Android跌倒检测系统的实现

李美惠

（1.中国科学院深圳先进研究院广东深圳518055；2.武汉邮电科学研究院湖北武汉430070）

Android跌倒检测系统的实现

李美惠1，2

（1.中国科学院深圳先进研究院广东深圳518055；2.武汉邮电科学研究院湖北武汉430070）

基于减轻老年人跌倒危害的目的，以及时有效的进行跌倒检测和跌倒救助，设计并实现了一款基于Android智能手机的跌倒检测系统，实时采集人体日常行为数据，对数据进行研究分析，提出了一种支持向量机（SVM）和决策树相组合的跌倒检测算法，该算法既能简单快捷的进行手机日常跌倒监护，又能准确有效的进行跌倒检测判断。采用两次跌倒检测判断的方法，在日常行为通过SVM算法判断是跌倒行为时，再进行第二次决策树跌倒判断，优化了日常跌倒检测，使准确率达到99%。

跌倒检测；数据采集；SVM；决策树

意外跌倒是现今社会中危害老年人健康生活的主要因素［1-2］。为此，早在20世纪八九十年代，国内外许多研究结构和高校就在不断研究和实验跌倒检测方法，并且取得了较好的成效［3］。随着社会发展，手机成为人们生活必备品，且Android智能手机占市场手机的65%以上，基于Android智能手机的跌倒检测系统的研发应运而生。但目前的部分手机跌倒检测系统中，跌倒检测算法简单单一，不能够准确、及时、有效的进行跌倒检测，考虑到手机的主体功能和电池内存的消耗问题，跌倒检测算法过于复杂、难于实现、功耗大、准确度和灵敏度低等，都会造成严重的影响。文中提出了支持向量机SVM和决策树相结合的跌倒检测算法，先以SVM算法对日常行为进行预判，再采用决策树对预判结果进行二次分析判断，这样很好的适应了手机载体，并有效提高了跌倒检测的及时性、准确性和灵敏度。

1　跌倒检测方法研究

跌倒检测算法种类众多，目前常用于手机、易于实现的跌倒检测算法主要是支持向量机SVM的检测算法和基于模式识别的决策树算法［4］，但这两种算法在单一使用时，不能同时满足跌倒检测的准确率、灵敏度和及时性，基于SVM的方法太过单一，容易产生跌倒行为的错判或漏判，而决策树则过程复杂、难于实现，应用时耗电耗内存，不能很好的适应手机载体。

针对这两个算法的优劣势，文中采用两次检测的方法：第一次检验采用算法简单、计算量小的SVM阈值算法，如果判断可能发生摔倒，再启动第二次较为精确但是过程复杂的决策树算法，检测流程如图1所示。

1.1基于SVM的跌倒预检测

所谓SVM，就是支持向量机（Support Vector Machine）的判定方式。普通的跌倒检测是简单的二类分类问题：跌倒行为和日常行为，SVM分类方法就是采用线性界面将这两类行为分开，从而初步判断出跌倒行为，达到跌倒预检测的效果，简化日常跌倒检测过程，节省系统资源。

显然，此类判决分类界面有无数多个，即所选取的线性判别函数（y=ax+b）也有无穷多个，如图2所示，其中，最优分类界面与最靠近的样本点距离都达到最大，能够最好的将两类样本进行分类，是最佳判别分类界面，分类界面1则是最简分类界面，这些分类界面都能做到很好的判别分类。

图1　跌倒检测流程图

图2SVM模型图

在跌倒判断的过程中，由于手机佩戴的随意性和跌倒方向的随机性，SVM判断算法中不能进行单方向的分类判断，基于三维数据的采集，在此引进信号向量模svm（signal vector module）概念：

采用线性SVM的算法进行跌倒检测，易于实现，能够快速的做出分类判断，反应时间快，但会存在严重的误判、漏判，准确率和灵敏度难以平衡，故作为日常行为检测，区分出跌倒行为与类跌倒行为，再由决策树进行精确判断。

1.2基于决策树的跌倒精确判断

决策树又叫分类树，由结点和连接在结点上的树枝组成的。最上面的结点定义为根结点，它包括了所有的分类训练数据，最底部的结点是树叶，表示最后的分类结果，除去树叶的其他所有结点被定义为决策点，在这些决策点上，数据会基于某种属性来进行分类判断［5］。

跌倒预检测后，将预检测出的跌倒行为再进行决策树判断，根据不同的属性对该行为做进一步的分析，实现跌倒精确判断。如图3所示，在跌倒检测中，分别对x、y、z轴3个方向的加速度进行决策判断，最终确定跌倒行为。

决策树作为一种多过程决策的方法，通过多级多值分析，对数据进行分类判断，最终确定跌倒行为，准确率高，但是过程复杂，难于实现。系统先对日常行为进行预检测，由预检测出的跌倒行为来触发决策树判断，在简化跌倒检测系统的基础上，提高了跌倒判断的准确率。

图3　决策树模型图

2　系统实现与结果分析

基于以上跌倒检测研究方法，在HUAWEI B199的Android手机上进行系统设计，实现数据采集，并对采集的数据进行跌倒判断。

2.1数据采集

调用Android智能手机中内置的加速度传感器、陀螺仪和方向传感器，对行为数据进行数据采集。

加速度传感器能够感测出移动设备在三维空间中的加速度值Accx、Accy、Accz，根据这三个参数值来判断物体的加速度及运动方式。3个坐标轴方向如图4所示。

但在应用中，通过手机Sensor获得的加速度值是设备以地球为参照物的加速度再减去重力加速度后的值，也就是说，当手机设备静止或者匀速运动的时候，它本身也会有一个为抵御自由落体运动的垂直向上的加速度g'，该加速度g'值投影到设备坐标系中的x、y、z轴上，就是正常显示的三个参数分量值［6］。

图4　手机上的x、y、z坐标轴

陀螺仪就是一款低功耗的3轴角速度传感器，能够测量沿一个轴或几个轴运动的角速度，单位是rad/s。从手机中得到的陀螺仪输出值分别是X、Y、Z轴上的旋转角速度Gryx、Gryy、Gryz。手机内置方向传感器就能够用于采集人体运动时的方向角变化，然后反馈三维的方向角度变化值Orix、Oriy、Oriz，方向与角速度方向对应［7-8］。

日常生活中，人的行为活动是复杂的，有行走、跑步、上楼梯、坐下、起立、跳跃等［9］。在进行算法设计前，先进行软件设计，调用手机内置的传感器API接口，实现在手机上进行各类行为活动的数据采集，以及对采集数据的保存。

图5　手机上传感器数据采集波形显示

图5为快步行走时手机采集实时数据的界面显示，图（a）中为三维加速度的波形显示，图（b）中分别为此时的合加速度和三维方向角的变化曲线。在数据波形显示的同时，将采集到的数据进行实时记录，生成数据文档，存储在手机中。

在该跌倒检测系统的设计过程中，分别对50例实验者进行“行走-跑步-上楼梯-坐下-起立-跳跃-跌倒”一系列行为的数据采集，如表1，数据采集间隔为0.2s，对数据建档，然后进行数据分析、建模，以供进行算法设计。

表1　跌倒检测实验操作

2.2跌倒检测

对采集的数据进行统计研究和对比分析，可以提取到跌倒判断的svm阈值和加速度、角速度特征量。考虑到跌倒方向的随机性，在跌倒数据分析的过程中，不能仅仅对一个方向的数据进行分析判断，采用信号向量模的概念对数据进行处理。

将数据采集实验过程中的数据进行整理，提取数据进行具体观察和分析。图6、图7、图8分别为人体在一系列的实验运动过程中的角速度、加速度和方向角的变化曲线图。

变化曲线中的6个区间依次分别为行走、跑步、上楼梯、坐下起立、跳跃和摔倒6个过程，从图中可以看出，行走、跑步、上楼梯与跌倒行为的区分度很大，而跳跃行为与跌倒行为的区分度则很小，判断有一定的难度，必须要经过二次跌倒检测，进行区分。

图6　角速度向量模曲线

图7　加速度向量模曲线

图8　方向角变化曲线

采用加速度的信号向量模作为SVM模型算法的基本量，做日常行为跌倒判断，对比加速度的波形变化图，跌倒冲击点的加速度值为27.07m2/s，跳跃过程中的最大加速度值为18.24m2/s，选择23m2/s定为SVM模型核函数的规整值，可以进行跌倒行为的初步检测，排除与跌倒行为区分度较大的日常运动行为。

第一次跌倒检测判断之后，再采用加速度、角速度或方向角等单一属性的决策树判断来进行跌倒检测比较片面，不能准确有效的将跌倒行为从类跌倒行为中检测出来，此时决策树的节点应分别采用Acc、Gry、Ori 3个属性逐级判断，针对加速度，还要保证跌倒行为的加速度向量模变化域，与跳跃行为不同，跌倒过程中，加速度不会有0值，根据实验数据，最小值设定为4m2/s。通过Acc、Gry、Ori 3个属性建立决策树模型，进行二次跌倒检测。

2.3结果分析

50位实验者依据日常生活习惯，同时将采用SVM算法、决策树算法和组合算法进行跌倒检测的三部手机固定在身体的右下方（模拟上衣右下方口袋）进行实验。每位实验者分别有两个实验过程：有跌倒行为的实验过程和没有跌倒行为的实验过程，记录手机预警报警情况，对100例实验结果进行分析，对比3种算法结果，如图9所示。

在100例实验过程中，有50例为跌倒行为，50例非跌倒行为，将非跌倒行为判断为跌倒行为进行报警是误判，将跌倒行为判断成为非跌倒行为未进行报警则为漏判，准确判断跌倒行为则为正判。根据图9的记录结果，很明显，单一采用SVM算法，有严重的误判和漏判情况，跌倒检测效果并不理想；而SVM+决策树的跌倒检测算法与决策树算法相比，虽然误判的情况有所增加，但减少了漏判情况，相较而言，漏判比误判情况要严重得多，有可能会造成生命危险，故SVM+决策树的算法要比单一的决策树有优势。并且SVM+决策树的检测算法，在日常监测过程中，判断过程更加简单，计算更加快捷，还能为手机省电，减少内存消耗。

图9　跌倒检测算法对比

3　结束语

文中设计了一种基于Android的实时跌倒检测系统，应用手机中的内置传感器采集人体行为数据，对数据进行分析研究，在原跌倒检测算法基础上提出了基于SVM和决策树相组合的跌倒检测算法，进行实验研究。通过采用该算法，能够实现准确、有效的跌倒检测和判断，在保证跌倒检测准确率的情况下，使手机跌倒检测功能更好的适应了手机载体，简化了日常跌倒检测过程，并且在两层算法间提供了预警系统，实现了更加人性化的实时跌倒监护。

［1］中华人民共和国卫生部编.2010年中国卫生统计年鉴［M］，北京:中国协和医科大学出版社，2010.

［2］程旸，老年人活动监测系统研究［D］.天津:天津大学，2009.

［3］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，2008.

［4］孙即祥.现代模式识别.第二版［M］.北京：高等教育出版社，2008

［5］Lee R Y W，Carlisle A J.Detection of falls using accelerometers and mobile phonetechnology［J］.Age and ageing，2011，40（6）:690-696.

［6］Sposaro F，Tyson G，iFall.an Android application for fall monitoring and response［C］.Engineering in Medicine and Biology Society，2009.EMBC 2009.Annual International Conference of the DEEE.IEEE，2009:6119-6122.

［7］Dai J，Bai X，Yang Z，et al.PerFallD:A pervasive fall detectionsystemusingmobilephones［C］//Pervasive ComputingandCommunicationsWorkshops（PERCOM Workshops），2010 8th IEEE International Conference on.IEEE，2010:292-297.

［8］Zhou M，Wang S，Chen Y，et al.An Activity Transition Based Fall Detection Model on Mobile Devices.Human Centric Technology and Service in Smart Space［C］.Springer Netherlands，2012:1-8.

［9］J.Dai，X.Bai，Z.Yang，Z.Shen and D.Xuan，Mobile phone-based pervasive fall detection［C］.Personal and Ubiquitous Computing.2010：633-643.

Implementation of Android-based fall-detecting system

LI Mei-hui1，2
（1.Chinese Academy of Sciences，Shenzhen Institutes of Advanced Technology，Shenzhen 518055，China；2.Wuhan Research Institute of Post and Telecommunications，Wuhan 430070，China）

In order topromptly fall detection and fall relief of old people，a fall detection system based on Android phones is designed and implemented.By collecting real-time sensor data and analyzing the data，a fall detection algorithm based on Supported Vector Machine and Decision Tree is proposed.The algorithm can be simple and quick for mobile phone daily monitoring，and can accurately and effectively detect the fall.There are two steps to fall detect，the daily behavior of the first SVM algorithm is used to detect the daily behavior，while fall，and then the second Decision Tree fall detect，in this way it effectively optimize the detection and improve the accuracy to 99%.

fall detection；data collection；SVM；decision tree

TN92

A

1674－6236（2016）17-0051-04

2015-08-24稿件编号：201508125

李美惠（1990—），女，湖北荆州人，硕士研究生。研究方向：健康医疗客户端、老年人跌倒检测和智能平台的开发。