基于5G无线定位技术的老年人摔跌监控研究和应用

陈凤莲 卢旭文

广东南方电信规划咨询设计院有限公司

0 引言

近年来，我国老年人口在总人口中所占的比例不断上升，老龄化程度加深，老年人的健康和安全日益成为很多家庭赡养老人面临的问题。老年人视力下降，骨质疏松，平衡协调能力较差，稍有不慎就会摔跌，摔跌后如无法及时得到救助就会造成严重后果。研究表明，每年有约30%~40%的65岁以上老人至少跌倒一次，老年人跌倒死亡率随年龄的增大而上升。因此，实时掌握老年人的定位信息，并基于定位信息进行防摔技术的研究和预测就显得格外重要。

本研究基于5G无线定位信息分析研究老年人正常活动与摔跌的状态和相关特征参数，及时回传至云端并根据判断结果及时发出告警和求助信息，同时根据相关特征参数进一步预测老年人摔跌的概率和可能性，提升老年人生活的安全感，同时减少亲人们的担忧。

1 5G无线定位

1.1 5G无线定位原理

5G R16引入了新的定位参考信号（PRS），采用了多种定位技术来合力提升定位精度。同时，由于5G时代超密集网络增加了参考点的数量和多样性，Massive MIMO多波束可让AoA估计更精确，更低的网络时延可提升基于时间测量的精度，这些优势进一步提升了5G定位能力。

无线定位是指通过无线信号的测量获得目标的位置信息。大多数定位过程是将信号测量转换成距离或者角度信息，然后计算出位置信息。

根据3GPP 5G标准，5G定位常用的无线定位技术原理有以下几种：（1）基于信号到达时间：到达时间TOA（Time of Arrival）、到达时间差TDOA（Time Difference of Arrival）；（2）基于信号角度：到达角度AOA（Angle of Arrival）、离开角度AoD（Angle of Departure）；（3）基于信号多普勒频移FDOA（Frequency Difference of Arrival）；（4）基于接收信号强度（Received Signal Strength，RSS）。

以上原理均需要首先对无线信号进行测量，而这些测量信息均与无线信号的发射端和接收端的相对位置有关。通过测量获取足够多的发射端和接收端的位置信息，就可通过这些已知的无线测量信息计算出其他接收端和发射端的位置信息。

1.2 5G无线定位方法

由于发射机与基站间一般难以做到严格的时间同步，基于TDOA的位置估计可以通过计算信号到达2个基站的时间差进行位置估计，经过多方法验证采用TDOA定位方法。TDOA是指在假设不知道信号具体发射时间的情况下，只需要在发射端同步发射多个信号至基站接收端，接收端就可以估算出距离发射端的距离差。该方法至少需要利用3个监测站，通过测量信号到达任意2个基站的时间差，构造以基站为焦点，以距离差为长轴的双曲线，双曲线的交点即为发射机所在的位置。TDOA的方法虽然不需要发射机与基站间的同步，但是多个基站之间仍需要有较好的时间同步机制，目前的5G网络超高精度的时间同步（±10 ns级）可以满足要求。

在TDOA定位中，设（a，b）是待测量位置的坐标，第i个基站（BS）的已知坐标为（ai，bi），则第i个基站（BS）（i=1，2，…，N）到待测量位置（a，b）的距离为：

令lij表示BSi、BSj（i≠j）与待测量位置（a，b）之间的距离差，则：

由式（1）、（2）可以得到：

通过测量l21、l31、l32三组距离差，由上式求解方程组可以得到待测目标位置的坐标（a，b），如图1所示。三组双曲线的交点即为待测量位置的坐标（a，b）。

图1 双曲线定位示意图

定位需要配备一款穿戴的设备，经过多种方式的研究和对比，采用以舒适性和安全性较高的手环为主，并内置5G卡。利用5G无线定位的原理，5G网络定期采集老年人的位置信息，并回传至5G基站和云端。

在老人居家独处或出门上街等过程中，亲人通过老人身上佩戴的手环，即可准确地获取老人的位置信息，在老人摔倒或即将摔倒时就能非常及时准确地对老人实施救助。5G无线定位在摔跌事件监测和预测中的应用，将大大提高获取老人位置信息的准确率，减少盲目寻找老人具体位置而消耗的无用功，缩短实施救助的时间。

2 特征参数监测

老人在摔跌过程中会呈现出很多特征，因此对这些特征参数进行提取和监测将是判断和检测摔跌事件发生的关键。但是如果仅用一个特征参数来判断摔跌事件，则会有比较高的误判率，因此必须从多维角度来监测摔跌的特征参数，这样才能更逼近实际情况。本研究从以下几个方面对摔跌过程进行监测。

（1）监测项目：手环距离地面的高度差

手环内置有5G卡，通过内置的气压计定时测量气压数据，并从云端服务器获取数据支持，进而可以得到当地的实时海拔气压换算方式，进而计算出具体位置的海拔高度，进一步计算出前后2次提取数据的高度差。摔跌前后手环（A点）距离地面高度图2和图3所示。

图2 摔跌前手环距离地面高度示意图

图3 摔跌后手环距离地面高度示意图

监测频率：采样频率与手环的耗电量息息相关，采样频率高，则手环耗电量大，采样频率低，则手环耗电量小。考虑到此参数非常重要，设定此参数的重要级别为一级，因此设定此参数的采样频率为密集。设定每5S提取一次手环的海拔数据，并与前一次提取的海拔数据做对比计算出高度差。

（2）监测项目：手环的运动加速度

人体摔跌过程相对于日常活动会有一个比较大的加速度。手环定时上报运动加速度。

监测频率：考虑到此参数非常重要，设定此参数的重要级别为一级，因此设定此参数的采样频率为较密集。设定手环每5S提取一次运动加速度数据。

（3）监测项目：手环的运动速度

人体的摔跌过程相对于日常活动会有比较快的速度，手环定时上报运动速度。

监测频率：考虑到此参数比较重要，设定此参数的重要级别为二级，因此设定此参数的采样频率为较密集。设定手环每10S提取一次运动速度数据。

（4）监测项目：手环受到的压力值

人体在摔跌后与地面碰撞，会产生比较大的压力。手环定时上报所受到的压力值。

监测频率：考虑到此参数比较重要，设定此参数的重要级别为二级，因此设定此参数的采样频率为较密集。设定手环每10S提取一次所受到的压力值数据。

3 摔跌事件检测及预测

摔跌过程中手环距离地面的高度差、运动加速度、运动速度、受到的压力值，这些特征参数对摔跌事件的检测及预测起着非常重要的作用。在对上述4个特征参数的监测过程中，会得到一系列的采样实际值。经过对多种算法的研究和比较，采用梯度提升决策树（Gradient Boosting Decision Tree，GBDT）算法对监测获取的海量数据进行深度数据分析。GBDT属于集成算法的一种，基分类器是回归树，是一种boosting算法，即逐步拟合逼近真实值，是一个串行的算法。

梯度提升算法的回归树基本模型，如下所示：

输入：训练数据集T={（x1，y1），（x2，y2），…，（xN，yN）}，损失函数为L（y，f（x））。

输出：回归树F（x）。

第一步：建立初始化弱学习器，估计使损失函数极小化的常数值，它是只有一个根节点的树，一般平方损失函数为节点的均值，而绝对损失函数为节点样本的中位数。

第二步：对m=1，2，……，M（M表示迭代次数，即生成的弱学习器个数）。

（1）对每个样本i=1，2，……，N，计算损失函数的负梯度在当前模型的值，将它作为残差的估计。对于平方损失函数，它就是通常所说的残差；而对于一般损失函数，它就是残差的近似值（伪残差）。

（2）将上步得到的残差作为样本新的真实值，并将数据（xi，rmi），i=1，2，……，N作为下棵树的训练数据，对{（x1，rm1），…，（xN，rmN）}拟合一个回归树，得到一颗新的回归树fm（x）对应的叶子节点区域Rmj，j=1，2，……，J，其中J为每棵回归树的叶子节点个数。

（3）对叶子区域j=1，2，……，J，利用线性搜索，估计叶子节点区域的值，使损失函数最小化，计算最佳拟合值。根据输入x和上一轮残差rmi计算得到（xi，rmi），拟合回归树得到cmj，其中fm-1（x）的是上一代（m-1代）的学习器，在此轮决策树种加入参数c，拟合上一轮残差rmi，并使得拟合时误差最小的情况下得到输出cmj。

（4）更新强学习器：

第三步：得到最终的回归树，即最终学习器：

算法输入包括摔跌过程4个特征参数的采样实际值。

第一阶段：建立摔跌过程的梯度提升算法的回归树基本算法模型，在每次迭代中拟合残差来学习一个弱学习器，然后不断拟合、更新，得到最终学习器，从而对摔跌过程进行检测，检测到摔跌事件时，手环立即发出告警和求助信号。

4 实施进展及成果

本方案已在第一阶段展开一定规模的试验，试验阶段收集参数及判断的结果主要用于算法的迭代升级，试验对象主要为轮滑运动的初学者，通过近5个月超百名案例的跟踪，从正常α、弃真β、存伪γ等三项结果判断算法的准确率。

（1）正常α定义为样本实际发生了摔跌异常行为，算法演算同时提示发生摔跌异常行为；（2）弃真β定义为样本实际发生了摔跌异常行为，但算法未演算出相应的结果；（3）存伪γ定义为算法演算提示发生摔跌异常行为，但样本实际处于正常状态。

近3个月试验结果如表1所示。

表1 近3个月试验结果统计表

近3个月试验结果各项占比如图4所示。

图4 5G核心网采集结构图

图4 近3个月试验结果占比图

从上述试验结果可以看出准确率在不断提升，但仍在比较低的水平，且提升的幅度在减小；存伪率有一定下降，但下降幅度较小。经分析，受参数值的准确性影响比较大，该准确性受硬件精度、成本所限，同时算法还需要更多场景进行迭代优化。第一阶段试验主要结合了轮滑的特殊场景，与老人生活的场景有一定区别，下一步将在室内开展5G+WIFI结合的场景试验，同时为第二阶段DRL做准备。

通过第一阶段的研究和试验，证明了该技术切实可行，项目如果实施后将对防止老年人摔跌起到非常积极的作用，有助于全社会关爱老年人、帮助老年人，极大提升老年人晚年生活的安全指数和幸福指数。

5 结束语

本方案应用5G无线定位手段和GBDT算法，并开展了一定规模的试验，在一定程度上证明了方法的合理性，但从试验结果可以看出离实际规模应用仍有较大的距离。

第二阶段将争取更广泛的合作，在控制成本的基础上，开展更深入的探索和实践，具体工作思路、方法和目标如下：深度强化学习（DRL：Deep Reinforcement Learning），利用人工智能（AI：Artificial Intelligence）算力进行模拟、模糊运算，不断修正学习器。回归树叶子节点得分就是均值，然后每棵树每个样本都有一个得分，得分累加就是最后的预测值，这样就可以对摔跌事件的发生进行预测，检测到异常事件就能通过手环提前发出预警信号，提示关注身体状态，从而有利于减少老年人摔跌事件的发生。