付慧群1,張秀峰2,劉文濤3

　?。?. 民政部一零一研究所，北京100070； 2. 國家康復(fù)輔具研究中心，北京 100176； 3. 哈爾濱工業(yè)大學(xué) ,黑龍江 哈爾濱 150001)

       摘要：  針對一些老年人在行走或站立時突發(fā)跌倒的情況，開發(fā)了一種跌倒檢測裝置。通過這種檢測裝置，在老年人跌倒觸地前發(fā)出電信號觸發(fā)穿戴式氣囊保護裝置開關(guān)快速充氣，以保護要著地的人體部位。研究主要基于ADXL345三軸加速度計構(gòu)建一單片機系統(tǒng)，通過理論分析、算法研究及實驗研究等實現(xiàn)了該檢測裝置的功能。實驗結(jié)果表明：該系統(tǒng)靈敏、可靠，可以在人體跌倒0.15 s內(nèi)發(fā)出警報信號，并為穿戴式氣體保護裝置提供準確的觸發(fā)信號。

　　關(guān)鍵詞：  三軸加速度計；跌倒閾值；防跌倒；檢測裝置

　　中圖分類號：TP216+.3文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.04.027

　　引用格式：付慧群,張秀峰,劉文濤.基于ADXL345防跌倒檢測裝置的研制［J］.微型機與應(yīng)用，2017,36（4）：90-93.

0引言

　　隨著我國社會發(fā)展，人口老齡化趨勢逐漸明顯。根據(jù)2010年全國第六次人口普查［1］結(jié)果，我國60歲以上人口數(shù)已經(jīng)接近1.78億， 65歲以上人口數(shù)接近1.19億，說明我國早已經(jīng)處于老齡化社會。在老年人群中摔倒是比較突出的現(xiàn)象，據(jù)國內(nèi)外學(xué)者調(diào)查研究［25］，65歲以上人群中每年有1/3的人發(fā)生一次或者一次以上的跌倒， 80歲以上的老年人群在一年中跌倒的概率甚至?xí)_到50%。在美國跌倒已經(jīng)成為70周歲以上老年人死亡的第六大原因，在英國跌倒是75歲以上老年人受損傷后的主要死亡原因,在我國每年至少有2千萬老年人發(fā)生跌倒。跌倒產(chǎn)生的醫(yī)療費用極高，如何減少跌倒造成的傷害已經(jīng)成為國內(nèi)外研究人員的一個研究焦點。

　　國外防跌倒的相關(guān)研究比國內(nèi)起步早一些［6］，韓國首爾大學(xué)的研究人員研究了一款佩戴于人體胸部的跌倒探測系統(tǒng)，它由加速度傳感器、陀螺儀、傾角傳感器組成。如果人體的胸部角度變化70°，并且加速度變化非常劇烈則認為人體摔倒。實驗證明，它對前后摔倒具有較高的敏感性，但對左右方向的摔倒卻不夠敏感［7］。美國相關(guān)人員研制的一款多位置佩戴的監(jiān)測系統(tǒng)，將三軸加速度傳感器和陀螺儀分別佩戴于胸部和腿部，通過閾值算法對跌倒的檢測成功率達到了92%［8］。重慶大學(xué)相關(guān)人員開發(fā)了一種基于壓力傳感器的跌倒探測系統(tǒng)，可以把壓力傳感裝置貼在鞋底，通過對人腳底壓力參數(shù)進行跌倒判別，對用戶非正常步態(tài)進行識別，對跌倒的有效判別率達到85%以上［9］。浙江大學(xué)的學(xué)者研究出了基于加速度傳感器和心電檢測電極的監(jiān)測系統(tǒng)，能夠根據(jù)加速度的變化和心率的變化判斷人體的實時狀態(tài)［10］。從目前的研究來看，跌倒檢測系統(tǒng)算法的成功率有待提高，算法的誤報情況較嚴重，保護系統(tǒng)響應(yīng)較慢、可靠性差。另外，還可以看出三軸加速度傳感器是跌倒檢測系統(tǒng)中的重要組件，基于三軸加速度閾值檢測算法的應(yīng)用較為普遍。而陀螺儀的應(yīng)用效果并不好，主要是陀螺儀有嚴重的零點漂移現(xiàn)象。基于以上分析，本文提出基于ADXL345三軸加速度計設(shè)計一個單片機跌倒檢測系統(tǒng)。

1設(shè)計過程

　　1.1設(shè)計方案

　　本設(shè)計是基于一個三軸加速度計的預(yù)測系統(tǒng)，總體方案如圖1所示。

　　1.2元器件選型

　?。?）三軸加速度計選用ADXL345，主要因為：此加速度計功耗超低，分辨率高(13位),可達3.9 mg/LSB； 數(shù)字輸出，不用考慮A/D轉(zhuǎn)換模塊； 非常適合移動設(shè)備，可在傾斜檢測中測量靜態(tài)重力加速度，還可以測量運動或沖擊導(dǎo)致的動態(tài)加速度。

　?。?）系統(tǒng)單片機選用MSP430F149系列單片機，主要因為：此單片機是一款16位的單片機，處理能力非常強,功耗很低， 開發(fā)與編程比較方便；片上外圍資源比較多，例如集成了A/D轉(zhuǎn)換模塊等。

　　1.3算法研究

　?。?）總體方案

　　將三軸加速度計平放于平面上，x、y、z三軸中哪個軸與重力加速度方向重合則該軸的加速度輸出值為1個g，其他兩個軸的數(shù)值為0。本設(shè)計采用的算法是基于總體加速度閾值的算法，即：a=a2x+a2y+a2z ，其中ax、ay、az分別代表三個軸的加速度輸出值，a代表總體的加速度幅值。閾值法就是基于a的判別方法。

　?。?）跌倒數(shù)據(jù)特征分析

　　通過ADAMS-LifeMOD軟件對人體的跌倒過程進行仿真，仿真過程如圖2所示。

　　對應(yīng)的人體重心的運動加速度幅值變化如圖3所示，從圖中可看出：測量的人體加速度曲線隨著跌倒動作單調(diào)遞減，在觸地瞬間劇增。要實現(xiàn)跌倒的預(yù)測，須在觸地之前將跌倒的趨勢預(yù)判出來，并且留出足夠的時間驅(qū)動氣囊保護裝置。另外，利用實驗裝置進行測量的實驗數(shù)據(jù)也支持了上述仿真結(jié)果，如圖4、圖5所示。

　?。?）算法分析

　　步行、跑步時加速度曲線如圖6、圖7所示。通過與走路、跑步情況對比，發(fā)現(xiàn)跌倒數(shù)據(jù)單調(diào)遞減時間明顯長，遞減幅度也較大，這可作為算法設(shè)計的一個突破口。基于閾值法的算法可分為以下環(huán)節(jié)：

　?、偌铀俣乳撝蹬袆e環(huán)節(jié)

　　SVM代表總體加速度的幅值。設(shè)定閾值為0.9g，如果采樣點的SVM值小于0.9g，則進入下一環(huán)節(jié)進行判斷。

　?、跁r間閾值判別環(huán)節(jié)

　　連續(xù)滿足SVM<0.9的采樣點數(shù)目與時間成正比，對時間T可以設(shè)定一個閾值,取其值為0.35 s。如果T>0.35 s，則可以認定該組數(shù)據(jù)是一組摔倒的可疑數(shù)據(jù)，進入下一環(huán)節(jié)進行判定。

　?、劬甸撝蹬袆e環(huán)節(jié)

　　在0.35 s內(nèi)一直滿足SVM<0.9的條件已經(jīng)比較苛刻,經(jīng)過實驗證明，在步行、下樓過程中仍然有一定幾率出現(xiàn)誤報，于是又加入了第三個環(huán)節(jié)。即在過去0.35 s內(nèi)的加速度均值G如果小于0.7，則認為跌倒事件發(fā)生。最終算法如圖8所示。

2實驗研究

　　2.1實驗結(jié)果

　　實驗證明上述算法可以準確區(qū)分日?；顒雍偷?，對于跌倒檢測成功率比較高，走路等日?；顒又谐霈F(xiàn)誤報的次數(shù)比較少。實驗結(jié)果如表1所示。

　　2.2實驗分析

　　（1）誤報情況分析

　　誤報常發(fā)生于把裝置由桌面或者地面拿起的過程中，另外在步行過程中如果地面有較大起伏也有誤報發(fā)生，但次數(shù)較少。另外，通過調(diào)整三個閾值的大小可有效進行過濾。本設(shè)計原則是不允許出現(xiàn)誤報，在此基礎(chǔ)之上再盡量減少漏報情況。

　?。?） 漏報境況分析

　　漏報常發(fā)生于較緩慢的跌倒，例如膝蓋彎曲到一定程度后再跌倒可能會出現(xiàn)漏報。針對該情況該算法還有待提高，不過就跌倒造成的傷害而言，這種情況無疑是沖擊傷害較小的情況。

　?。?）時間裕度分析

　　對于已判跌倒情況，從報警信號發(fā)出到人體接觸地面這段時間稱為時間裕度，該算法裕度的大小受限于設(shè)定的三個閾值大小。另外受限于測量手段的缺失，不能準確測出裕度的大小。根據(jù)MATLAB仿真結(jié)果，該裕度在0.1~0.2 s之間，如果對閾值進行微調(diào)，將有助于該裕度提升，但誤報的幾率會有所上升。

　?。?）電氣性能分析

　　該系統(tǒng)采用3.6 V鋰電池供電，平時工作電流在6 mA左右，光耦導(dǎo)通時工作電流在15 mA左右。在電池放電降低到2.5 V以上時都可以正常工作。

　?。?）其他性能分析

　　對于閾值參數(shù)的微調(diào)，可以通過一個四線的撥碼開關(guān)來實現(xiàn)，共有16種狀態(tài)可供選擇。該裝置保留了EEPROMAT24C256，用于以后繼續(xù)的實驗，該存儲芯片的數(shù)據(jù)可以通過RS232接口傳輸出到計算機上進行分析。如果以后產(chǎn)品定型，可考慮去掉存儲器模塊和RS232模塊，以減小功耗和體積。

3結(jié)論

　　綜上所述，本裝置無論從算法的提出還是硬件的制作均保證了原創(chuàng)性，是獨立、完整的算法體系。該算法能夠有效識別跌倒的發(fā)生，并且給出了輸出信號。該硬件平臺可以對程序進行調(diào)試，并且可以儲存實驗數(shù)據(jù)，為以后的實驗及算法的繼續(xù)優(yōu)化提供了基礎(chǔ)。

　　參考文獻

　?。?］ 中華人民共和國國家統(tǒng)計局. 2010年第六次全國人口普查主要數(shù)據(jù)公報 (第1號)［J］. 中國計劃生育學(xué)雜志，2011, 19(8): 511-512.

　?。?］ CHUNG P C, LIU C D. A daily behavior enabled hidden Markov model for human behavior understanding［J］. Pattern Recognition, 2008, 41(5): 1589-1597.

　　［3］ NADEEM A, ANDREA C. Multifeature object trajectory clustering for video analysis［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2008, 18(11): 1555-1564.

　　［4］ 佟麗娜. 基于力學(xué)量信息獲取系統(tǒng)的人體摔倒過程識別方法研究［D］. 合肥: 中國科學(xué)技術(shù)大學(xué)，2011.

　　［5］ 張軍. 基于視頻的運動人體異常行為分析識別研究［D］. 西安: 西安電子科技大學(xué)，2009.

　?。?］ MATHIE M J,CELLER B G, LOVELL N H, et al. Classification of basic daily movements using a triaxial accelerometer［J］. Medical and Bioloigcal Engineering and Computing, 2004, 42: 670-687.

　　［7］ PURWAR A, JEONG D U, CHUNG W Y. Activity monitoring from realtime triaxial accelerometer data using sensor network［C］.International Conference on Control, Automation and Systems, 2007: 2402-2407.

　?。?］ Li Qiang, STANKOVIC J A, HANSON M A, et al. Accurate, fast fall detection using gyroscopes and accelerometerderived posture information［C］. Sixth International Workshop on Wearable and Implantable Body Sensor Networks, 2009: 138-143.

　?。?］ 石欣. 基于壓力感知步態(tài)的運動人體行為識別研究［D］. 重慶: 重慶大學(xué)，2010.

　?。?0］ 文耀鋒. 一種實時的跌倒姿態(tài)檢測和心率監(jiān)控系統(tǒng)的研究［D］. 杭州: 浙江大學(xué)，2008.