摘  要： 利用三軸加速度傳感器對人體活動產(chǎn)生的加速度信號進行采集，提出了將數(shù)據(jù)分析分割成用戶終端信號的預(yù)處理和在后臺處理兩部分。在用戶終端采取基于1-class SVM分類算法對疑似數(shù)據(jù)進行提取，在后臺通過分析不同動作事件下其能量損耗的閾值范圍的不同進行跌倒判斷，并分析了人體在特定時域的速度、位移以及傾角作為判斷跌倒的輔助判據(jù)。實驗表明，該應(yīng)用能夠為老年人的健康提供一種新的保障。
關(guān)鍵詞： 跌倒檢測；三軸加速度傳感器；1-class SVM

    隨著社會老齡化的不斷發(fā)展，預(yù)期到2030年空巢老年人家庭的比例將達到90％，屆時我國老年人家庭將空巢化[1]。據(jù)統(tǒng)計，在65歲以上的老年人群中，每年有超過1/3的人都有跌倒經(jīng)歷，2/3老年人意外死亡都是由跌倒引起的，而在75歲以上老人中這個比例更是高達70%[2]。
    跌倒檢測是遠程健康監(jiān)護系統(tǒng)中家庭終端的一種實現(xiàn)方式，涉及多個領(lǐng)域，包括信號采集與處理，信號特征提取，數(shù)據(jù)傳輸?shù)确矫娴难芯?。跌倒檢測技術(shù)有很多，從信號獲取的渠道進行分類，可將跌倒檢測技術(shù)分為三類[3]：基于視頻圖像的跌倒檢測，該方法不足之處在于它不能保證用戶的隱私安全并且視頻圖像的質(zhì)量受光線等環(huán)境影響較大；基于聲學(xué)信號的跌倒檢測，安裝復(fù)雜且前期投入比較大；基于穿戴式裝置的跌倒檢測，較之前兩種方法在適用環(huán)境上和對用戶的干擾程度上有比較突出的優(yōu)點。綜合比較各類檢測方法，基于穿戴式的檢測方法對老年人的健康進行遠程監(jiān)管比較適合。
    本文設(shè)計了一種佩帶在腰部[4]的新型的基于加速度傳感數(shù)據(jù)采集的跌倒檢測模塊。在數(shù)據(jù)預(yù)處理階段，本文提出了基于1-class SVM分類預(yù)算法，并依據(jù)人體在不同動作下其能量損耗的最大量不同(閾值范圍不同)進行跌倒判斷[5]，在確保系統(tǒng)準確性上增加了計算分析人體特定時間內(nèi)的速度、位移及傾角這三個特征量作為輔助判據(jù)。
1 跌倒檢測模塊設(shè)計
1.1 架構(gòu)設(shè)計
    跌倒檢測模塊的總體架構(gòu)如圖1所示。主要由加速度采集單元、微處理器單元、無線通信單元以及遠程跌倒監(jiān)控后臺等構(gòu)成，整體模塊采用鋰電池進行。系統(tǒng)由加速度采集單元進行加速度的采集，經(jīng)微處理器單元對信號進行預(yù)處理，經(jīng)預(yù)處理提取的可疑數(shù)據(jù)通過無線通信單元傳輸至遠程跌倒監(jiān)控后臺進行最終的分析處理，在檢測到跌倒時系統(tǒng)能夠自動觸發(fā)警報項。

    交互單元主要包括了功能按鍵、LED指示燈和蜂鳴器，其中功能按鍵為用戶提供主動報警和取消誤報警的功能，LED指示燈主要用于顯示通信網(wǎng)絡(luò)的連通狀態(tài)，蜂鳴器在系統(tǒng)檢測到跌倒時能得到一個反饋的警報信號。
1.2 信號預(yù)處理
    首先，采用13階的中值濾波器來濾除加速度采集裝置采樣值的噪聲，然后采用一個截止頻率為0.5 Hz的高通濾波器以及一個0.8 s的非重疊窗疊加來消除重力因素[6]，以便濾出動態(tài)加速度信號作為下一步處理準備。
    在濾波處理后，對原始數(shù)據(jù)采取基于1-class SVM的分類算法進行可疑數(shù)據(jù)的提取。1-class SVM算法是由SVM算法擴展而來，算法利用核函數(shù)將所有樣本映射到高維特征空間實現(xiàn)分類。在特征空間里，1-class SVM確定了一個包含所有目標數(shù)據(jù)的最小超球面體表面，這個表面就是分類器。用一組松弛變量來控制超球體的半徑和超出超球體的樣本數(shù)量。通過此算法可以提取出絕大部分的跌倒性樣本（陽性樣本）。

通過訓(xùn)練后可以獲得一組支持向量，然后通過式(6)計算出半徑R：

    研究表明從低強度日?；顒又袇^(qū)分跌倒性行為是非常有效的，但是當從較高強度的日?；顒訁^(qū)分跌倒性行為則困難一些。因此該算法只作為數(shù)據(jù)的預(yù)處理過程中使用，從原始數(shù)據(jù)中分離出可疑數(shù)據(jù)。通過在實驗中調(diào)整松弛變量，可確保97%以上的真正跌倒樣本數(shù)據(jù)能夠被提取。
2 跌倒檢測算法
2.1 動作模型的建立
    人體在跌倒過程當中，對象在各個方向上的加速度、速度和位移這三個矢量均會發(fā)生變化。實際上，如果僅根據(jù)各方向上的加速度的變化很難全面地分辨出跌倒動作。通過對加速在時間域上進行一次積分求取速度（v），兩次積分求取位移（s），以提高系統(tǒng)的準確性。
    通過加速度傳感器采集到的加速度包含受到的地球重力加速度和人體運動引起的加速度這兩部分，并且任何時刻這兩部分都同時存在。以人體運動加速度為依據(jù)建立起人體三維動作模型[6]，根據(jù)加速度傳感器的三個正交的測量方向可以建立三維坐標系，如圖2所示。

    通常正確佩戴好裝置后，對象在處于靜止或是水平勻速運動狀態(tài)下時，Y方向的加速度表現(xiàn)為重力加速度（g），水平方向上的加速度為0。當對象發(fā)生跌倒時，如果只考慮始末狀態(tài)的加速度值的變化，縱向的變化范圍從1 g～0 g，而水平方向分量（x或z）的變化則是0 g～1 g。

2.2 算法設(shè)計
    依據(jù)人體在行走、站立和跌倒所損耗的能量的不同，通過實驗可以得出在不同動作下其能量損耗的閾值范圍。因此在后臺的數(shù)據(jù)分析方法上提出了引入能量損耗的方法進行分析。能量損耗是動態(tài)加速度的平方在特定時間域上的積分，其表達如公式（9）示[7]：

本文a=1，能量損耗的計算以每個采樣窗體為單位進行。
    針對老年人的生活狀況特點進行分析，并結(jié)合實際設(shè)計了相應(yīng)的跌倒檢測算法。算法流程如圖3所示，流程圖從整體上描述了跌倒檢測判斷的過程。算法從開始到“數(shù)據(jù)傳輸”這部分的實現(xiàn)都是在用戶終端實現(xiàn)，整個信號的預(yù)處理過程都是以一個采樣窗體為基本單位，如果在一個采樣時間內(nèi)檢測到疑似數(shù)據(jù)，則將此單位內(nèi)的數(shù)據(jù)都傳輸至后臺進行進一步的確認處理，否則，丟棄該數(shù)據(jù)段繼續(xù)采集加速度信號。

    在后臺的數(shù)據(jù)處理階段，主要是利用能量損耗進行分析并輔以特定時間內(nèi)的人體v、s、Φ計算分析來提高系統(tǒng)檢測的準確性。
3 實驗與結(jié)果分析
    為了驗證算法的準確性，邀請了10位60歲以上老人進行試驗，但在跌倒實驗環(huán)節(jié)出于安全考慮沒有讓老人參與而是邀請了學(xué)生進行模擬摔倒（在墊子上完成）。實驗的跌倒方式分為：向前/向后跌倒未平躺、向前/向后跌倒后平躺、向左/向右側(cè)跌倒。依據(jù)這幾種跌倒方式設(shè)計了一套如表1所示的動作。每一次實驗的實驗者都隨機從中選出一些動作并結(jié)合真正的跌倒組合一套完整的實驗動作。系統(tǒng)以45 Hz的采樣頻率進行樣本的采集，并通過設(shè)計的算法進行數(shù)據(jù)的分析處理。
    實驗者從上述的動作中隨機選取動作組合進行實驗，每名實驗者需進行5組實驗，10名實驗者共需完成50組實驗。
    實驗統(tǒng)計結(jié)果如表1所示，通過實驗數(shù)據(jù)可知所設(shè)計的跌倒檢測方法有較高的準確率，能夠分辨絕大部分的跌倒事件，但在對跌倒后沒有平躺事件和滑倒并迅速回復(fù)平衡的情況存在一定的誤報率。

      本文構(gòu)建了基于三維加速度傳感器、微處理器和無線通信模塊為核心的跌倒檢測模塊，通過實驗證明了其有效性，能夠較好地區(qū)分日?；顒雍偷故录Ｔ跀?shù)據(jù)預(yù)處理上采取了基于1-class SVM的數(shù)據(jù)分類算法提取可疑數(shù)據(jù)，并創(chuàng)新性地提出了利用人體活動損耗的能量差異進行跌倒的最終判定，在確保系統(tǒng)的準確性上增加了對特定時域內(nèi)的人體的姿態(tài)分析（對速度、位移及人體傾角的計算分析），取得了一定的成效。但在用戶終端對原始數(shù)據(jù)的分類處理上還需要對1-class SVM算法做進一步
的改進。
參考文獻
[1] 楊冬葉，趙勇.我國空巢老年人的現(xiàn)狀與對策[J].現(xiàn)代臨床護理，2004，3(5)：27-29.
[2] HORNBROOK M C，STEVENS V J，WINGFIELD D J，et al.Preventing falls among community-dwelling older persons: Results from a randomized trial[J].The Gerontologist，1994，34(1)：16-23.
[3] LUO S，HU Q.A dynamic motion pattern analysis approach to fall detection[C].IEEE International Workshop on  Biomedical Circuits & Systems，2004：p.S2.1_5-S2.1_8.
[4] ROGELIO R, EDGARD P, ROGELIO G，et al.Michelle clifford human fall detection using 3-axis acceleromete [M].2005.
[5] KANGAS M, KONTTILA A, WINBLAD I，et al.Determination of simple thresholds accelerometry-based parameters for fall detection[C].Proceedings of the 29 Annual International Conference of the IEEE EMBS Cité Internationale,  Lyon, France August 23-26,2007:1367-1370.
[6] BAJCSY R, CHEN J, KWONG K, et al.Fall detection  using wireless sensor networks[C].Submitted to the 27th  Annual International Conference of the EMBS, 2005: 759-765.
[7] BOUTEN C V C，KOEKKOEK K T M，VERDUIN M，et al.A riaxial accelerometer and portable data processing unit for the assessment of daily physical activity[J].IEEE Trans Biomed Eng,1997(44)：136-147.