可穿戴式跌倒检测智能系统设计*

陈 鹏， 涂亚庆， 童俊平， 赵运勇

(1.后勤工程学院 后勤信息与军事物流工程系，重庆 401311；2.重庆市软汇科技有限公司,重庆 400039)

可穿戴式跌倒检测智能系统设计*

陈 鹏1， 涂亚庆1， 童俊平2， 赵运勇2

(1.后勤工程学院 后勤信息与军事物流工程系，重庆 401311；2.重庆市软汇科技有限公司,重庆 400039)

为提高对老年人跌倒检测的正确率，设计一种可穿戴式跌倒检测系统。研制基于三轴加速度计的跌倒检测设备，给出系统硬件和软件的实现方案；提出基于反向传播(BP)神经网络的跌倒检测算法，将训练好的网络参数植入研制的可穿戴式跌倒检测设备，实现对跌倒的实时检测。实验结果表明：所研制的跌倒检测智能系统能够有效地区分跌倒与非跌倒，正确率达97.37 %。

跌倒检测； 可穿戴式设备； 加速度传感器； 反向传播(BP)神经网络

0 引 言

跌倒是指出现突发的、不自主及非故意的体位改变而倒在地上或更低的平面上[1]。老年人跌倒后，通常由于发现不及时，从而错过最佳的救护时机，容易造成极大的生理及心理伤害。因此，通过对老年人的日常活动进行监测并判断，并对老年人跌倒进行实时检测，已成为急需解决的问题[2]。

目前，跌倒检测系统有用户自主启动型报警系统，该系统操作简单、容易实现但不能主动检测用户是否跌倒，需要用户通过按键触发报警，应用范围不广。基于视频装置的跌倒检测系统具有无需随身佩戴，检测精度高等优势，但该系统需要在用户经常活动的空间内安装视频装置，不仅成本高且容易暴露用户隐私。可穿戴式跌倒检测系统能主动检测用户是否跌倒并自主报警，同时对用户的隐私也起到了保护作用，且佩戴方便，是目前检测跌倒的主流系统[3]。

跌倒检测算法是正确检测跌倒的关键。文献[4～6]采用的加速度阈值检测算法简单且容易实现，但受噪声影响大，误报率与漏报率高；文献[7]增加了加速度微分值的阈值判断，采用多级阈值判断的算法降低了误报率，但漏报率较高；文献[8]在加速度阈值的基础上，增加了角度阈值判断的算法降低了漏报率，但对弯腰、跑步等非跌倒类动作的识别率低，误报率偏高；文献[9]采用压力传感器采集用户在行动中对鞋底产生的压力信息，并利用支持向量机(SVM)判断用户是否跌倒，该方法能识别跌倒与非跌倒，但需要把压力传感器设计成鞋垫放在用户鞋里，对生活不方便，且针对静止时的跌倒检测，正确率不高；文献[10]基于表面肌电(sEMG)和足底压力信号融合的跌倒检测方法为跌倒检测的研究提供了一种新思路，但肌电信号受运动影响大，容易影响跌倒检测的正确率，且设备佩戴方式不方便，不利于使用。

为提高跌倒检测的正确率，本文设计了一种可穿戴式跌倒检测智能系统，研制了基于三轴加速度计的跌倒检测设备，提出一种基于反向传播(back propagation,BP)神经网络的跌倒检测算法，实现实时检测跌倒。

1 系统设计

可穿戴式跌倒检测智能设备应用于健康监测系统，如图1所示。该系统由跌倒检测设备、心率监测和血压监测等可穿戴式设备及上位机构成。

图1 健康监测系统

1.1 系统硬件设计

根据可穿戴式跌倒检测智能设备的功能需求分析，硬件框图通用分组无线业务(GPRS)，全球定位系统(GPS)定位组成，如图2所示。

图2 跌倒检测设备硬件框图

跌倒检测智能设备需要实时检测人体运动信息，并判断用户是否跌倒，其运算量大，选用MSP430系列的单片机作为核心元件，该芯片具有处理功能强、运算数度快、超低功耗等特点，满足功能需求。

三轴加速度计传感器与高度传感器实现实时采集用户运动数据；按键模块用于用户主动报警或者主动取消报警；GPS定位模块实现精确定位，并记录用户跌倒的地理位置；GPRS模块可与用户的家人实现语音通信，并将跌倒与定位信息通过短信的方式发送给用户家人，使得用户在跌倒后能够及时得到救护。

研制的跌倒检测设备从硬件上实现了用户运动数据的实时采集，并保持精确定位与实时语音通信等功能。

1.2 软件设计与实现

系统软件采用模块化设计，软件结构如图3所示。

图3 软件结构框图

系统软件流程如图4所示，系统上电后，主程序调用各个模块初始化子程序；初始化后，采集三轴加速度传感器信号，计算合加速度的值，并与设定的阈值进行比较，通过第一级判断；当合加速度大于阈值时，调用跌倒检测算法，得到跌倒检测结果，并与设定的阈值进行比较，通过第二级判断；为进一步降低跌倒检测的误报率，当跌倒结果大于阈值时，调用高度传感器信息，比较高度的变化是否大于设定的阈值，进行第三级判断；若高度变化大于阈值，自动触发报警装置，反之，则进入下一周期计算。

图4 系统软件流程

2 跌倒检测算法

人体活动行为可分为跌倒与非跌倒两大类，能否有效地区分跌倒与非跌倒是跌倒检测的关键，属于非线性分类问题。BP神经网络具有很强的非线性映射能力，能够实现任何较复杂的非线性映射[11,12]。

由于传感器采集的数据中夹杂噪声，不宜直接用于分类处理，容易影响跌倒检测正确率。本文采用滑动窗口对数据进行截取，利用离散特征抽取的方法对截取的数据进行预处理[13]，再通过跌倒检测算法进行分类处理。

在跌倒时，人体会出现失重，数据的x轴加速度值减小，合加速度值在跌倒瞬间发生突变等特征。跌倒过程完全反映在采集的数据曲线上，如图5所示。

图5 一次典型的跌倒曲线

选取长度为m、滑动步长为n的窗口截取数据(m，n取整数，m>n)，提取能反映跌倒信息的离散特征：

1)合加速度a的最大值amax、最小值amax及二者之间的时间差Δt；

2)合加速度a的平均值：E(a)；

3)窗口内后l点数据的方差：D(a)；

4)窗口内x轴前后k点数据的平均值：E(X)1，E(X)2。

本文采用三层的BP神经网络作为跌倒检测模型，如图6所示。

图6 跌倒检测模型

第一层是输入层，将提取的7个离散特征作为模型的输入；第二层是含4个神经元的隐含层；第三层是一个神经元的输出层，输出值作为判断结果。

通过采集大量的跌倒与非跌倒数据对基于BP神经网络的跌倒检测模型进行训练，将训练好的网络参数植入研制的跌倒检测智能设备，即可实验跌倒检测。

3 实验验证

研制的跌倒检测智能设备实物图及佩戴方式如图7所示。

图7 跌倒检测设备实物

为检验算法在实际使用中效果，选择9名自愿者参与验证实验，验证结果如表1所示。总测试验证数据共990次，正确检测964次，正确率为97.37 %。其中，跌倒类测试450次，正确检测444次，正确率为98.67 %；非跌倒类测试540次，正确检测520次，正确率为96.30 %。

表1 验证结果

类别指标测试次数正确检测次数正确率/% 跌倒类45044498．67 非跌倒类54052096．30 合计99096497．37

从验证结果可以看出：采用基于BP神经网络的跌倒检测算法能有效地区分跌倒与非跌倒，提高了跌倒检测的正确率。

将基于BP神经网络的跌倒检测算法与其他跌倒检测算法的检测结果比较如表2所示。

表2 不同方法检测结果比较

跌倒检测算法正确率/% 基于加速度阈值检测算法92．0 基于加速度和加速度微分阈值多级检测算法96．0 基于加速度和倾角阈值检测算法97．2 基于压力的SVM检测算法85．0 基于sEMG与足底压力信号融合的检测算法91．7 基于BP神经网络的跌倒检测算法97．4

从对比结果可以看出：基于BP神经网络的跌倒检测算法优于其他跌倒检测算法，提高了跌倒检测的正确率。

4 结 论

针对老年人跌倒检测准确率不高的问题，本文设计了一种基于三轴加速度计的跌倒检测智能设备；提出了一种基于BP神经网络的跌倒检测算法；并进行了实验验证。

验证结果表明：基于BP神经网络的跌倒检测算法能有效地区分跌倒与非跌倒，其正确率高于加速度阈值检测算法与其他算法，提高了跌倒检测的正确率，为跌倒检测的研究提供了一种新思路、新方法；目前，设计的跌倒检测智能设备已投入生产，进入市场销售。

[1] 石 婧,姚慧卿,陶永康,等.北京市社区老年人跌倒的发生率及干预效果评价[J].中国老年学杂志,2015,35(10):2792-2794.

[2] 程 添,杨思思,冯 蓉,等.基于双目标定的独居老人摔倒检测算法[J].传感器与微系统,2014,33(10):100-103.

[3] Li Y,Ho K C,Popescu M.Efficient source separation algorithms for acoustic fall detection using a microsoft kinect[J].IEEE Transactions on Bio-medical Engineering,2014,61(3):745-755.

[4] 李 冬,梁 山.基于加速度传感器的老年人跌倒检测装置设计[J].传感器与微系统,2008,27(9):85-88.

[5] 陈 炜,佟丽娜,宋全军,等.基于惯性传感器件的跌倒检测系统设计[J].传感器与微系统,2010,29(8):117-119.

[6] 胡云冰,童世华.一种便携式智能跌倒检测仪的设计与实现[J].自动化仪表,2015,36(2):84-87.

[7] 曹玉珍,蔡伟超,程 旸.基于MEMS加速度传感器的人体姿态检测技术[J].纳米技术与精密工程,2010,8(1):37-41.

[8] 朱 勇,张 研,宋 佳,等.基于倾角的跌倒检测方法与系统研究[J].生物医学工程学杂志,2013(1):95-99.

[9] 石 欣,熊庆宇,雷璐宇.基于压力传感器的跌倒检测系统研究[J].仪器仪表学报,2010,31(3):715-720.

[10] 席旭刚,武 昊,左 静,等.基于sEMG与足底压力信号融合的跌倒检测研究[J].仪器仪表学报,2015, 36(9):2044-2049.

[11] 姚 畅,钱盛友,侯周国.基于神经网络的多传感器火灾预测数据处理[J].传感器技术,2005,24(11):68-70.

[12] 陈 明.Matlab神经网络原理与实例精解[M].北京:清华大学出版社,2012.

[13] Huang S,Yang Y,Liu W.An enhanced fall detection approach based on cost sensitivity analysis[C]∥ACIS International Symposium on Software and Network Engineering,IEEE,2011:81-85.

Design of wearable fall detection intelligent system*

CHEN Peng1, TU Ya-qing1, TONG Jun-ping2, ZHAO Yun-yong2

(1.Department of Military Logistics & Information Engineering,Logistical Engineering University,Chongqing 401311,China; 2.Chongqing Ruanhui Technology Co Ltd,Chongqing 400039,China)

In order to improve the detection correct rate of falls in elderly people,a wearable fall detection intelligent system is designed.Fall detection device based on three axis accelerometer is developed,and hardware and software design schemes are presented;fall detection algorithm based on back propagation(BP)neural network is proposed,parameters of network after training are implanted into wearable fall detection equipment to realize real-time fall detection.Experimental results show that the developed fall detection intelligent system can effectively distinguish between fall and non-fall,and the correct rate is 97.37 %.

fall detection; wearable device; acceleration sensor; back propagation(BP)neural network

10.13873/J.1000—9787(2017)02—0114—03

2016—09—26

国家自然科学基金资助项目(61271449,61302175)； 重庆市自然科学重点基金资助项目(CSTC2015jcyjBX0017)

TP 274

A

1000—9787(2017)02—0114—03

陈 鹏(1992-),男，硕士研究生，研究方向为智能测控理论与技术。