老年人跌倒检测技术研究

1)总加速度（AVM）的幅值以1g为中值摆动，由于重力加速度的存在。
2)竖直轴加速度（Ax）的幅值以-1g为中值摆动，由于X轴正方向与重力方向相反。
3)坐下起立、走、躺下和上楼的总加速度（AVM）变化幅值在2g之内，说明运动剧烈程度较小。
4)跑和跳的总加速度（AVM）变化幅值在4g之内，说明运动剧烈程度较大。
在跌倒过程中另一个运动学特点是人体姿态的变化。按照跌倒时的姿态分类，跌倒可以分为向前跌倒、向后跌倒和侧向跌倒。以人体面向X轴正方向为例，向前跌倒可以等效为人体绕Y轴逆时针旋转，向后跌倒可以等效为人体绕Y轴顺时针旋转，同理，侧向跌倒可以等效为人体绕X轴的旋转。
因此，若将人体跌倒简化为刚体的运动，则其姿态的变化可以用欧拉角来表示。如图3所示，设定xyz轴（蓝色）为地理坐标系的参考轴，XYZ轴（红色）为捷联在人体上的载体坐标系的坐标轴，则人体的运动可以用欧拉角表示。
图10中值滤波处理加速度信号
（2）总加速度强度（Acceleration Vector Magnitude）
总加速度即为三轴加速度的矢量和，它能比较直观的体现人体运动的剧烈程度，其数学表示为：
（5.1）
常见的6种日常行为的总加速度强度（AVM）与竖直轴加速度（Ax）如图11所示，其中总加速度（AVM）以黑色曲线表示，竖直轴加速度（Ax）以蓝色曲线表示。分析日常行为的加速度曲线可得以下特征；
如何在信任危机日益严重的社会维护老年人的生命健康权利，成为日渐重要的议题。因此针对老年人对安全保证的迫切需求，利用电子信息技术解决此问题有着极大的社会价值。
1.2
目前，跌倒检测算法研究的着眼点包括三点：第一是重点分析临界阶段或冲击，第二是重点分析跌倒后阶段，最后是两者同时分析。
1)跌倒的临界阶段的研究
3）无线通信模块
该部分主要由CC2430 （Zigbee SoC）构成，采用ACX公司的AT7020芯片天线，以达到节省体积的目的。其原理图如图7：
图7 无线模块电路图
4）电源模块
该部分主要有锂电池、低压差调节器（LPO）和电量计组成，锂电池采用3.7V可充电电池，电池端具有保护电路；低压差调节器采用TPS79633芯片，将3.7V调节到3.3V；电量计采用BQ27510芯片，检测锂电池的电量和预测剩余使用时间。另外，需要注意的是，加速度传感器的电源应该与其他电源隔离，以减少噪声干扰。该部分原理图如图8：
5)在人体保持直立状态的日常行为中（除躺下外的其他5种），总加速度（AVM）与竖直加速度（Ax）的变化趋势基本一致。
关键词：老年人，穿戴式，跌倒检测，惯性传感器
1
1.1
20世纪后，全世界正以无法想象的速度步入全球老龄化时代[1]。我国也于20世纪末进入老龄化社会，预计到2050年将进入深度老龄化阶段，成为老龄化程度最严重的国家[2]，这也将从多方面给我国社会带来巨大的压力和挑战。
在这种情况下，老年人的生活照料、出行等需求日益凸显，其中体现在安全保健问题尤为突出，主要体现在两点：第一，老年人身体机能退化，他们极易意外或因病（尤其是心脑血管疾病）跌倒。据国外统计，约有1/3的65岁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达25%[4]，跌倒非常容易造成老人骨折、内脏震荡；如果跌倒后得不到及时救助，会进一步提高致死率和致残率。跌倒不仅给老年人造成生理上的伤害，还会带来心理上的阴影。此外，当前社会老年人跌倒后无人敢搀扶、无人敢救，渐渐成为一种普遍的社会现象，在这种情况下，跌倒对老年人更是致命的。
为简化研究，6种容易和跌倒事件混淆的日常行为被作为主要研究对象，其包括：
1)走；
2)跑；
3)跳；
4)上下楼；
5)坐下；
6)躺下。
本研究中的跌倒检测即是探讨常见的3种跌倒事件与易混淆的6种日常行为的主要区别和识别方式。由于其主要区别包含两个方面：其一是运动所对应的静态姿势不同，对应的惯性量即是姿态的变化；其二是在不同静态姿势间转换的剧烈程度不同，对应的惯性量即是加速度的变化。下面分别从这两个方面讨论跌倒和日常行为的运动模式。
（2.1）
其中，h0为人体重心的初始高度，单位为m；g为重力加速度，单位为m/s2；t为时间，单位为s，初始时刻（t=0）为跌倒开始时刻。
图2跌倒时重心变化的运动学特征
在实际应用中，采用加速度积分的方法描述人体重心变化通常存在较大累积误差，因此，一般结合其他传感量进行修正，譬如检测高度的气压计等。
（2）身体姿态的变化
2
2
“无意识的倒向地面，或者其他一些未能造成强烈冲击的情况，如失去意识、中风、癫痫发作”。这个跌倒的定义仍被许多研究机构沿用至今，扩展后还包含了晕厥和心血管疾病所造成的跌倒[15]。
（1）跌倒时间段的划分
跌倒主要分为四个阶段：跌倒前阶段、临界阶段、跌倒后阶段和恢复阶段（图1）。跌倒前阶段与日常行为相同；临界阶段以人体倒向地面为起始，以人体承受剧烈冲击为结束，这个阶段大概持续0.3-0.5s；跌倒后阶段以人体承受剧烈冲击为起点，该阶段人体处于不活动状态。恢复阶段是跌倒者自行站立或在他人帮助下恢复站立[16]。
但是采用欧拉法确定姿态角的方法有一定的局限性，由于微分方程中存在三角函数，实时计算比较困难，而且当θ为90°时，方程出现奇异点，姿态角无法解算。
3
跌倒检测监护装置系统分为跌倒检测终端和监护中心两部分。跌倒检测终端由电源模块、处理器模块、传感器模块、无线通信模块、人机交互模块构成，分别用于终端供电、运行跌倒检测算法、物理惯性信息的检测、跌倒检测算法的执行、报警信息的发布和取消以及信息的无线传输。监控中心分为则包括网管和PC，分别用于网络的管理和信息的储存和后处理。如图4所示。
图4跌倒检测监护装置硬件原理
1）处理器模块
该部分主要有AVR单片机ATmega8L最小系统构成，包括电源、晶振、复位和下载电路，其原理图如图5。
图5 处理器模块电路图
2）惯性传感器模块
该部分由三轴加速度传感器MMA7260及其外部RC滤波电路构成，其原理图如图6：
图6 惯性传感器模块电路图
MMA7260是飞思卡尔公司生产的性价比最高的微型电容式加速度传感器，其采用了信号调理、单级低通滤波器和温度补偿技术。可用三轴加速度计利用重力分量换算原理，来测量角度，与其他数字量倾角传感器相比自然要精准许多，因为模拟量的，可将电压值换算对应倾斜角度值。并且可通过G1\G2管脚调整加速度的量程，适用于检测人体的加速度。
4
（1）数据预处理
加速度的时域信号体现了人体运动过程中剧烈程度，以及在不同时刻剧烈程度的分布。然而在实际信号采集过程中，原始数据往往包含了有效信号和各种干扰信号：
1)人体运动加速度；
2)重力加速度；
3)人体抖动；
4)测量噪声；
5)惯性传感器与身体的相对运动
其中，人体运动加速度和重力加速度是有效信号，这两者可以体现人体的运动状态，而后三个信号属于干扰信号，应当予以抑制和去除。由于这三种干扰信号都与脉冲噪声相似，因此选用中值滤波的方法对加速度信号进行预处理，其处理效果如图10所示。
4
4
无论是跌倒还是日常行为，如果以分解动作来看都是不同静态姿势之间的转化，当然转化过程中的剧烈程度和时间点也是不同跌倒和日常行为的主要区别。人体的常见静态姿势包括：左/右侧躺、仰卧、俯卧、站立、坐、蹲等。在这些静态姿势之间的转化就形成了人体的运动。
常见的跌倒主要分为3种：
1)向前跌倒，即从站立到俯卧的剧烈过程；
老年人跌倒检测技术研究
Research onFall Detection Technology fortheElderly
摘要
跌倒重威胁着老年人的健康和生命，提供自由、实时的安全监护对老年人的生活质量和生命保证有重大的应用价值和研究意义，本文正是针对老年人对跌倒自动呼救的需求，围绕面向老人的便携式跌倒监护系统展开应用研究，基于跌倒的运动学原理，设计了跌倒检测算法。该跌倒检测算法通过对人体加速度和姿态的监测，构建了基于不同跌倒阶段的阈值判断的跌倒检测逻辑。经过系统实验验证，该跌倒检测算法对常见的跌倒情况的检测准确率在95%以上，能够满足老年人跌倒的危险情况检测需求。
综上所述，跌倒是行走过程中常见的危险事件，目前跌倒检测的研究前沿为跌倒检测准确率为90%左右。
1.
（1）跌倒检测的准确率和实用性还有待提高。
目前大多数跌倒检测研究的实用性不强，检测准确率在90%左右，对于危害严重的跌倒事件来说，还不足以完全监护使用者的行走安全。因此，跌倒检测系统的检测准确性和还有一定的提升空间。
图1跌倒Hale Waihona Puke Baidu阶段划分
关于跌倒的定义，尽管缺乏统一的标准，但是近来研究人员广泛采用是：“人体有意识或是无意识的倒向并躺在地面或是其较低水平面的事件[17]。”
跌倒的原因是多种因素相互结合的。主要包括生理因素、疾病因素、药物因素、境因素、性别及社会心理因素等[18-21]。
2
（1）身体重心的变化
由跌倒的定义可知，跌倒事件是人体从一个较高平面倒向另一个较低平面的过程，从而必然伴随着人体重心的位置变化（一般情况是重心的降低）。如图2示，以向前跌倒为例，人体重心（图中蓝色圆点）随时间呈现出逐渐减低的过程。在理想情况下，跌倒的运动轨迹（重心高度的时间变化轨迹）应该呈现为抛物线形状，其运动学方程为：
Wu等人(University of Vermont, USA)通过视频分析人体在跌倒时特定点的运动发现，这些点在跌倒临界阶段的速度为其他有意识行为的3倍[5]。
Charif等人尝试通过计算机视觉系统追踪头部的运动，并通过粒子滤波和固定水平和速度阈值方法检测跌倒[6]。
Noury等人(University of Grenoblein France)设计了一种佩带在腋下的自主检测装置，包括加速度计、一个倾角计和一个振动传感器。检测算法特征为速度阈值、从直立到水平的体位和跌倒后的静息状态[7]。
图8 电源模块
5）人机交互模块
该部分主要由各种外设包括按键开关、电源接口、LED指示灯和蜂鸣器等构成，其原理图如图9所示：
图9 人机交互模块
4
跌倒检测的目标是能够将跌倒(Fall)与日常生活的正常动作(Activities of Daily Life，ADL)区分开来，准确地检测跌倒的发生，并智能判断(并执行)是否需要报警求助。从而尽可能地缩短救助时闻，减小跌倒带来的伤害(尤其是长时间晕厥)，降低误报率，最终提升被监测者的生活质量。
2)向后跌倒，即从站立到仰卧的剧烈过程；
3)侧向跌倒，包括向左/右跌倒，即从站立到侧卧的剧烈过程。
据O’Neil等人的研究表明,前向跌倒是最为常见的跌倒，约占整个跌倒事件的60%左右[22]。当然实际生活中，还可能出现更加复杂的跌倒情况，这些跌倒模式较为复杂且极少发生，将作为下一步研究的对象，不在本文的讨论范围内。
Mathie等人使用位于胸部的三轴加速度传感器，Hwang等人使用陀螺仪，Bourke和Lyons等人使用双轴陀螺构建阈值算法，在临界阶段检测跌倒[8-10]。
Tamura等人提出在跌倒早期检测成功后，可以释放安全气囊保护跌倒者，但是该系统只能保护向后跌倒的情况[11]。
2)跌倒的冲击的研究
Williams等人在1998年首次描述了佩戴在腰部的跌倒检测装置，主要原理为通过压电传感器检测冲击，然后激发水银倾角计检测体位[12]。Doughty et al.继续研究了这种方法并由Tunstall (Whitley lodge, Yorkshire, England)公司推向市场[13]。
（2）跌倒检测算法复杂难以产品化
由于大部分跌倒检测算法复杂，时效性差，很难工程化，目前市场上也没有相关的老年人监护产品，将算法做到简单实用，便于工程化也是本课题的难点。
1.4
本文首先通过分析跌倒运动的定义及运动学原理，通过对跌倒进行建模，提取特征模式，进而通过样机平台搭建为算法研究提供硬件支持，最后通过系统实验验证算法的有效性和实用性。
Lindemann等人将三轴加速度传感器放入助听器中，通过3个阈值检测跌倒过程中的冲击：xy平面内的总加速度为2g；竖直方向的最大速度为0.7m/s；所有方向的总加速度为6g[14]。
3)跌倒后阶段的研究
在跌倒后阶段，人体一般处于平行于地面且静息状态。因此可以通过倾角计测量人体姿态或通过位于鞋底的压力传感器检测跌倒。但是跌倒后阶段的状态和被测者平时卧床休息的状态容易混淆，因此以上的检测方法一般需要和其他阶段的检测方法结合使用。