老年人跌倒檢測(cè)技術(shù)研究

word格式文檔word格式文檔word格式文檔word格式文檔專業(yè)整理專業(yè)整理專業(yè)整理專業(yè)整理老年人跌倒檢測(cè)技術(shù)研究ResearchonFallDetectionTechnologyfortheElderly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(kāi)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(guò)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(guò)系統(tǒng)實(shí)驗(yàn)驗(yàn)證，該跌倒檢測(cè)算法對(duì)常見(jiàn)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，穿戴式，跌倒檢測(cè)，慣性傳感器1緒論研究背景20世紀(jì)后，全世界正以無(wú)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)2050國(guó)家[2]，這也將從多方面給我國(guó)社會(huì)帶來(lái)巨大的壓力和挑戰(zhàn)。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?。ㄆ涫切哪X血管疾?。?/365[3]，跌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(lái)心理上的陰影。此外，當(dāng)前社會(huì)老年人跌倒后無(wú)人敢攙扶、無(wú)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。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。跌倒的臨界階段的研究Wu(UniversityofVermont,USA)3[5]。Charif和速度閾值方法檢測(cè)跌倒[6]。Noury(UniversityofGrenobleinFrance)設(shè)計(jì)了一種佩帶在腋下的自主檢測(cè)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統(tǒng)只能保護(hù)向后跌倒的情況[11]。跌倒的沖擊的研究Williams1998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]。DoughtyetTunstall(Whitleylodge,Yorkshire,England)公司推向市場(chǎng)[13]。Lindemann32g；0.7m/s；6g[14]。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且靜息狀態(tài)。因此可以通過(guò)傾角計(jì)測(cè)量人綜上所述，跌倒是行走過(guò)程中常見(jiàn)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。目前該領(lǐng)域存在的問(wèn)題跌倒檢測(cè)的準(zhǔn)確率和實(shí)用性還有待提高。90%左右，對(duì)于危害嚴(yán)重的性和還有一定的提升空間。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，很難工程化，目前市場(chǎng)上也沒(méi)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)。研究思路本文首先通過(guò)分析跌倒運(yùn)動(dòng)的定義及運(yùn)動(dòng)學(xué)原理，通過(guò)對(duì)跌倒進(jìn)行建模，提取特征模式，進(jìn)而通過(guò)樣機(jī)平臺(tái)搭建為算法研究提供硬件支持，最后通過(guò)系統(tǒng)實(shí)驗(yàn)驗(yàn)證算法的有效性和實(shí)用性。word格式文檔word格式文檔word格式文檔word格式文檔專業(yè)整理專業(yè)整理專業(yè)整理專業(yè)整理2跌倒運(yùn)動(dòng)學(xué)機(jī)理跌倒的定義與原因[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（1跌倒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圖1跌倒的階段劃分意識(shí)或是無(wú)意識(shí)的倒向并躺在地面或是其較低水平面的事件[17]跌倒的原因是多種因素相互結(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]。跌倒的運(yùn)動(dòng)學(xué)描述（1）身體重心的變化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2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：h(t)h0

gt2 （2.1）2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(kāi)始時(shí)刻。ht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)的變化可以分為向前跌倒、向后跌倒和側(cè)向跌倒。以人體面向XYYX3xyz（藍(lán)色）為地理坐標(biāo)系的參考軸，XYZ（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。θ90°時(shí)，方程出現(xiàn)奇異點(diǎn)，姿態(tài)角無(wú)法解算。3跌倒檢測(cè)監(jiān)護(hù)裝置硬件設(shè)計(jì)跌倒檢測(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4跌倒檢測(cè)監(jiān)護(hù)裝置慣性傳感器監(jiān)控中心慣性傳感器監(jiān)控中心處理器裝置無(wú)線接收裝置電腦人機(jī)交互圖4跌倒檢測(cè)監(jiān)護(hù)裝置硬件原理1）處理器模塊AVRATmega8L5。圖5處理器模塊電路圖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慣性傳感器模塊電路圖MMA7260來(lái)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(guò)G1\G2無(wú)線通信模塊CC2430（ZigbeeSoC）ACXAT70207：圖7無(wú)線模塊電路圖電源模塊該部分主要有鋰電池、低壓差調(diào)節(jié)器（LPO）3.7VTPS796333.7V3.3V；BQ275108：圖8電源模塊人機(jī)交互模塊該部分主要由各種外設(shè)包括按鍵開(kāi)關(guān)、電源接口、LED9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(ActivitiesofDaily最終提升被監(jiān)測(cè)者的生活質(zhì)量。跌倒運(yùn)動(dòng)學(xué)模式分析跌倒與日常行為分類無(wú)論是跌倒還是日常行為，如果以分解動(dòng)作來(lái)看都是不同靜態(tài)姿勢(shì)之間的轉(zhuǎn)化，當(dāng)然轉(zhuǎn)化過(guò)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(jiàn)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(jiàn)的跌倒主要分為3種：向前跌倒，即從站立到俯臥的劇烈過(guò)程；向后跌倒，即從站立到仰臥的劇烈過(guò)程；側(cè)向跌倒，包括向左/右跌倒，即從站立到側(cè)臥的劇烈過(guò)程。據(jù)O’Neil等人的研究表明,前向跌倒是最為常見(jiàn)的跌倒，約占整個(gè)跌倒事件的60%左右

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：走；跑；跳；上下樓；坐下；躺下。本研究中的跌倒檢測(cè)即是探討常見(jiàn)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)方面討論跌倒和日常行為的運(yùn)動(dòng)模式。加速度分析數(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(guò)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(guò)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)：人體運(yùn)動(dòng)加速度；重力加速度；人體抖動(dòng)；測(cè)量噪聲；慣性傳感器與身體的相對(duì)運(yùn)動(dòng)10原始總加速度曲線3.02.0）1.0（度 2速加 2.01.51.00.5

4 6 8 10 12 14 16 18濾波后總加速度曲線2 4 6 8 10 12 14 16 18時(shí)間(s)圖10中值濾波處理加速度信號(hào)總加速度強(qiáng)度（AccelerationVectorMagnitude）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：

A2A2A2A2x y z

（5.1）6（AVM）與豎直軸加速度（Ax）11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；總加速度（AVM）1g（Ax-1gX坐下起立、走、躺下和上樓的總加速度變化幅值在2g烈程度較小。跑和跳的總加速度（AVM）4g（5，總加速度AVM豎直加速度（Ax）的變化趨勢(shì)基本一致。躺下時(shí)，由于人體從直立狀態(tài)轉(zhuǎn)化到平躺狀態(tài)，因此豎直加速度明顯“階躍”變化。坐下起立 跑4 42 20 0-2-40 2( 1度0速-1

-28 12 16 走210-1

2 4

6 8 10-20 2 4 6 8 上樓

-20 2 4 6 8 10 12 14跳2 51 300-1-2 -30 2 4 6 8 10 12 0 0.5 1 1.5 2 2.5 3 3.5 4時(shí)間(s)圖11常見(jiàn)日常行為的總加速度（黑色）與豎直軸加速度曲線（藍(lán)色）3（AVM）與豎直軸加速度（Ax）12其中總加速度以黑色曲線表示，豎直軸加速度以藍(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：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?？偧铀俣惹€（AVM）中存在明顯峰值，該峰值是由身體與地面沖擊造成的?？偧铀俣惹€（AVM）中峰值之前時(shí)刻，對(duì)應(yīng)的豎直加速度曲線（Ax）明顯的加速度谷值，該谷值是由身體在跌倒過(guò)程中的失重造成的?？偧铀俣惹€（AVM）中峰值之后一段時(shí)間，對(duì)應(yīng)的豎直加速度曲線（Ax）一個(gè)明顯“階躍”變化，這是由于人體姿態(tài)變化造成的。向前跌倒0-1-20 2 4 ）2

8 10 12 14（度速加-2

0 2 4 6 8 10 12 14 16 向后跌倒0-1-20 2 4 6 8 10 12 14 16時(shí)間（s）圖12常見(jiàn)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特征可知，兩者總加速度峰67表1日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(guò)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。13-1g（正方向?yàn)榇怪钡孛嫦蛏?，而在人體平躺時(shí)，豎直方向加速度為0g0°左右快速變?yōu)?0°90°沖擊階段平躺階段沖擊階段平躺階段失重階段1.0）0.5（度 0速加-0.5方-1.0豎-1.5-2.00

2 4 6 8 10 12 14 16時(shí)間（s）圖15跌倒時(shí)豎直方向加速度曲線跌倒檢測(cè)算法設(shè)計(jì)第一階段是失重階段，此時(shí)人體開(kāi)始無(wú)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(guò)程中突出的特征可以歸結(jié)為（16：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。在人體承受沖擊階段時(shí)，總加速度的激增。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)1g沖擊階段AVM沖擊階段AVMAy平躺階段失重階段3.02.0）g 1.0度速加0-1.0-2.00 2 4 6 8 10 12 14 16時(shí)間（s）圖16跌倒的運(yùn)動(dòng)學(xué)特征33（AVM）與人體與豎直軸夾角的變化時(shí)序來(lái)設(shè)計(jì)跌倒檢測(cè)算法?？偧铀俣鹊亩x已（非運(yùn)動(dòng)狀態(tài)的計(jì)算采用重力加速度分布的方法估算，其公式如下：TAyarccos(Ay/G)(180/) （5.2）TAydegAyG?；谝陨戏治龊痛罅吭囼?yàn)，總結(jié)出以下跌倒檢測(cè)算法，其流程圖如圖17所示。該人體運(yùn)動(dòng)劇烈狀態(tài)和人體姿態(tài)：HATAVMHAT到強(qiáng)烈沖擊。LATAVMLATTAyAT實(shí)驗(yàn)調(diào)校和驗(yàn)證。數(shù)據(jù)準(zhǔn)備數(shù)據(jù)準(zhǔn)備延時(shí)2NN|TA|<ATyAVM>HATYNNY延時(shí)3延時(shí)1|TA|<ATyAVM<LATY跌倒報(bào)警Y其主要流程描述如下：

圖17跌倒檢測(cè)算法流程圖200Hz。AVM。AVMLAT，3sAVM<LAT繼續(xù)判斷。|TAy|<AT，則為接近水平狀態(tài)，判定跌倒。5實(shí)驗(yàn)驗(yàn)證5.1跌倒檢測(cè)實(shí)驗(yàn)設(shè)計(jì)N.Noury3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)束快速恢復(fù)是否向前跌倒膝蓋著地是胳膊著地是以平臥結(jié)束倒后翻滾以平臥結(jié)束是是倒后翻滾以側(cè)臥結(jié)束是快速恢復(fù)否左側(cè)跌倒以平臥結(jié)束快速恢復(fù)是否右側(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 否跌倒檢測(cè)實(shí)驗(yàn)結(jié)果經(jīng)過(guò)志愿者總共100040060013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(lái)評(píng)價(jià)。真陽(yáng)性事件（truepositive,TP，即跌倒確實(shí)發(fā)生，并且跌倒報(bào)警發(fā)出。假陽(yáng)性事件（falsepositive,FP，即跌倒沒(méi)有發(fā)生，而跌倒報(bào)警發(fā)出。真陰性事件（truenegative,TN，即跌倒沒(méi)有發(fā)生，并且沒(méi)有跌倒報(bào)警。假陰性事件（falsenegative,FN因此，跌倒檢測(cè)的準(zhǔn)確性可以通過(guò)以下兩個(gè)指標(biāo)來(lái)評(píng)價(jià)：率。其計(jì)算公式如下：Sensitivity TP 100% （6.1）TPFN為虛警率。其計(jì)算公式如下：Specificity TN 100% （6.2）TNFP其中，TP，F(xiàn)P分別真陽(yáng)性和假陽(yáng)性事件，TN，F(xiàn)N分別真陰性和假陰性事件。由于在倒檢測(cè)算法具有很高的特異性（100%。同時(shí)，由于存在小部分跌倒事件沒(méi)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?。?3，因此該跌倒檢測(cè)算法同樣具有很高的敏感性（95%。參考文獻(xiàn).聯(lián)合國(guó)人口司.聯(lián)合國(guó)老齡化議題-老齡化問(wèn)題概況[EB/OL],/chinese/esa/ageing/introduction.htm,2013-03-092010[EB/OL],/wszb/zhibo449,2010-04-28[3] [J].疾病控制雜志,1999,3(4):300-303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):73-78WuG.Distinguishingfallactivitiesfromnormalactivitiesbyvelocitycharacteristics[J].JournalofBiomechanics,2000,33:1497-1500Nait-CharifH.,MckennaS.J.ActivitySummarisationandFallDetectionaSupportiveHomeEnvironment[A].PatternRecognition,2004,ICPR2004,Proceedingsofthe17thInternationalConferenceonIEEE[C],2004:323Noury,N.,Hervé,T.,Rialle,V.,etal.Monitoringbehaviorinhomeusingasmartfallsensorandpositionsensors[A].MicrotechnologiesinandBiology,1stAnnualInternationalConferenceonIEEE[C],2000:607Mathie,M.,Celler,B.,Lovell,N.H.,etal.Classificationofbasicmovementsusingatriaxialaccelerometer[J].MedicalandBiologicalEngineeringandComputing,2004,vol.42,no.5:679-687Hwang,J.,Kang,J.,Jang,Y.,etal.Developmentofnovelalgorithmandreal-timemonitoringambulatorysystemusingBluetoothmoduleforfalldetectionintheelderly[A].EngineeringinMedicineandBiologyIEMBS'04,26thAnnualInternationalConferenceoftheIEEE[C],2004:2204Bourke,A.,Lyons,G.Athreshold-basedfall-detectionalgorithmusingabi-axialgyroscopesensor[J].Medicalengineering&physics,2008,vol.no.1:84-90Tamura,T.,Yoshimura,T.,Sekine,M.,etal.AWearableAirbagtoFallInjuries[J].IEEETransactiononInformationTechnologyinBiomedicine,2009,vol.13,no.6:910-914.Williams,G.,Doughty,K.,Cameron,K.,etal.Asmartfallandactivitymonitorfortelecareapplications[A].EngineeringinMedicineandSociety,Proceedingsofthe20thAnnualInternationalConferenceoftheIEEE[C],1998:1151Doughty,K.,Lewis,R.,McIntosh,A.Thedesignofapracticalfalldetectorforcommunityandinstitutionaltelecare[J].Journaloftelemedicineandtelecare,2000,vol.6,no.suppl1:150-154Lindemann,U.,Hock,A.,Stuber,M.,etal.Evaluationofafallbasedonaccelerometers:Apilotstudy[J].MedicalandBiologicalEngineeringandComputing,2005,vol.43,no.5:548-551Gibson,M.J.Thepreventionoffallsin