基于阈值分析法的人体跌倒检测系统*

李京慧， 迟宗涛， 李钟晓

(青岛大学 电子信息学院，山东 青岛 266071)

0 引 言

现今具有护理养生、康复理疗的智能设备越来越多，而老年人监护设备却相对较少，不能满足当今社会的需求。因此，跌倒检测报警系统的研究对降低老年人摔倒致残率意义重大[1]。目前跌倒检测的相关技术主要有两种：基于视频图像处理的检测技术精度高，但是受检测设备的限制，只能在范围有限的室内环境中应用，并且成本高，不易于大规模推广使用[2]；基于传感器检测人体姿态的跌倒检测技术易于实现，便携性好，而且不受环境的限制，成本较低[3]。基于传感器的跌倒检测算法主要有机器学习法和阈值法两种，机器学习法的精度高，但算法复杂，成本昂贵，对硬件设备的要求也高。而阈值法计算量小，操作简便，易于理解，是现在常用的跌倒检测算法[4]。

由于人体跌倒的过程是瞬态的，本文设计的跌倒检测报警系统，根据跌倒过程中失重、撞击、静止三种状态下合加速度的变化及每个状态之间时间间隔的有限性，结合姿态角做出最终判断，大大提高了判断的准确率，该系统还使用全球定位系统(global positioning system,GPS)准确定位跌倒位置。测试结果表明，系统准确率高，能够作为智能穿戴产品应用于行动不便的人群中。

1 系统总体设计

1.1 系统硬件结构

跌倒检测系统由主控制器、三轴加速度模块、GPS模块、数据传输模块、液晶显示屏构成，系统结构如图1所示。

系统通过主控制器控制液晶屏显示系统工作状态，解析GPS模块数据计算当前地理位置，控制数据传输模块发送求助信息。通过三轴加速度模块读取加速度数据以检测身体姿态，当判断身体姿态为跌倒时，控制数据传输模块向特定的手机号码发送带有由GPS数据解析出来的地理位置的求救短信[5]。

图1 系统结构

系统主控制芯片使用基于Cortex—M3内核的高性能微控制器STM32F103ZET6。该芯片包含了高速存储器(512 kB的闪存和64 kB的SRAM)，最大工作频率为72 MHz，适合在移动设备上使用。加速度传感器模块使用ADXL345三轴加速度传感器，最大量程可达±16gn，采用IIC通信方式，检测并输出人在不同运动状态下的三轴加速度，适合高性能便携式应用[6]，ADXL345的外围电路如图2所示。GPS模块以UBLOX—NEO—6M芯片作为主芯片，性能稳定，抗干扰能力强。STM32通过接收GPS模块发送来的数据，根据数据的协议格式解析当前地理位置信息。数据传输模块使用的芯片是SIM900A，该模块接收由STM32发送的命令和数据，将数据进行处理后通过天线发送出去。

图2 ADXL345芯片电路连接

1.2 跌倒检测原理

人在正常站立和跌倒时的身体姿态是不同的，正常站立时，合加速度约等于重力加速度gn，人与地面的夹角为90°。当人体跌倒时，重心瞬间下移导致失去平衡，短时间内合加速度小于重力加速度，人与地面的夹角近似为0°[7]。对合加速度和姿态角进行阈值分析，可以判断人体是否跌倒。根据跌倒的方向不同分为：前跌倒、后跌倒、侧跌倒。为准确检测人体跌倒行为，以腰部为原点，建立人体坐标系，如图3所示，X轴是人体右手方向，Z轴垂直于人体向上，Y轴是人体前进方向，图中箭头方向表示人脸朝向。

图3 坐标示意

ax,ay,az分别表示采集到的3个轴的加速度，根据三个方向的加速度值，可以计算出3个姿态角[8]

式中θPitch为俯仰角，即人体绕X轴的旋转角度；θRoll为人左右倾斜的角度，即人体绕Y轴的旋转角度；θYaw为人左右旋转的角度，即人体绕Z轴的旋转角度。

根据采集到的三轴加速度ax,ay,az，计算出合加速度a

2 软件程序设计

2.1 跌倒检测算法

跌倒的大多数情况都是前后和侧向跌倒，这将导致θRoll和θPitch的值发生很大的变化，而θYaw的值没有明显变化[9]。日常生活中的弯腰、缓慢躺下、下蹲等动作也会导致姿态角发生很大变化，所以只通过姿态角的变化来判断是否跌倒是不准确的。因此，在判断过程中，引入人体合加速度的变化。人体合加速度在跌倒时会经历很大波动，总体上可以将波动过程总结为失重、撞击、静止3个阶段。因为跌倒是一个连贯的动作，所以各个阶段的时间间隔不会太长。比如说，失重中断发生1 min后才发生撞击中断，这明显不能作为判断摔倒的条件。为了减少此类误判提高检测摔倒的准确率，分析多次实验数据，为失重与撞击之间设置了时间间隔阈值0.5 s，为静止阶段持续时间设置阈值为2 s，为θPitch和θRoll设置倾斜角度阈值45°[10]。

ADXL345的3个中断与失重、撞击和静止这3个状态相对应，利用3个中断作为这3个状态发生的标志，算法分为以下几步：

1)失重中断检测：跌倒过程会出现失重的瞬间，根据采集的3个方向的加速度值计算合加速度a，若检测到a小于0.6gn并持续一定时间，则认为人体处于失重状态，失重中断置位，进入下一步检测；

2)撞击中断检测：人体与地面剧烈碰撞导致合加速度产生一个波峰，一般人体正常运动(包括激烈运动)的合加速度值均不超过2gn，而跌倒时的合加速度最大可达4gn[11]，所以取合加速度大于2gn作为撞击发生的标志。若在失重中断置位后的0.5 s内检测到a值大于2gn，撞击中断置位，并采集100个采样点的加速度值，为姿态角阶段的检测提供数据，进入下一步检测；

3)静止中断检测：人体跌倒后，会静止一段时间，若检测到合加速度值为1gn并且持续超过2 s时，静止中断置位，进入下一步检测。若没有触发静止中断，则可能是由于人体跳跃后落地引起的失重和撞击，此时返回第一步；

4)姿态角检测：将第二步中采集的采样点根据式(1)计算出姿态角，比较θPitch或θRow之一有没有超过45°，若超过则进行跌倒报警，若没有则返回第一步。

2.2 GPS解析程序

STM32通过UART4连接GPS模块，读取GPS的定位信息。GPS输出数据使用的协议是NMEA—0183协议，该协议中的6个语句包含各种地理位置信息。只需要获取经度坐标、纬度坐标、经度半球、纬度半球和定位状态信息，而要获取这些信息只需要解析其中一个语句就足够了，本系统解析了GPRMC语。解析地理位置信息的过程为：1)判断UART4_RX_BUF中存储的是不是一帧完整的GPS数据，若是执行第2步，若不是重复第1步；2)判断UART4_RX_BUF接收到的数据有没有GPRMC语句，若有执行第3步，若没有返回第1步；3)判断GPRMC语句定位状态信息是否为有效定位，若是执行下一步，若不是返回第1步；4)解析GPRMC语句中其他信息并存储，返回到第一步。

3 实验验证与分析

通过两组测试来验证跌倒检测系统的可行性和准确度，第一组是正常行走和坐下实验，第二组是不同方向的跌倒测试，实验选取两男两女完成，每组测试100次。由于人体的重心位于腰部，腰部的变化能够更准确的反映人体姿态的改变，因此两组实验的数据均采集了实验者行走、坐下、跌倒时腰部的加速度。

第一组，实验人员以不同的速度分别进行100次的正常行走和快速坐下，实验过程中均没有报警。取其中一次数据绘制成图，图4(a)和(b)分别表示正常行走和快速坐下的曲线图。由图4(a)可知，正常行走实验中，合加速度维持在1gn左右，X，Y轴姿态角没有发生很大变化，在阈值范围内，故报警器未报警。由图4(b)可知，快速坐下实验中，三轴加速度及合加速度都在瞬间产生一个峰值，但合加速度未超过2gn，姿态角没有超过45°，均在阈值范围内，故报警器未报警。第二组实验，实验者进行了3个方向的跌倒测试，由于大部分检测方法中，向后跌倒检测的准确率最低[12]，因此文中仅给出向后跌倒的曲线及分析。

图4 实验测试曲线

取其中一次实验数据绘制成图，由图4(c)看出，人体向后跌倒时，三个轴的加速度都会产生峰值，导致合加速度变化幅度增大；跌倒的失重阶段合加速度由1gn迅速下降至0gn左右，远小于设置的阈值0.6gn，触发失重中断，此时人体重心下移，失去平衡；在0.5 s内，合加速度增大至4.3gn左右，已经远超过设定的阈值2gn，触发撞击中断；静止阶段合加速度缓慢恢复到1gn左右，并持续时间超过2 s，触发静止中断；测试人员向正后方跌倒时，身体仅绕X轴旋转，所以θRoll和θYaw仅在0°附近波动，θPitch最终变为90°，远超过设定的阈值45°，报警器报警。

实验结果如表1所示，对所有跌倒情况进行统计，报警准确率为97 %。在300次的跌倒实验中，报警器只有9次没有报警，属于正常实验误差范围。实验结果表明，通过阈值分析法检测跌倒事件发生的准确率较高。

表1 实验结果

4 结束语

本文设计的人体跌倒检测报警系统采用加速度传感器和SIM900A模块实现数据的采集和传输；合加速度、姿态角和三个中断的完美结合，提高了检测跌倒的准确性；GPS定位系统能准确地定位跌倒者的位置信息；跌倒事件的短信报警提示增加了该系统的交互功能。实验结果表明，系统报警准确率为97 %，准确率高、性能稳定，能够作为智能穿戴产品应用于行动不方便的人群中。