穿戴式跌倒检测系统设计及算法研究

广东工业大学自动化学院 陈祥宝

穿戴式跌倒检测系统设计及算法研究

广东工业大学自动化学院 陈祥宝

随着老年人口的剧增，老龄化社会以及老年人的医疗保健问题已成为当今社会的突出问题。如何实现对老年人实行医疗监护，已经成为社会急需解决的问题。本系统设计的基于六轴传感器的移动医疗智能监测系统，运用六轴传感器得到人体跌倒时的准确数据，并对数据进行预处理，利用k近邻算法得到被检测者的身体状态；运用GPS/GSM/GPRS对被监测的位置进行确定定位，并通过GPRS将跌倒信息通过服务器传送到APP端，使得亲属可以快速准确的找到被监测者进行救治。本项目的技术创新点对于老年人的跌倒检测具有很大的推动作用。

可穿戴式；K-D tree；跌倒检测；APP；K近邻算法

0 引言

根据国家统计局发的2015年国民经济和社会发展统计公报显示，2015年年末我国60周岁及以上人口数为22182万人，占总人口比重为16.15%；65周岁及以上人口数为14374万人，占比10.47%。也就是说，我国已经进入人口老龄化的时期。摔倒在年级较大的人群中比较常见，和对年轻人相比，对老年人的影响要大的多。根据国内外研究发现，在65周岁以上每年有30%的人发生过跌倒，并且随着年龄的增长，这个数字也在不断上升，在80周岁以上的老年人中，遇到跌倒的可能性甚至会达到一半。在美国，在70周岁以上老年人中，跌倒已经成为死亡的第六大原因，每年在跌倒伤害中花费超过2000亿美元。所以对跌倒研究与预防是极为必要的，怎么减少跌倒导致的伤害已经成为国内外研究人员的一个研究焦点。

1 跌倒检测系统设计

本文设计的跌倒检测系统分为硬件系统和软件系统，其整体设计框图如图1所示：

图1 系统整体设计框图

1.1 硬件框架

硬件部分主要是智能监护终端，功能主要为：实时地采集到用户的生理指标、人体姿态、用户所在地理位置等数据，通过移动网络，将数据传输到社区医疗监护中心、用户及其监护人的手机，以实现对用户的日常健康进行监护。该终端由主控芯片STM32L151RBT6、锂电池电源管理模块、微处理器、GPS/GSM/GPRS、六轴传感器、蜂鸣器、选择/确定按钮等组成。

该部分主要负责对人体运动产生的加速度、角速度等数据采集，并具有地理信息获取和远程无线通信等功能。当检测到用户的生理指标或人体姿势发生异常时（如跌倒等），终端上的马达振动器会震动报警，LED显示屏提示用户注意调节生理状态。同时将报警信号传送到远程服务器端，由远程服务端统一收集分派到社区医疗服务中心以及用户监护人的手机，以便通知社区医疗工作人员或监护人提供及时的救治。此外终端还具有主动取消报警、电量监测和低电量提示、手机防丢、免密码手机解锁、运动检测等其他辅助功能。

1.2 软件框架

1.2.1 远程服务器

服务器端设计是基于Visual studio 2013开发环境利用MFC构架开发，提供系统录入，用户管理，接收分派警报消息。服务器将事件相关信息，包括跌倒事件、发生人员、跌倒时间、发生地点、跌倒事件的可信程度和预处理方案等打包发送到社区医疗中心和监护人手机处。该平台能够根据跌倒事件信息做出实施救助的方案，并立即展开救助活动，最大程度地对需要救助的人员实施最快的救助。

1.2.2 手机客户端APP设计

手机客户端主要负责从服务器将用户的数据读取出来，解析服务气端传送的经纬度信息，并以图形界面的形式显示。手机客户端采用高德地图来实时显示用的地理位置。

2 跌倒检测算法研究

人体结构具有复杂性，导致人体的运动行为具有多样性，在算法研究之前，我们需要对人体的日常行为和具体的跌倒行为进行数据采集分析，进而从中提取可以区分跌倒和类跌倒行为的特征。为跌倒算法的判断提供简便性。

2.1 跌倒行为分析

本文主要是针对老人的跌倒进行研究，根据大量资料研究表明，老人跌倒绝大多数是处于从站立状态到卧躺的一个过程。在跌倒发生时，通过本设计提供的六轴传感器可以获得佩戴者在这一状态的加速度和角速度的变化过程。不同于其他的日常活动，在跌倒过程中，加速度和角速度数据会在短时间急剧增加，为跌倒特征的提取提供了依据。

由于系统是面向老年人的医疗监护系统，可以忽略跑跳的情况。因此，当跌倒时，一般会出现以下的情况：

（1）撞击时加速度的峰值大于阈值Acc1；（2）角速度的峰值大于某个值阈值Wcc1；

（3）一段时间内，出现跌倒的加速度尖峰值次数N1；（4）跌倒后，一定时间内静止。

本文所采用的加速度和角速度均为合加速度和合角速度，即三轴加速度矢量合以及三轴角速度的矢量合作为人体运动的判断基础：

其中Ax,Ay,Az分别代表加速度传感器所采集的X轴，Y轴，Z轴数据，Acc称为合成加速度。

其中Wx,Wy,Wz分别代表角速度传感器所采集的X轴，Y轴，Z轴数据，Wcc称为合成角速度。

2.2 基于K近邻法的跌倒检测判定

由于人体日常活动主要是站立、步行、坐下、躺下、蹲下、起立、上下楼梯、跑步、跳跃等，对这些日常活动进行加速度和角速度数据采集，并进行数据建模，发现同类的数据具有簇居在一起的现状，所以本设计提出采用K近邻算法来对跌倒的状态进行判断。可以有效的判断出准确地结果。

K近邻算法（k-Nearest Neighbor,KNN）：对于一个样本在特征空间中的具有K个距离最近的点，如果其中的大多数属于某个种类，那么这个样本也属于其类别。在KNN算法中，除去被测样本外的其他样本都是已知分类。KNN方法通过这种概率分布来判断待测样本的类别。具有较高的准确率。

图2 K近邻仿真示例图

图2 所示中，中间的圆形的分类取决于K的大小，当K=3时，则取距离圆形最近的三个点，判断其中的类别的比例，最终判断圆形和三角形属于同一类别，同样的道理，当K=5时，圆形和正方形属于同一类别。其中K的取值，可经过大量数据检验得到最为适中的值。

图3 算法流程图

实现k近邻法，主要考虑如何对训练数据进行快速k近邻搜索（在特征空间维数大及训练数据容量大尤其必要）最简单的实现方法是线性扫描。这时要输入实例与每一个训练实例的距离，计算很耗时。所以在测试数据和训练集进行距离计算时，选择合理的搜索可以最大化减少数据处理的时间，在保证高正确率的情况下保证实时性。

所采用的的数据存储和查询为K-D tree。

K-D tree，是在k维欧几里德空间组织点的数据结构。kd代表k-dimension，他是一颗平衡二叉树，通过计算不同方向的方差和中值，从而确定分割超平面。这样不断地进行递归运算，最终划分到叶子节点为止。

所采用的的距离度量为欧式距离。

欧式距离：对于2个样本x和y，设x=(x1,x2,...,xn)T,y=（y1,y2,...,yn)T。样本x和y的欧式距离定义为：

3 实验结果

为了验证本文所设计算法的准确性和实时性，通过大量的实验数据进行验证对比，主要从以下几种情况进行跌倒验证：站立、走路、跑步、蹲起、向前跌倒、侧向跌倒等进行数据采集。

图4 站立加速度曲线图

图5 走路加速度曲线图

图6 坐下加速度曲线图

图7 跌倒加速度曲线图

图4-7所示中通过MATLAB描述不同动作下的加速度变换曲线图，通过六轴传感器以50hz的频率进行数据的采集，每次采集6秒，总共300组数据，对其进行特征提取，获得每组数据加速度的最大值、最小值，角速度的最大值、最小值。对上图进行分析可知在迭倒时加速度的峰值可以作为明显的特征作为判断的标准。相同的方法可以提取角速度的特征。通过K近邻算法进行运算得到以下结果：

首先采用60组不参与训练集的跌倒和非跌倒进行预测，得到的结果是0误报，0漏报。采用400组不参与训练集的跌倒和非跌倒进行预测，得到的结果是5误报，1漏报。误报率为1.2%，正确率为98.5%。

4 结论

本系统设计的基于六轴传感器的移动医疗智能监测系统，运用六轴传感器得到人体跌倒时的准确数据，并对数据进行预处理，利用k近邻算法得到被检测者的身体状态；本算法相比于其他的跌倒检测算法，具有准确率高，运行时间短，可以保证实时监测。并可以准确地判断佩戴者是否发生跌倒。在日常生活中，面对大量的独居老人和生活不能自理的老人。本设计可以准确地对老人的日常生活进行监控，并在发生意外是，第一时间通过GSM/GPS/GPRS，将佩戴者的地理位置信息第一时间发给监护人,实现健康监护的目标。本项目的技术创新点对于老年人的跌倒检测具有很大的推动作用。

[1]刘宇航.基于九轴惯性传感器系统的穿戴式跌倒报警系统的研究与实现[硕士学位论文].云南:云南大学,2015.

[2]Doughty K,Cameron K..Primary and Secondary Sensing Techniques for Fall Detection in the Home.Proceeding of Hospital Without Walls.London;City University,1999.

[3]Yang,C.-C.,Hsu,Y.-L.A review of accelerometry-based wearable motion detectors for physical activity monitoring[J].Sensors,2010,10(8):7772-7788.

[4]文耀锋.一种实时的跌倒姿态检测和心率监护系统的研究[博士学位论文].浙江:浙江大学,2008.

[5]M.J.Fischer,N.A.Lynch,and M.S.Patcrson.Impossibility of distributed consensus with one faulty processor[J].Journal of the ACM,1985.32(2):374-382P.

[6]P.Fraigniaud,A.Pelc,D.Peleg,and S.Perennes.Assigning labels in unknown anonymous network[C].Proceedings of the 19th Annual ACM SIGACT-SIGOPS symposium on Principles of Distributed Computing,Portland,OR,USA,July 2000.1:101-111.

[7]张元亭等.移动医疗:穿戴式医疗仪器的发展趋势[J].中国医疗器械杂志,2006,30(5):330-340.

陈祥宝（1993—），男，安徽六安人，硕士研究生，主要研究方向：医疗器械设备与嵌入式系统实际以及跌倒算法研究。