老年人跌倒檢測(cè)技術(shù)研究.docx

1、 老年人跌倒檢測(cè)技術(shù)研究Research on Fall Detection Technology for the Elderly 摘 要跌倒重威脅著老年人的健康和生命，提供自由、實(shí)時(shí)的安全監(jiān)護(hù)對(duì)老年人的生活質(zhì)量和生命保證有重大的應(yīng)用價(jià)值和研究意義，本文正是針對(duì)老年人對(duì)跌倒自動(dòng)呼救的需求，圍繞面向老人的便攜式跌倒監(jiān)護(hù)系統(tǒng)展開應(yīng)用研究，基于跌倒的運(yùn)動(dòng)學(xué)原理，設(shè)計(jì)了跌倒檢測(cè)算法。該跌倒檢測(cè)算法通過對(duì)人體加速度和姿態(tài)的監(jiān)測(cè)，構(gòu)建了基于不同跌倒階段的閾值判斷的跌倒檢測(cè)邏輯。經(jīng)過系統(tǒng)實(shí)驗(yàn)驗(yàn)證，該跌倒檢測(cè)算法對(duì)常見的跌倒情況的檢測(cè)準(zhǔn)確率在95%以上，能夠滿足老年人跌倒的危險(xiǎn)情況檢測(cè)需求。關(guān)鍵詞：老年人，穿

2、戴式，跌倒檢測(cè)，慣性傳感器1 緒論1.1 研究背景20世紀(jì)后，全世界正以無法想象的速度步入全球老齡化時(shí)代 1。我國(guó)也于20世紀(jì)末進(jìn)入老齡化社會(huì)，預(yù)計(jì)到2050年將進(jìn)入深度老齡化階段，成為老齡化程度最嚴(yán)重的國(guó)家2，這也將從多方面給我國(guó)社會(huì)帶來巨大的壓力和挑戰(zhàn)。在這種情況下，老年人的生活照料、出行等需求日益凸顯，其中體現(xiàn)在安全保健問題尤為突出，主要體現(xiàn)在兩點(diǎn)：第一，老年人身體機(jī)能退化，他們極易意外或因病（尤其是心腦血管疾?。┑?。據(jù)國(guó)外統(tǒng)計(jì)，約有1/3的65歲老人每年至少跌倒一次3，跌倒在老年人死亡原因中的比例高達(dá)25% 4，跌倒非常容易造成老人骨折、內(nèi)臟震蕩；如果跌倒后得不到及時(shí)救助，會(huì)進(jìn)一步提

3、高致死率和致殘率。跌倒不僅給老年人造成生理上的傷害，還會(huì)帶來心理上的陰影。此外，當(dāng)前社會(huì)老年人跌倒后無人敢攙扶、無人敢救，漸漸成為一種普遍的社會(huì)現(xiàn)象，在這種情況下，跌倒對(duì)老年人更是致命的。如何在信任危機(jī)日益嚴(yán)重的社會(huì)維護(hù)老年人的生命健康權(quán)利，成為日漸重要的議題。因此針對(duì)老年人對(duì)安全保證的迫切需求，利用電子信息技術(shù)解決此問題有著極大的社會(huì)價(jià)值。1.2 研究現(xiàn)狀目前，跌倒檢測(cè)算法研究的著眼點(diǎn)包括三點(diǎn)：第一是重點(diǎn)分析臨界階段或沖擊，第二是重點(diǎn)分析跌倒后階段，最后是兩者同時(shí)分析。1) 跌倒的臨界階段的研究Wu等人(University of Vermont, USA)通過視頻分析人體在跌倒時(shí)特定點(diǎn)的運(yùn)

4、動(dòng)發(fā)現(xiàn)，這些點(diǎn)在跌倒臨界階段的速度為其他有意識(shí)行為的3倍5。Charif等人嘗試通過計(jì)算機(jī)視覺系統(tǒng)追蹤頭部的運(yùn)動(dòng)，并通過粒子濾波和固定水平和速度閾值方法檢測(cè)跌倒6。Noury等人(University of Grenoblein France)設(shè)計(jì)了一種佩帶在腋下的自主檢測(cè)裝置，包括加速度計(jì)、一個(gè)傾角計(jì)和一個(gè)振動(dòng)傳感器。檢測(cè)算法特征為速度閾值、從直立到水平的體位和跌倒后的靜息狀態(tài)7。Mathie等人使用位于胸部的三軸加速度傳感器，Hwang等人使用陀螺儀，Bourke和Lyons等人使用雙軸陀螺構(gòu)建閾值算法，在臨界階段檢測(cè)跌倒8-10。Tamura等人提出在跌倒早期檢測(cè)成功后，可以釋放安全氣囊

5、保護(hù)跌倒者，但是該系統(tǒng)只能保護(hù)向后跌倒的情況11。2) 跌倒的沖擊的研究Williams等人在1998年首次描述了佩戴在腰部的跌倒檢測(cè)裝置，主要原理為通過壓電傳感器檢測(cè)沖擊，然后激發(fā)水銀傾角計(jì)檢測(cè)體位12。Doughty et al.繼續(xù)研究了這種方法并由Tunstall (Whitley lodge, Yorkshire, England)公司推向市場(chǎng)13。Lindemann等人將三軸加速度傳感器放入助聽器中，通過3個(gè)閾值檢測(cè)跌倒過程中的沖擊：xy平面內(nèi)的總加速度為2g；豎直方向的最大速度為0.7m/s；所有方向的總加速度為6g14。3) 跌倒后階段的研究在跌倒后階段，人體一般處于平行于地面

6、且靜息狀態(tài)。因此可以通過傾角計(jì)測(cè)量人體姿態(tài)或通過位于鞋底的壓力傳感器檢測(cè)跌倒。但是跌倒后階段的狀態(tài)和被測(cè)者平時(shí)臥床休息的狀態(tài)容易混淆，因此以上的檢測(cè)方法一般需要和其他階段的檢測(cè)方法結(jié)合使用。綜上所述，跌倒是行走過程中常見的危險(xiǎn)事件，目前跌倒檢測(cè)的研究前沿為跌倒檢測(cè)準(zhǔn)確率為90%左右。1.3 目前該領(lǐng)域存在的問題（1） 跌倒檢測(cè)的準(zhǔn)確率和實(shí)用性還有待提高。目前大多數(shù)跌倒檢測(cè)研究的實(shí)用性不強(qiáng)，檢測(cè)準(zhǔn)確率在90%左右，對(duì)于危害嚴(yán)重的跌倒事件來說，還不足以完全監(jiān)護(hù)使用者的行走安全。因此，跌倒檢測(cè)系統(tǒng)的檢測(cè)準(zhǔn)確性和還有一定的提升空間。（2） 跌倒檢測(cè)算法復(fù)雜難以產(chǎn)品化由于大部分跌倒檢測(cè)算法復(fù)雜，時(shí)效性差

7、，很難工程化，目前市場(chǎng)上也沒有相關(guān)的老年人監(jiān)護(hù)產(chǎn)品，將算法做到簡(jiǎn)單實(shí)用，便于工程化也是本課題的難點(diǎn)。1.4 研究思路本文首先通過分析跌倒運(yùn)動(dòng)的定義及運(yùn)動(dòng)學(xué)原理，通過對(duì)跌倒進(jìn)行建模，提取特征模式，進(jìn)而通過樣機(jī)平臺(tái)搭建為算法研究提供硬件支持，最后通過系統(tǒng)實(shí)驗(yàn)驗(yàn)證算法的有效性和實(shí)用性。2 跌倒運(yùn)動(dòng)學(xué)機(jī)理2.1 跌倒的定義與原因“無意識(shí)的倒向地面，或者其他一些未能造成強(qiáng)烈沖擊的情況，如失去意識(shí)、中風(fēng)、癲癇發(fā)作”。這個(gè)跌倒的定義仍被許多研究機(jī)構(gòu)沿用至今，擴(kuò)展后還包含了暈厥和心血管疾病所造成的跌倒 15。（1） 跌倒時(shí)間段的劃分跌倒主要分為四個(gè)階段：跌倒前階段、臨界階段、跌倒后階段和恢復(fù)階段（圖1）。跌倒

8、前階段與日常行為相同；臨界階段以人體倒向地面為起始，以人體承受劇烈沖擊為結(jié)束，這個(gè)階段大概持續(xù)0.3-0.5s；跌倒后階段以人體承受劇烈沖擊為起點(diǎn)，該階段人體處于不活動(dòng)狀態(tài)?；謴?fù)階段是跌倒者自行站立或在他人幫助下恢復(fù)站立16。圖1 跌倒的階段劃分關(guān)于跌倒的定義，盡管缺乏統(tǒng)一的標(biāo)準(zhǔn)，但是近來研究人員廣泛采用是：“人體有意識(shí)或是無意識(shí)的倒向并躺在地面或是其較低水平面的事件17?！钡沟脑蚴嵌喾N因素相互結(jié)合的。主要包括生理因素、疾病因素、藥物因素、境因素、性別及社會(huì)心理因素等18-21。2.2 跌倒的運(yùn)動(dòng)學(xué)描述（1） 身體重心的變化由跌倒的定義可知，跌倒事件是人體從一個(gè)較高平面倒向另一個(gè)較低平面的

9、過程，從而必然伴隨著人體重心的位置變化（一般情況是重心的降低）。如圖2示，以向前跌倒為例，人體重心（圖中藍(lán)色圓點(diǎn)）隨時(shí)間呈現(xiàn)出逐漸減低的過程。在理想情況下，跌倒的運(yùn)動(dòng)軌跡（重心高度的時(shí)間變化軌跡）應(yīng)該呈現(xiàn)為拋物線形狀，其運(yùn)動(dòng)學(xué)方程為： （2.1）其中，h0為人體重心的初始高度，單位為m；g為重力加速度，單位為m/s2；t為時(shí)間，單位為s，初始時(shí)刻（t=0）為跌倒開始時(shí)刻。th圖2 跌倒時(shí)重心變化的運(yùn)動(dòng)學(xué)特征在實(shí)際應(yīng)用中，采用加速度積分的方法描述人體重心變化通常存在較大累積誤差，因此，一般結(jié)合其他傳感量進(jìn)行修正，譬如檢測(cè)高度的氣壓計(jì)等。（2） 身體姿態(tài)的變化在跌倒過程中另一個(gè)運(yùn)動(dòng)學(xué)特點(diǎn)是人體姿態(tài)

10、的變化。按照跌倒時(shí)的姿態(tài)分類，跌倒可以分為向前跌倒、向后跌倒和側(cè)向跌倒。以人體面向X軸正方向?yàn)槔?，向前跌倒可以等效為人體繞Y軸逆時(shí)針旋轉(zhuǎn)，向后跌倒可以等效為人體繞Y軸順時(shí)針旋轉(zhuǎn)，同理，側(cè)向跌倒可以等效為人體繞X軸的旋轉(zhuǎn)。因此，若將人體跌倒簡(jiǎn)化為剛體的運(yùn)動(dòng)，則其姿態(tài)的變化可以用歐拉角來表示。如圖3所示，設(shè)定xyz軸（藍(lán)色）為地理坐標(biāo)系的參考軸，XYZ軸（紅色）為捷聯(lián)在人體上的載體坐標(biāo)系的坐標(biāo)軸，則人體的運(yùn)動(dòng)可以用歐拉角表示。但是采用歐拉法確定姿態(tài)角的方法有一定的局限性，由于微分方程中存在三角函數(shù)，實(shí)時(shí)計(jì)算比較困難，而且當(dāng)為90時(shí)，方程出現(xiàn)奇異點(diǎn)，姿態(tài)角無法解算。3 跌倒檢測(cè)監(jiān)護(hù)裝置硬件設(shè)計(jì)跌倒檢

11、測(cè)監(jiān)護(hù)裝置系統(tǒng)分為跌倒檢測(cè)終端和監(jiān)護(hù)中心兩部分。跌倒檢測(cè)終端由電源模塊、處理器模塊、傳感器模塊、無線通信模塊、人機(jī)交互模塊構(gòu)成，分別用于終端供電、運(yùn)行跌倒檢測(cè)算法、物理慣性信息的檢測(cè)、跌倒檢測(cè)算法的執(zhí)行、報(bào)警信息的發(fā)布和取消以及信息的無線傳輸。監(jiān)控中心分為則包括網(wǎng)管和PC，分別用于網(wǎng)絡(luò)的管理和信息的儲(chǔ)存和后處理。如圖4所示。圖4 跌倒檢測(cè)監(jiān)護(hù)裝置硬件原理1）處理器模塊 該部分主要有AVR單片機(jī)ATmega8L最小系統(tǒng)構(gòu)成，包括電源、晶振、復(fù)位和下載電路，其原理圖如圖5。圖5 處理器模塊電路圖2）慣性傳感器模塊該部分由三軸加速度傳感器MMA7260及其外部RC濾波電路構(gòu)成，其原理圖如圖6：圖6

12、慣性傳感器模塊電路圖MMA7260是飛思卡爾公司生產(chǎn)的性價(jià)比最高的微型電容式加速度傳感器，其采用了信號(hào)調(diào)理、單級(jí)低通濾波器和溫度補(bǔ)償技術(shù)?？捎萌S加速度計(jì)利用重力分量換算原理，來測(cè)量角度，與其他數(shù)字量?jī)A角傳感器相比自然要精準(zhǔn)許多，因?yàn)槟M量的，可將電壓值換算對(duì)應(yīng)傾斜角度值。并且可通過G1G2管腳調(diào)整加速度的量程，適用于檢測(cè)人體的加速度。3）無線通信模塊該部分主要由CC2430 （Zigbee SoC）構(gòu)成，采用ACX公司的AT7020芯片天線，以達(dá)到節(jié)省體積的目的。其原理圖如圖7：圖7 無線模塊電路圖4）電源模塊該部分主要有鋰電池、低壓差調(diào)節(jié)器（LPO）和電量計(jì)組成，鋰電池采用3.7V可充電電

13、池，電池端具有保護(hù)電路；低壓差調(diào)節(jié)器采用TPS79633芯片，將3.7V調(diào)節(jié)到3.3V；電量計(jì)采用BQ27510芯片，檢測(cè)鋰電池的電量和預(yù)測(cè)剩余使用時(shí)間。另外，需要注意的是，加速度傳感器的電源應(yīng)該與其他電源隔離，以減少噪聲干擾。該部分原理圖如圖8：圖8 電源模塊5）人機(jī)交互模塊該部分主要由各種外設(shè)包括按鍵開關(guān)、電源接口、LED指示燈和蜂鳴器等構(gòu)成，其原理圖如圖9所示：圖9 人機(jī)交互模塊4 跌倒檢測(cè)算法設(shè)計(jì)跌倒檢測(cè)的目標(biāo)是能夠?qū)⒌?Fall)與日常生活的正常動(dòng)作(Activities of Daily Life，ADL)區(qū)分開來，準(zhǔn)確地檢測(cè)跌倒的發(fā)生，并智能判斷(并執(zhí)行)是否需要報(bào)警求助。從而

14、盡可能地縮短救助時(shí)聞，減小跌倒帶來的傷害(尤其是長(zhǎng)時(shí)間暈厥)，降低誤報(bào)率，最終提升被監(jiān)測(cè)者的生活質(zhì)量。4.1 跌倒運(yùn)動(dòng)學(xué)模式分析4.1.1 跌倒與日常行為分類無論是跌倒還是日常行為，如果以分解動(dòng)作來看都是不同靜態(tài)姿勢(shì)之間的轉(zhuǎn)化，當(dāng)然轉(zhuǎn)化過程中的劇烈程度和時(shí)間點(diǎn)也是不同跌倒和日常行為的主要區(qū)別。人體的常見靜態(tài)姿勢(shì)包括：左/右側(cè)躺、仰臥、俯臥、站立、坐、蹲等。在這些靜態(tài)姿勢(shì)之間的轉(zhuǎn)化就形成了人體的運(yùn)動(dòng)。常見的跌倒主要分為3種：1) 向前跌倒，即從站立到俯臥的劇烈過程；2) 向后跌倒，即從站立到仰臥的劇烈過程；3) 側(cè)向跌倒，包括向左/右跌倒，即從站立到側(cè)臥的劇烈過程。據(jù)ONeil等人的研究表明,前

15、向跌倒是最為常見的跌倒，約占整個(gè)跌倒事件的60%左右22。當(dāng)然實(shí)際生活中，還可能出現(xiàn)更加復(fù)雜的跌倒情況，這些跌倒模式較為復(fù)雜且極少發(fā)生，將作為下一步研究的對(duì)象，不在本文的討論范圍內(nèi)。為簡(jiǎn)化研究，6種容易和跌倒事件混淆的日常行為被作為主要研究對(duì)象，其包括：1) 走；2) 跑；3) 跳；4) 上下樓；5) 坐下；6) 躺下。本研究中的跌倒檢測(cè)即是探討常見的3種跌倒事件與易混淆的6種日常行為的主要區(qū)別和識(shí)別方式。由于其主要區(qū)別包含兩個(gè)方面：其一是運(yùn)動(dòng)所對(duì)應(yīng)的靜態(tài)姿勢(shì)不同，對(duì)應(yīng)的慣性量即是姿態(tài)的變化；其二是在不同靜態(tài)姿勢(shì)間轉(zhuǎn)換的劇烈程度不同，對(duì)應(yīng)的慣性量即是加速度的變化。下面分別從這兩個(gè)方面討論跌倒和

16、日常行為的運(yùn)動(dòng)模式。4.1.2 加速度分析（1） 數(shù)據(jù)預(yù)處理加速度的時(shí)域信號(hào)體現(xiàn)了人體運(yùn)動(dòng)過程中劇烈程度，以及在不同時(shí)刻劇烈程度的分布。然而在實(shí)際信號(hào)采集過程中，原始數(shù)據(jù)往往包含了有效信號(hào)和各種干擾信號(hào)：1) 人體運(yùn)動(dòng)加速度；2) 重力加速度；3) 人體抖動(dòng)；4) 測(cè)量噪聲；5) 慣性傳感器與身體的相對(duì)運(yùn)動(dòng)其中，人體運(yùn)動(dòng)加速度和重力加速度是有效信號(hào)，這兩者可以體現(xiàn)人體的運(yùn)動(dòng)狀態(tài)，而后三個(gè)信號(hào)屬于干擾信號(hào)，應(yīng)當(dāng)予以抑制和去除。由于這三種干擾信號(hào)都與脈沖噪聲相似，因此選用中值濾波的方法對(duì)加速度信號(hào)進(jìn)行預(yù)處理，其處理效果如圖10所示。圖10 中值濾波處理加速度信號(hào)（2） 總加速度強(qiáng)度（Acceler

17、ation Vector Magnitude）總加速度即為三軸加速度的矢量和，它能比較直觀的體現(xiàn)人體運(yùn)動(dòng)的劇烈程度，其數(shù)學(xué)表示為： （5.1）常見的6種日常行為的總加速度強(qiáng)度（AVM）與豎直軸加速度（Ax）如圖11所示，其中總加速度（AVM）以黑色曲線表示，豎直軸加速度（Ax）以藍(lán)色曲線表示。分析日常行為的加速度曲線可得以下特征；1) 總加速度（AVM）的幅值以1g為中值擺動(dòng)，由于重力加速度的存在。2) 豎直軸加速度（Ax）的幅值以-1g為中值擺動(dòng)，由于X軸正方向與重力方向相反。3) 坐下起立、走、躺下和上樓的總加速度（AVM）變化幅值在2g之內(nèi)，說明運(yùn)動(dòng)劇烈程度較小。4) 跑和跳的總加速度（

18、AVM）變化幅值在4g之內(nèi)，說明運(yùn)動(dòng)劇烈程度較大。5) 在人體保持直立狀態(tài)的日常行為中（除躺下外的其他5種），總加速度（AVM）與豎直加速度（Ax）的變化趨勢(shì)基本一致。6) 躺下時(shí)，由于人體從直立狀態(tài)轉(zhuǎn)化到平躺狀態(tài)，因此豎直加速度（Ax）曲線存在明顯“階躍”變化。圖11 常見日常行為的總加速度（黑色）與豎直軸加速度曲線（藍(lán)色）常見的3種跌倒事件的總加速度強(qiáng)度（AVM）與豎直軸加速度（Ax）如圖12所示，其中總加速度（AVM）以黑色曲線表示，豎直軸加速度（Ax）以藍(lán)色曲線表示。分析這3種跌倒事件的加速度曲線可得以下特征：1) 不同方向的跌倒事件加速度曲線非常相似，變化趨勢(shì)基本保持一致。2) 總加

19、速度曲線（AVM）中存在明顯峰值，該峰值是由身體與地面沖擊造成的。3) 總加速度曲線（AVM）中峰值之前時(shí)刻，對(duì)應(yīng)的豎直加速度曲線（Ax）存在一個(gè)明顯的加速度谷值，該谷值是由身體在跌倒過程中的失重造成的。4) 總加速度曲線（AVM）中峰值之后一段時(shí)間，對(duì)應(yīng)的豎直加速度曲線（Ax）存在一個(gè)明顯“階躍”變化，這是由于人體姿態(tài)變化造成的。圖12 常見跌倒事件的總加速度（黑色）與豎直軸加速度曲線（藍(lán)色）比較日常行為和跌倒事件的和加速曲線（AVM）特征可知，兩者總加速度（AVM）峰值的大小存在明顯差異。經(jīng)過大量模擬跌倒和日常行為實(shí)驗(yàn)，統(tǒng)計(jì)匯總后，跌倒和日常行為的總加速度峰值范圍如表6和表7所示。表1 日

20、常行為總加速度最值A(chǔ)DL行走坐蹲上樓下樓慢跑跳Max(g)1.881.541.751.781.984.53.11Min(g)1.551.471.051.121.542.783.61表2 跌倒總加速度最大值范圍Fall前倒后倒側(cè)倒Max(g)5.785.685.78Mean(g)4.984.454.37Min(g)4.764.824.454.1.3 姿態(tài)分析人體處于靜止?fàn)顟B(tài)時(shí)，可以通過重力加速度在三個(gè)方向的分布估計(jì)人體姿態(tài)，僅需加速度傳感器支持，且計(jì)算簡(jiǎn)單。圖13顯示了跌倒事件中豎直方向加速度的變化，通過重力加速度的分布變化，同時(shí)也反映了人體姿態(tài)的變化。在人體直立時(shí)，豎直方向加速度為-1g（正方

21、向?yàn)榇怪钡孛嫦蛏希?，而在人體平躺時(shí)，豎直方向加速度為0g左右。從而，該曲線體現(xiàn)了在跌倒過程中人體姿態(tài)的典型變化：在失重階段人體與豎直軸夾角由0左右快速變?yōu)?0左右，隨后在平躺階段時(shí)，人體與豎直軸夾角保持90左右一段時(shí)間。雖然跌倒時(shí)人體姿態(tài)變化與躺下的情況一致，但是足以區(qū)分其他日常行為。圖15 跌倒時(shí)豎直方向加速度曲線4.2 跌倒檢測(cè)算法設(shè)計(jì)通過以上對(duì)日常行為和跌倒的加速度和人體姿態(tài)分析可知，跌倒可以分為三個(gè)階段，第一階段是失重階段，此時(shí)人體開始無意識(shí)的倒向地面；第二階段是沖擊階段，此時(shí)人體其他部位與地面發(fā)生沖擊；第三階段是平躺階段，此時(shí)人體平躺在地面上處于靜息狀態(tài)。并且，跌倒過程中突出的特征可

22、以歸結(jié)為（如圖16所示）：1) 在人體處于失重階段時(shí)，豎直軸加速度（Ay）先下降再急劇增加。2) 在人體承受沖擊階段時(shí)，總加速度的激增。3) 沖擊之后，由于人體姿態(tài)變化而處于平躺狀態(tài)，總加速度(AVM)維持在1g左右，Y軸加速度維持在0g附近。圖16 跌倒的運(yùn)動(dòng)學(xué)特征經(jīng)采樣分析日常行為事件幾乎不能同時(shí)滿足以上3個(gè)特征，這為該跌倒檢測(cè)系統(tǒng)具有較高的特異性提供了保障。為有效識(shí)別以上3個(gè)特征，我們通過總加速度（AVM）與人體與豎直軸夾角（TAy）的變化時(shí)序來設(shè)計(jì)跌倒檢測(cè)算法?？偧铀俣龋ˋVM）的定義已經(jīng)在前文加速度分析中給出，而在人體處于靜息狀態(tài)時(shí)（非運(yùn)動(dòng)狀態(tài)），豎直軸夾角（TAy）的計(jì)算采用重力加

23、速度分布的方法估算，其公式如下： （5.2）其中TAy表示人體與豎直軸夾角，單位為deg；Ay表示豎直軸加速度，單位為m/s2；G表示重力加速度，單位為m/s2。基于以上分析和大量試驗(yàn)，總結(jié)出以下跌倒檢測(cè)算法，其流程圖如圖17所示。該算法的核心思想是加速度閾值判斷結(jié)合人體姿態(tài)檢測(cè)，因此需要定義三個(gè)閾值用于評(píng)估人體運(yùn)動(dòng)劇烈狀態(tài)和人體姿態(tài)：HAT為加速度高閾值，當(dāng)AVM大于HAT時(shí)，說明人體受到強(qiáng)烈沖擊。LAT為加速度低閾值，當(dāng)AVM小于LAT時(shí)，說明人體處于不活躍狀態(tài)。AT為角度閾值，當(dāng)TAy絕對(duì)值小于AT時(shí)，說明人體處于平躺狀態(tài)。此外，還需要定義三個(gè)延時(shí)用來控制不同閾值檢測(cè)的時(shí)序。所有閾值和延

24、時(shí)都經(jīng)過大量日常行為和模擬跌倒實(shí)驗(yàn)調(diào)校和驗(yàn)證。圖17 跌倒檢測(cè)算法流程圖其主要流程描述如下：1) 三軸加速度傳感器的測(cè)量采樣頻率為200Hz。2) 每次采樣后有三軸加速度計(jì)算總加速度AVM。3) 設(shè)定總加速度高閾值HAT，若檢測(cè)到AVM HAT，說明存在強(qiáng)烈沖擊，繼續(xù)判斷。4) 設(shè)定總加速度低閾值LAT，若3s內(nèi)檢測(cè)AVM LAT ，說明人體處于靜息狀態(tài)，繼續(xù)判斷。5) 若以上條件滿足，則通過三軸加速度分布進(jìn)行姿態(tài)判斷，延時(shí)循環(huán)兩次，若|TAy| AT，則為接近水平狀態(tài)，判定跌倒。5 實(shí)驗(yàn)驗(yàn)證跌倒檢測(cè)的目的是在于準(zhǔn)確區(qū)分日常行為和跌倒事件，因此跌倒檢測(cè)實(shí)驗(yàn)也是圍繞這兩種行為展開的。實(shí)驗(yàn)內(nèi)容是：

25、志愿者按照要求執(zhí)行相應(yīng)的日常行為和模擬跌倒事件。5.1 跌倒檢測(cè)實(shí)驗(yàn)設(shè)計(jì)跌倒檢測(cè)的實(shí)驗(yàn)項(xiàng)目也借鑒了之前N.Noury的關(guān)于跌倒檢測(cè)準(zhǔn)確性的評(píng)估37。綜合常見的日常行為和跌倒事件，在該實(shí)驗(yàn)中志愿者執(zhí)行的項(xiàng)目如表3所示。表3 跌倒檢測(cè)實(shí)驗(yàn)項(xiàng)目實(shí)驗(yàn)項(xiàng)目項(xiàng)目細(xì)分報(bào)警種類向后跌倒以坐姿結(jié)束是以平臥結(jié)束是以側(cè)臥結(jié)束是快速恢復(fù)否向前跌倒膝蓋著地是胳膊著地是以平臥結(jié)束是倒后翻滾以平臥結(jié)束是倒后翻滾以側(cè)臥結(jié)束是快速恢復(fù)否左側(cè)跌倒以平臥結(jié)束是快速恢復(fù)否右側(cè)跌倒以平臥結(jié)束是快速恢復(fù)否暈厥沿墻跌坐是日常行為坐 起立否躺 起立否行走否彎腰拾物否咳嗽或打噴嚏否6.4.2 跌倒檢測(cè)實(shí)驗(yàn)結(jié)果經(jīng)過志愿者總共1000次行為模擬，

26、其中包括400次模擬跌倒和600次模擬日常行為，跌倒檢測(cè)的檢測(cè)準(zhǔn)確率統(tǒng)計(jì)如表13所示。表13 跌倒檢測(cè)實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)行為種類實(shí)驗(yàn)次數(shù)報(bào)警次數(shù)未報(bào)警次數(shù)準(zhǔn)確率日常行為5000500100%向前跌倒10099099%向后跌倒1001000100%向左跌倒10094694%向右跌倒10095595%由于跌倒檢測(cè)的輸出只有跌倒報(bào)警和未報(bào)警兩個(gè)值，因此跌倒檢測(cè)的準(zhǔn)確性可以由以下四種情況發(fā)生的概率來評(píng)價(jià)。1) 真陽性事件（true positive, TP），即跌倒確實(shí)發(fā)生，并且跌倒報(bào)警發(fā)出。2) 假陽性事件（false positive, FP），即跌倒沒有發(fā)生，而跌倒報(bào)警發(fā)出。3) 真陰性事件（true

27、 negative, TN），即跌倒沒有發(fā)生，并且沒有跌倒報(bào)警。4) 假陰性事件（false negative, FN），即跌倒確實(shí)發(fā)生，而沒有跌倒報(bào)警。因此，跌倒檢測(cè)的準(zhǔn)確性可以通過以下兩個(gè)指標(biāo)來評(píng)價(jià)：1) 檢測(cè)敏感性，即在所有跌倒事件中，成功檢測(cè)出跌倒的比率，與其相反的為漏警率。其計(jì)算公式如下： （6.1）2) 檢測(cè)特異性，即在所有日常行為事件中，成功檢測(cè)出未跌倒的比率，與其相反的為虛警率。其計(jì)算公式如下： （6.2）其中，TP，F(xiàn)P分別真陽性和假陽性事件，TN，F(xiàn)N分別真陰性和假陰性事件。由于在跌倒檢測(cè)實(shí)驗(yàn)中，所有日常行為事件都被準(zhǔn)確檢測(cè)出，因此假陽性事件為零，說明該跌倒檢測(cè)算法具有很高

28、的特異性（在實(shí)驗(yàn)中為100%）。同時(shí)，由于存在小部分跌倒事件沒有被成功檢測(cè)出，即檢測(cè)存在假陰性事件，但是該情況發(fā)生概率很?。ㄒ姳?3），因此該跌倒檢測(cè)算法同樣具有很高的敏感性（在實(shí)驗(yàn)中大于95%）。參考文獻(xiàn)1 . 聯(lián)合國(guó)人口司. 聯(lián)合國(guó)老齡化議題-老齡化問題概況EB/OL, /chinese/esa/ageing/introduction.htm, 2013-03-092 國(guó)務(wù)院新聞辦. 2010年第六次全國(guó)人口普查主要數(shù)據(jù)公報(bào)EB/OL, /wszb/zhibo449, 2010-04-283 呂筠, 李立明. 老年傷害研究回顧

29、J. 疾病控制雜志, 1999, 3(4): 300-3034 郝曉寧, 胡鞍鋼. 中國(guó)人口老齡化: 健康不安全及應(yīng)對(duì)政策J. 中國(guó)人口. 資源與環(huán)境, 2010, 2(3): 73-785 Wu G. Distinguishing fall activities from normal activities by velocity characteristicsJ. Journal of Biomechanics, 2000, 33:1497-15006 Nait-Charif H., Mckenna S. J. Activity Summarisation and Fall Detecti

30、on in a Supportive Home EnvironmentA. Pattern Recognition, 2004, ICPR 2004, Proceedings of the 17th International Conference on IEEEC, 2004:3237 Noury, N., Herv, T., Rialle, V., et al. Monitoring behavior in home using a smart fall sensor and position sensorsA. Microtechnologies in Medicine and Biol

31、ogy, 1st Annual International Conference on IEEEC, 2000:6078 Mathie, M., Celler, B., Lovell, N.H., et al. Classification of basic daily movements using a triaxial accelerometerJ. Medical and Biological Engineering and Computing, 2004, vol. 42, no. 5:679-6879 Hwang, J., Kang, J., Jang, Y., et al. Dev

32、elopment of novel algorithm and real-time monitoring ambulatory system using Bluetooth module for fall detection in the elderlyA. Engineering in Medicine and Biology Society, IEMBS04, 26th Annual International Conference of the IEEEC, 2004:220410 Bourke, A., Lyons, G. A threshold-based fall-detectio

33、n algorithm using a bi-axial gyroscope sensorJ. Medical engineering & physics, 2008, vol. 30, no. 1:84-9011 Tamura, T., Yoshimura, T., Sekine, M., et al. A Wearable Airbag to Prevent Fall InjuriesJ. IEEE Transaction on Information Technology in Biomedicine, 2009, vol. 13, no. 6:910-914.12 Williams,

34、G., Doughty, K., Cameron, K., et al. A smart fall and activity monitor for telecare applicationsA. Engineering in Medicine and Biology Society, Proceedings of the 20th Annual International Conference of the IEEEC, 1998:115113 Doughty, K., Lewis, R., McIntosh, A. The design of a practical and reliable fall detector for community and institutional telecareJ. Journal of telemedicine and telecare, 2000, vol. 6, no. suppl 1:150-15414 Lindemann, U., Hock, A., Stuber, M., et al. Evaluation of a fall detector based on accelerometers: A pilot studyJ