基于智能手机和机器学习的人体跌倒检测方法研究

王铁雁

（厦门市美亚柏科信息股份有限公司，福建 厦门 361000）

概述

跌倒是老年人常见伤害原因，严重影响健康安全和生活质量。跌倒的危害不仅在于导致严重损伤，还在于跌倒时得不到及时救治，造成二次伤害[1]。因此，如何高效便捷地检测跌倒事故是亟待解决的社会问题。

现有跌倒检测方法主要包括基于图像、基于环境感知及基于可穿戴设备的检测方法[2-3]。图像检测法由视频监视器对人体进行实时监测，通过人体姿态特征属性建模分析来检测跌倒。该方法准确率较高，但特征提取易受图像噪声、光线影响，算法鲁棒性较差，且不能保证用户隐私。环境感知检测法通过安装在人体活动区域的压力、震动和声音等传感器进行跌倒检测，但该方法仅限于特定环境，装置安装复杂，资金投入大，难以普及[4]。可穿戴设备检测法通过佩戴的传感器采集人体运动信息进行姿态分析，不受环境限制，精度也较高，对老年人限制最小[2]。其中，智能手机普及广泛，价格适宜，便于携带，配置了可提供跌倒监测数据的加速度计和陀螺仪等传感器[3,5]，是一款理想的可穿戴跌倒监测设备。

数据处理方面，目前国内外普遍采用机器学习算法进行跌倒检测建模，有较多研究成果[6]，但基于智能手机的跌倒检测方法研究还较少。国际上Usmani 等人比较了多种机器学习算法的跌倒检测模型后指出，综合传感器类型、放置位置等多因素，支持向量机（Support Vector Machine，简称SVM）综合性能较优，能达到很高准确率[6]。国内李美惠指出跌倒检测是典型二分类问题（将跌倒和日常行为区分），SVM是解决该问题的有效算法[7]。SVM的基本思想是找出一个特定的划分超平面，该平面在划分数据集时使几何间隔尽量最大（图1），具有较好识别效果和实用性。因此，本研究基于智能手机传感器数据和SVM 进行跌倒检测方法开发和验证。

图1 支持向量机原理图

1 跌倒过程分析

跌倒是人体在失控状况下由直立向倾倒姿态的转变过程。过程中人体最显著的变化是速度的变化，可由加速度传感器捕获[5]。因此，本研究通过手机内置三轴加速度计来采集数据。由于事先无法预知跌倒方向，因此采用三轴加速度的合加速度（A）作为指标，计算如下：

式中：ax，ay，az分别为X,Y,Z 轴方向加速度。

对典型跌倒过程分析（图2），可发现不同类型跌倒在时间维度上有相同变化特征，可分为三个阶段：

图2 典型跌倒过程分析（以向后跌倒为例）

（1） 跌倒起始阶段：人体倾斜，加速度急剧下降，形成一个低谷，人体处于失重阶段。

（2） 跌倒碰地阶段：人体开始接触地面，支承力大于重力，合力加速度与速度方向相反，在极短时间内速度减少为零，加速度剧增，速度为零时加速度最大，人体处于超重阶段。

（3） 跌倒完成阶段：由于人体具有弹性，且各部分非同时接触地面，可能造成人体加速度快速且有起伏地减少，最后保持在参考基准值（即重力加速度）。

对坐下、行走、慢跑、上楼、下楼及站起等日常行为分析可知：相对跌倒，坐下的加速度变化幅度较小；行走及慢跑的加速度变化类似多个跌倒过程叠加组合，但变化较短；上楼行为无加速度急剧减少阶段，且接触地面后波形剧烈减少；下楼动作中接触地面后加速度变化较小；站起动作加速度变化与跌倒相反。因而，这些日常活动与跌倒能较好区分。

2 研究方法

2.1 特征提取

根据跌倒的三个典型阶段，本研究选取下落时间、撞击时间和加速度变化值作为特征指标，分别对应跌倒三个阶段的主要特征。下落时间指加速度显著下降到加速度出现最小值的时间，是失重状态结束的标志。撞击时间指人体下落接触地面后，垂直向下的速度减少为零，加速度剧烈增加出现最大值的时间，标志第一次撞击地面的结束时刻。跌倒后，人体各部位不同时着地，会小幅度弹起和落下，直到静止，这导致加速度出现快速起伏减少现象，加速度变化相对于行走和慢跑等活动小很多。

2.2 模型建立

本研究在线性SVM 基础上引入拉格朗日函数，考虑松弛变量，构造SVM模型如下：

为解决数据非线性问题，在SVM中引入核函数，将数据映射到高维特征空间，使之能线性分类。由于径向基函数校准过程快速，方便调节，采用其作为核函数，公式如下:

接下来使用Matlab 平台编写程序，采用最小序列优化算法构造判别函数，如下：

本研究定义跌倒行为为正值（+1），非跌倒行为为负值（-1），分类界面为：

2.3 实验数据收集与分析

考虑到老年人身体不便及不同年龄群体跌倒行为具有相似特征，本研究招募了10 名大学生志愿者参与模拟实验收集数据。实验中，参与者均将测试手机（华为P9）置于右侧裤袋，分别针对4 种跌倒（前后左右跌倒）和8 种日常行为（坐下、站起、上楼、下楼、弯腰、躺下、正常行走和慢跑）进行模拟（图3）。每种行为重复4 次，共收集了480 组数据（包括日常行为320组，跌倒行为160 组）。

图3 实验数据收集示例

通过手机加速度计的时序数据提取特征值，进行归一化处理，消除不同特征量纲差异问题。随机选择80%数据作为训练集，剩余数据为测试集，并基于10折交叉验证法观测模型泛化能力。采用准确率、精准率、特异性、灵敏度及混淆矩阵等参数评估模型性能。

2.4 测试结果

结果（表1）表明，模型准确率为94.8%，精确率为90.9%，灵敏度为93.8%，特异性为95.3%。模型测试集混淆矩阵如图4 所示，可以看出跌倒检测算法综合性能较好。跌倒和日常行为检测的精确率分别为90.9%和96.8%。总的来说，本研究提出的跌倒检测模型可较准确地识别跌倒行为。

表1 模型测试集实验结果

图4 跌倒检测模型测试集混淆矩阵

2.5 应用探讨

利用智能手机实现跌倒检测具有很大发展潜力。本研究结果表明智能手机内置传感器能支持有效的跌倒识别。在此基础上还可进一步集成手机及时通讯与定位功能，形成具备实时跌倒检测和快速救助通信的跌倒检测报警系统（图5）。当跌倒发生时，及时报警，结合GPS 定位，实现快速救助。

图5 智能手机跌倒检测与报警系统

3 结论

本研究提出了一种基于智能手机和机器学习的跌倒检测模型，并基于实证数据对模型进行了训练和验证。结果表明，该跌倒检测模型准确率较高，综合性能较好，具有一定场景适用性，可向现实应用进行迁移。然而，本研究训练样本不大，特征指标也有限，未来研究可结合动力学和位移等其他模态数据，基于大样本数据来提高跌倒检测方法的有效性。