基于Intel Curie的可穿戴式跌倒检测报警系统的设计

谢月华，尤若宁，谢少玲，汤栋生，陈庆

中国人民解放军第174医院 医学工程科，福建 厦门 361003

引言

近年来，随着我国老龄化程度的不断加深，60岁及以上人口比例已经超过13%，且老龄化进程呈加快趋势。老年人意外跌倒而没有得到及时救助导致的二次伤害，成为老年人致死的第二大因素。因此能够及时、准确识别老年人意外跌倒的发生，并向相关人员发出警报，将赢得宝贵的抢救时间，大大降低致死率[1]。

目前跌倒检测系统的发展方向主要有基于视觉图像、基于环境、基于可穿戴设备等。上述系统中识别准确率最高的为基于视觉图像的系统，但由于采用摄像头收集图像数据进行计算，因此计算量巨大，且只能安装于室内使用；基于环境的系统需要安装大量传感器，同样只能在室内使用；基于可穿戴设备的系统虽然存在误判率，但该类系统制造成本低且计算量相对较少，成为目前跌倒检测系统的热门方向。跌倒检测识别算法主要有阈值法和人工智能检测等，其中人工智能检测主要包括极限学习机及神经网络等算法[2]。本文旨在设计一种基于Intel Curie的可穿戴式跌倒检测报警系统，采用集成于模组中的六轴姿态传感器采集佩戴者的身体姿态信息，通过低功耗蓝牙将数据发送至佩戴者的手机，由手机应用程序（Application，APP）处理数据并识别姿态，在佩戴者发生跌倒时通过短信及移动网络向相关人员发出报警[3]。

1　设计

通过调研及深入的需求分析，系统的设计分为两部分：一部分为可穿戴式检测硬件模块；另一部分为使用Java开发的手机APP软件，包括跌倒检测算法及报警功能。技术路线框图，见图1。

图1　技术路线框图

1.1　硬件系统设计

1.1.1Intel Curie模组

目前可穿戴式跌倒检测系统的硬件传感器模块大部分采用陀螺仪/加速度传感器微控制单元（Microcontroller Unit，MCU）的模式进行设计，通常传感器和MCU为分立的电子元器件或芯片，使硬件模块设计时电路板尺寸受到一定限制。

本次设计采用最新的Intel Curie模组，纽扣大小的芯片内集成了六轴姿态传感器BMI160、低功耗蓝牙模块NRF51822等，1块芯片即可完成过去需要多块芯片共同工作才能实现的功能[4]。Intel Curie模组实物图，见图2。

图2　Intel Curie模组实物图

根据技术路线，1块Intel Curie模组就能实现佩戴者身体姿态数据的采集、数模转换、蓝牙发送等功能。Intel Curie模组电路系统结构图，见图3。

图3　Intel Curie模组电路系统结构图

1.1.2主控芯片Intel Quark™ SE

Intel Curie模组是专为可穿戴设备设计的芯片模块，它搭载了Intel首款面向可穿戴设备的系统级芯片，也称片上系统（System on Chip，SoC）：夸克（Quark SE）。

Quark™ SE微控制器是基于X86构架的32位单核心SoC芯片，处理器基本频率32 MHz，包含9种通用IO，工作电压1.8～3.3V，工作温度范围-40℃～85℃。它支持开源的Linux操作系统[5]。其系统框图，见图4。

图4　Intel Quark™ SE框图

Quark™ SE的核心面积应该不到10 mm2，功耗不超过100 mW。Intel Quark™ SE实物图，见图5。

图5　Intel Quark™ SE实物图

Quark™ SE集成有传感器子系统，这降低了调用传感器及处理传感器数据时的功耗。该芯片还集成了模式匹配引擎，能够实现拥有128个神经元的神经网络，且每个神经元具有128种功能，支持K最近邻算法（k Nearest Neighbor，k-NN）和径向基函数（Radial basis function，RBF）。

1.1.3惯性测量芯片BMI160

Intel Curie中集成有BMI160作为惯性测量单元（Inertial Measurement Unit，IMU）。BMI160集成有一个16位3轴加速度计和一个16位3轴陀螺仪，是一个6轴惯性测量芯片。BMI160提供有串行外设接口（Serial Peripheral Interface，SPI）和两线式串行总线（Inter-Integrated Circuit，I2C）两种接口，在Intel Curie中BMI通过I2C与Quark™ SE进行通信。BMI160的I2C接线图，见图6[6]。1.1.4 低功耗蓝牙芯片NRF51822

NRF51822是一颗集成了32位ARM Cortex M0内核的SoC芯片，支持蓝牙低能耗（Bluetooth Low Energy，BLE）4.0协议。本次设计中仅将其作为蓝牙外设进行使用，用于数据的发送和接收。在Intel Curie中，QuarkTMSE通过两组I2C接口，其中4个通用输入/输出于NRF51822连接，1组进行控制，另1组进行数据通信[7]。

图6　BMI160 I2C接线图

2　软件系统设计

2.1　芯片配置及软件设计

2.1.1BMI160配置

BMI160及I2C的初始化及配置已经集成在库文件CurieIMU中，直接调用其中的begin函数即可完成。这初始化后需要对传感器进行校准，调用calibrateOffsets函数执行内部校准生成每个轴的偏移补偿值。这里需要注意的是校准过程中芯片需处于水平静止状态。设置完成后即可通过readAccelerometer获取三轴加速度的数据[8]。

2.1.2NRF51822配置

NRF51822及I2C的初始化及配置已经集成在库文件CurieBLE中，直接调用其中的begin函数即可完成。在初始化过程中仅需添加设备的蓝牙识别名称、服务的通用唯一识别码、服务名称、服务的特征即可。本次设计中Intel Curie作为从设备，通过setValue函数发送数据；智能手机作为主设备，接收并处理数据[9]。

2.1.3跌倒检测算法设计

由于跌倒是突发的、非主动性的，人在跌倒过程中三轴加速度和角速度会在极短的时间内发生剧烈变化。本设计中将传感器得到的三轴加速合成为和加速度[10]，通过对和加速度的方向及大小的变化判断人体姿态是否发生变化，再利用角速度的变化情况验证判断结果[11]，若两者结果均为跌倒则确认跌倒发生。

图7　跌倒算法流程图

2.2　阈值测定

本系统采用的是基于阈值的跌倒检测算法，所以需要确定该阈值。通过对1000名身高170～180 cm之间的成年男性的行走、坐下、躺下等日常非跌倒动作的和加速度数据进行采集，可以发现和加速度大小均不超过2.4 m/s2，同时对该1000名男性跌倒动作的和加速度进行采集，发现和加速度均超过4.4 m/s2。故将和加速度的阈值设为2.4 m/s2。具体实验数据，见表1～2。

表1　日常动作和加速度表（m/s²）

表2　跌倒动作和加速度表（m/s²）

2.3　移动网络软件设计

三轴加速度数据通过蓝牙发送至智能手机[12]，通过手机APP运行算法并判断是否跌倒，若判定为跌倒则通过手机蜂鸣器发出警报，同时将报警信息通过短信及移动网络发送至相关监护人员手机。其中，发送的信息包括：跌倒发生的时间、跌倒者当前姿态、地点定位等信息[13]。

3　实验验证与结果

本次设计对该系统进行了实验检测，分为正常动作、向前跌倒、向后跌倒、向左跌倒、向右跌倒5类共6种状态，平均准确率达到96.5%。具体实验结果，见表3。

表中，每种姿态的样本中均有50次为做完动作后马上恢复站立姿态。根据上表，可以通过以下两个指标对本系统进行评价：

（1）检测灵敏性，即在所有跌倒动作发生时正确判别的比例。本次实验的检测灵敏性为96%。

（2）检测特异性，即在所有日常动作发生时正确判别的比例。本次实验的检测特异性为98%。

表3　实验结果阴性阳性分布表（次）

4　小结

通过实际实验测试结果可知，本文设计的基于Intel Curie的可穿戴式跌倒检测报警系统能够识别跌倒动作及跌倒方向并及时进行报警。本系统采用高度集成化的Intel Curie芯片，极大降低系统功耗、缩小系统尺寸，能在跌倒发生后第一时间发出警报并通知监护人员，为跌倒者获得救护赢得宝贵的时间[14]。由于本系统将所有电子元器件集成于一块芯片模组中，整个电子部分尺寸仅80 mm×110 mm，为外围绑带等设计提供极大便利。且传感器、蓝牙、MCU间的数据通讯直接在模组内部完成，几乎不受干扰；芯片间的时序、控制等初始化已在模组初始化时自动完成，大大降低复杂度，研发人员可专注与跌倒检测算法的研究。

由于Intel Curie芯片集成度高，内置了神经网络，下一步的研究工作可借助该神经网络实现人工智能判断身体状态，更准确、更快速的跌倒检测算法[15]。同时，将应用在飞行器上的姿态角作为判断人体状态的测量方法，也将为跌倒检测提供新的思路[16]。

[参考文献]

[1] 申晗,程恩琥.低成本老人居家跌倒检测报警系统设计[J].中国新技术新产品,2016,(18):178-179.

[2] 秦瑀阳.老年人跌倒检测报警装置的研究与设计[D].大连:大连海事大学,2013.

[3] 涂巧玲,戴宇航.基于手机短信息的人体跌倒自动报警研究[J].计算机工程与应用,2008,(12):241-243.

[4] 尤若宁,庄伟萍.一种可穿戴式跌倒检测报警系统的设计[J].中国医疗设备,2017,32(8):28-32.

[5] 佚名.加速物联网布局,Mouser备货全新基于x86架构的Intel Quark微控制器及开发人员套件D200[J].微型机与应用,2016,(10):6.

[6] 肖二宁,张兴明,李康士,等.基于Arduino单片机的便携式老年人跌倒报警系统设计[J].电子设计工程,2016,(9):150-152.

[7] 赵万年,潘辉,黄超,等.基于nRF51822的蓝牙防丢器的设计与实现[J].电子科学技术,2016,(1):46-49.

[8] 李飞龙.基于三轴加速度传感器跌倒检测方法的研究[D].成都:电子科技大学,2015.

[9] 王刚.基于Arduino Uno平台的跌倒检测报警系统设计[J].单片机与嵌入式系统应用,2015,(7):49-52.

[10] 孙卫红.跌倒报警装置软件设计[J].计算机与网络,2016,(10):67-68.

[11] 任志玲,张冰倩,郑丽媛.基于加速度传感器的跌倒检测与报警系统设计[J].计算机测量与控制,2013,(6):1428-1430.

[12] 张关平.基于智能手机的人体跌倒检测报警系统设计及实现[D].哈尔滨:哈尔滨工业大学,2016.

[13] 熊界,周晓青,刘志朋,等.基于低功耗蓝牙的跌倒检测系统的设计[J].中国医疗设备,2016,31(12):23-25.

[14] 何燕,唐晓慧,郭龙.老年人跌倒检测报警装置的研究与设计[J].物联网技术,2016,(4):24.

[15] Fan Y,Levine MD,Wen G,et al.A deep neural network for real-time detection offalling humans in naturally occurring scenes[J].Neurocomputing,2017,260.

[16] 郑娱,鲍楠,徐礼胜,等.跌倒检测系统的研究进展[J].中国医学物理学杂志,2014,31(4):5071-5076.