用人体静态特征如人体长宽比和姿态角判断是否发生跌倒，如果长宽比大于1，并且倾角在[45°，90°]范围内，则判定为跌倒动作。此方法不涉及任何速度计算，因此相对于动态检测方法计算量较小。站立和跌倒状态下人体图像及前景图如图3所示。

图3 站立和跌倒状态下人体图像及前景图

Chua等[10]提出了一种结合人体形状分析和头部检测的方法，利用椭圆拟合人体形状，并从椭圆提取人体形状变化特征来检测跌倒，而头部形状检测有助于区分跌倒和类跌倒动作，该方法的跌倒检测准确率达到了95%。不同状态下头部形状如图4所示。

视频式跌倒检测系统适用于室内环境，无需穿戴，检测准确率高。但是这种检测系统也存在缺点：（1）所获取的视频图像信息受光线明暗以及周围环境的影响很大；（2）涉及用户隐私。

1.2 环境式跌倒检测系统

环境式跌倒检测系统通常在人体活动区域内嵌入无线传感器网络、红外传感器、声音传感器、压力传感器、多普勒雷达等非视频传感器，采集人体运动和姿势信息，进而判断是否发生跌倒。

图4 不同状态下的人体头部形状

由于人体的阴影效应，人体遮挡会引起无线传感器网络节点信号的变化，霍宏伟等[11]提出了一种利用体域网和室内传感器网络来检测老年人行为的方法，通过对比最小通信决策集合的内容来判定人体是否跌倒，此方法的检测准确率达到了90%以上。

红外传感跌倒检测设备[12]通过热释电红外传感器采集人体热源数据，并从中提取人体目标行为的动态信息，然后采用隐马尔可夫模型HMM模式匹配的方法得到检测结果。

基于声波的跌倒检测系统[13]利用音频信号来进行检测，通过分析由人体撞击地面而发出声音的高度来判断是否有跌倒发生。这种方法易受外界其他音频信号干扰，并且易受地板材质的影响，系统的识别率和适应性不高。

嵌入了跌倒检测块的跌倒检测地毯[14]采用压力传感器检测压力信息来判断跌倒。这种跌倒监测系统需要在监测范围内布置跌倒检测地毯，因此被监测对象的活动范围受限制，且施工较为困难，成本较高。

基于多普勒雷达的跌倒检测系统[15]通过安装于天花板的雷达来测量人体的运动速度，利用人体在跌倒过程中速度不断增加直至撞击地面的特点，自动区分跌倒与其他活动，检测准确率达到了95%。

环境式跌倒检测系统无需穿戴，不涉及用户隐私，能在黑暗环境中工作，但是监测范围有限制，易受外界干扰信号的影响。

1.3 穿戴式跌倒检测系统

穿戴式跌倒检测系统通常将跌倒检测单元嵌入到手机[16]、衣服、帽子、鞋、腰带、首饰等处，可实时采集人体的运动参数或生理参数，通过算法判断是否发生跌倒事件。

基于加速度传感器的穿戴式跌倒检测系统通常采用三轴加速度传感器，将其佩戴在人体某个或某几个部位（如头部、胸部、腰部、大腿、小腿和脚踝等），对人体相应部位的三轴加速度数据信息进行采集，然后通过分析加速度数据来识别跌倒。Chen等[17]研究了一种基于三轴加速度传感器的无线可穿戴式跌倒检测系统[17]，系统以合加速度数据及姿态角为依据进行跌倒判别，灵敏度达到了95%，特异度为100%。

基于压力传感器的穿戴式跌倒检测系统[18]通常将数据采集单元嵌入到鞋垫内，以脚底压力信息为跌倒识别的依据。系统首先根据脚底压力平均值的大小来初步判断人是否发生跌倒事件，然后利用支持向量机（support vector machine，SVM）算法进行进一步判定，检测准确率为80%以上。该系统的可穿戴式部件嵌入到被监护人鞋垫内，便于穿戴，监护人无需每天关心该部件的佩戴问题，而且可以在任意的场景下进行活动数据信息的采集。

基于多传感器的穿戴式跌倒检测系统也较为常见。薛源[19]采用加速度传感器、角度传感器和压力传感器，以人体的加速度、姿态角、脚底压力信息为依据，采用阈值分析的方法进行跌倒判定，检测准确率可达95%以上；李慧奇等[20]采用三轴加速度传感器、三轴陀螺仪和三轴磁力计，以人体的加速度、角速度、姿态角信息作为跌倒判定的依据，采用阈值判断法检测跌倒，其灵敏度可达98.61%，且特异度为98.61%。此类系统避免了单一传感器的局限性，可在一定程度上提高检测准确率，但同时也增加了算法的复杂度以及硬件的功耗。

跌倒发生过程也会伴随有生理参数的变化，Nocua等[21]研究了一种基于量化自主神经系统的穿戴式跌倒检测系统，通过测量心率和皮肤电阻，采用支持向量机的分类方法进行跌倒识别，此系统的灵敏度可达70.37%，特异度为80%。

穿戴式跌倒检测系统体积小巧、便于穿戴，可全天候检测，对使用场地要求低，而且价格比较低廉。系统可与血氧、心电、脉搏等健康监护设备结合[22-23]进行检测；可利用全球定位系统（global positioning system，GPS）等装置对被监测对象的跌倒位置进行无线定位[24]；可通过有线或无线等传输方式进行远程跌倒报警[25]；并且可对人体进行跌倒预警，在人体跌倒之前，启动保护气囊[26]等保护装置以确保人体安全。但是此类设备需要被监测者佩戴到身上才能发挥作用。

2 跌倒识别算法

目前，常用的跌倒识别算法有模式识别法和阈值判断法等[27]。

模式识别法采用支持向量机[28]、人工神经网络[29]、决策树[30]、朴素贝叶斯[31]、k-近邻[32]以及极限学习机[33]等识别算法，通过釆集传感器数据信息，对运动模式进行识别，将跌倒动作与人体日常动作区别开来，其处理流程图如图5所示。该类方法首先将采集到的数据信息进行滤波等预处理，然后将预处理后的数据信息进行特征提取，接着利用分类器区分跌倒与日常动作。模式识别法需要大量数据对分类器进行训练，算法一般比较复杂，对硬件平台的运算速度和存储空间要求较高[34]。

图5 运动模式识别法处理流程图

阈值判断法的思路是首先设定一个固定大小的滑动时间窗口，然后对窗口内的数据信息用阈值方法进行分析处理，如果某些指标达到预设的阈值条件，则判定为一次跌倒事件。研究者通常根据实验结果提取经验数值来确定阈值的大小。例如，Li等[35]通过实验发现，将加速度传感器固定在腰部，人体进行ADL（activities of daily living）活动时，三轴加速度的矢量和即合加速度的变化范围在[-1.5g，+1.5g]（g表示重力加速度）区间内，而在跌倒碰撞瞬间，合加速度会骤然上升，其峰值一般可超过4g，跌倒事件发生后合加速度迅速下降。阈值判断法比较简单，但由于跌倒动作与类跌倒动作容易造成误判，因此准确度有待提高。解决的途径通常是多传感器融合，设定多个环节的阈值，并结合时间长度来判定跌倒[27]。

3 老年人跌倒检测系统的发展趋势

现有的跌倒检测系统都各有其优缺点，视频检测法涉及用户隐私，环境检测法误判率相对较高，而且二者的使用场所均受一定限制。经过综合比较，笔者认为穿戴式跌倒检测系统有更大的发展空间与市场前景，因为这种方法不受地点范围的限制，保护被监测者的隐私，易与现有技术，如嵌入式技术、传感器技术、健康监护技术、无线通信技术等相结合，有较高的检测准确度、灵敏度和特异度等，可达到更好的监测效果。

目前，跌倒检测产品虽然已有不少，但是由于人体日常动作和跌倒情况复杂多样，在研究过程中往往只选取特征性动作，并将动作进行简化等原因，跌倒识别率、实用性并不高，跌倒检测产品还没有被老年人真正接受。因此，只有提高跌倒检测系统识别率和实用性，才能使其普遍应用到老年人健康监护领域。

总之，跌倒检测系统能够有效检测跌倒事件的发生，为老年人的健康安全提供保障，但仍有待改进和完善，其发展方向为：

（1）系统的跌倒识别率和实用性更高。

（2）系统向便携化、微型化方向发展，便于检测系统的安装，不影响老年人的正常生活。

（3）系统向智能化方向发展，可实现无线定位、远程报警等功能，为老年人健康监测物联网提供技术支持。

（4）系统可实现跌倒预警，在老年人跌倒着地之前采取相应的安全措施，使得老年人健康安全能够得到最大程度的保护。

（5）系统与健康监护相结合，家属或家庭医生可以随时了解老年人的健康状况，特别是跌倒后的老年人健康危险程度，从而更好地对老年人健康进行监护。

（6）系统能够实现低功耗、低成本，有利于产品的普及。

[1]于洪宇.老年人跌倒问题的相关因素研究与预防护理[J].中国老年保健医学，2009，7（1）：85-88.

[2]周顺福，宋桂香，李延红，等.老年妇女跌倒性伤害的预防和控制[J].上海预防医学杂志，2005，17（3）：113-115.

[3]郝燕萍，刘雪琴，靳海如.老年人跌倒致伤情况分析[J].护理研究，2006，20（22）：2 017-2 018.

[4]梁丁.基于MEMS惯性传感器的跌倒检测与预警研究[D].大连：大连理工大学电子信息与电气工程学院，2012.

[5]Xoury N，Riuneau P，Bourke A K，et al.A proposal for the classification and evaluation of fall detectors[J].IRBM，2008，29（6）：340-349.

[6]刘青青，钱媛，王芸，等.跌倒危险评估表应用于老年患者的信度和效度研究[J].中国护理管理，2011，11（5）：31-33.

[7]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.

[8]Rougier C，Meunier J，St-Arnaud A，et al.Monocular 3D head tracking to detect falls of elderly people[J].Conf Proc IEEE Eng Med Biol Soc，2006，1（1）：6 384-6 387.

[9]Vaidehi V，Ganapathy K，Mohan K，et al.IEEE-International Conference on Recent Trends in Information Technology，Chennai，June 3-5，2011[C].USA：IEEE，2011.

[10]Chua J L，Chang Y C，Lim W K.2013 International Conference on Multimedia，Signal Processing and Communication Technologies，Aligarh，November 23-25，2013[C].USA：IEEE，2013.

[11]霍宏伟，张宏科，Xu Y Z.基于室内无线传感器网络射频信号的老年人跌倒检测研究[J].电子学报，2011，39（1）：195-200.

[12]刘海亮，杨艾琳.一种基于热释电红外的跌倒检测系统：中国，201110202549.5[P].2011-12-21.

[13]Popescu M，Li Y，Skubic M，et al.30th Annual International IEEE EMBS Conference，Vancouver，British Columbia，Canada，August 20-24，2008[C].USA：IEEE，2008.

[14]王立敏.模块化的可拼接的跌倒检测地毯：中国，201320021788.5[P]. 2013-07-31.

[15]Karsmakers P，Croonenborghs T，Mercuri M，et al.The 9th European RadarConference，Amsterdam，October31-November2，2012[C].USA：IEEE，2012.

[16]Thammasat E，Chaicharn J.2012 Biomedical Engineering International Conference，Ubon Ratchathani，December 5-7，2012[C].USA：IEEE，2012.

[17]Chen D S，Feng W，Zhang Y，et al.The 2011 IEEE International Conference on Robotics and Biomimetics，Phuket，Thailand，December 7-11，2011[C].USA：IEEE，2011.

[18]石欣，张涛.一种可穿戴式跌倒检测装置设计[J].仪器仪表学报，2012，33（3）：575-580.

[19]薛源.基于多传感器的老人跌倒检测系统的研究与应用[D].武汉：武汉理工大学机电工程学院，2011.

[20]李慧奇，梁丁，宁运琨，等.一种防跌倒预警系统的研究与实现[J].集成技术，2014，3（1）：47-54.

[21]Nocua R，Noury N，Gehin C，et al.Annual International Conference ofthe IEEE，Minneapolis，MN，September 3-6，2009[C].USA：IEEE，2009.

[22]李声飞.基于WSN的穿戴式人体姿态与健康监护系统的研制[D].重庆：重庆大学通信工程学院，2010.

[23]秦晓华.一种老年人移动健康监护系统的研究[D].北京：清华大学医学院，2010.

[24]文杰，马忠丽，薛祖播.基于无线通讯与GPS定位的人体跌倒检测器[J].应用科技，2014，41（4）：22-28，76.

[25]谢开明.基于GPRS的跌倒检测报警系统的设计与实现[D].重庆：重庆大学自动化学院，2010.

[26]Tamura T，Yoshimura T，Sekin M，et al.A Wearable Airbag to Prevent Fall Injuries[J].IEEE Trans Inf Technol Biomed，2009，13（6）：910-914.

[27]闫俊泽.基于三轴加速度传感器的老年人跌倒监测系统的开发[D].哈尔滨：哈尔滨工业大学机电工程学院，2012.

[28]Charfi I，Miteran J，Dubois J，et al.2014 World Symposium on ComputerApplications&Research，Sousse，Tunisia，January18-20，2014[C]. USA：IEEE，2014.

[29]Zhang Q B，Tian G H，Ding N N，et al.TheIEEEInternationalconferenceonInformationandAutomation，Yinchuan，China，August2013[C]. USA：IEEE，2013.

[30]何山.基于智能手机的日常活动识别和跌倒检测[D].武汉：华中科技大学，2013.

[31]黄帅.老年人跌倒检测系统中相关算法的研究及应用[D].北京：清华大学，2011.

[32]Erdogan S Z，Bilgin T T.A data mining approach for fall detection by usingk-nearestneighbouralgorithmonwirelesssensornetworkdata[J]. Iet Communications，2012，6（18）：3 281-3 287.

[33]Ma X，Wang H，Xue B，et al.Depth-based human fall detection via shape features and improved extreme learning machine[J].IEEE J Biomed Health Inform，2014，18（6）：1 915-1 922.

[34]孙新香.基于三轴加速度传感器的跌倒检测技术的研究与应用[D].上海：上海交通大学电子信息与电气工程学院，2008.

[35]Li Y J，Chen G，Shen Y Y，et al.2012 IEEE 2nd International Conference on Cloud Computer and Intelligent Systems，Hangzhou，China，October 30-November 1，2012[C].USA：IEEE，2012.

（收稿：2015-01-05 修回：2015-05-25）

Research status and development tendency of fall detection system for the elderly

GAO Qing1,2,CHEN Hong-bo2,FENG Tao1,2,ZHU Zhen-peng1,2
（1.School of Electronic Engineering and Automation,Guilin University of Electronic Technology, Guilin 541004,Guangxi Zhuang Autonomous Region,China;2.School of Life&Environmental Science, Guilin University of Electronic Technology,Guilin 541004,Guangxi Zhuang Autonomous Region,China）

The research status of the fall detection system for the elderly was described,and the principles of the existing systems,including the vision-based,the ambient and wearable ones,were summarized.The principles and flows of pattern recognition method,threshold value judgment method and etc were analyzed.The advantages and disadvantages of the existing systems were explored,and the development tendency of the fall detection system for the elderly was discussed.It's pointed out wearable fall detection system might flourish in the future.[Chinese Medical Equipment Journal，2015，36（12）：102-105]

fall detection system for the elderly;technical principle;fall recognition;development trend

R318.6；TH772.2

A

[文章编号]1003-8868（2015）12-0102-04

10.7687/J.ISSN1003-8868.2015.12.102

国家自然科学基金项目（81460273）；广西科学科技攻关项目（桂科攻1348020-10）；广西自然科学基金项目（2013GXNSFA019325）

高 青（1986—），女，研究方向为人体健康信息监测技术，E-mail：gaoqing0805@126.com。

541004广西桂林，桂林电子科技大学电子工程与自动化学院（高 青，冯 涛，朱振朋），生命与环境科学学院（高 青，陈洪波，冯 涛，朱振朋）

陈洪波，E-mail：hongbochen@163.com