基于智能手機(jī)的人體跌倒檢測系統(tǒng)

　　目前，跌倒檢測方法最常見的是視頻圖像分析法和穿戴式裝置檢測法。前者使用視頻攝像頭，不能保證用戶隱私安全;后者是傳感器裝置，需要基站來服務(wù)，外出時(shí)易忘記佩戴。使用智能手機(jī)進(jìn)行跌倒檢測是一個(gè)可行的且有很大發(fā)展?jié)摿Φ募夹g(shù)，智能手機(jī)同時(shí)結(jié)合了跌倒檢測系統(tǒng)的兩個(gè)重要組件： 跌倒檢測和救助通信，不僅可以降低系統(tǒng)成本，實(shí)時(shí)監(jiān)測人體活動，還可以結(jié)合GPS確定用戶的跌倒位置?，F(xiàn)在，國內(nèi)外已有利用手機(jī)進(jìn)行跌倒檢測的相關(guān)理論研究，都是使用移動手機(jī)內(nèi)置的加速度傳感器和基于人體運(yùn)動加速度特征的不同算法來檢測跌倒的。然而一些較高強(qiáng)度日?；顒尤缏堋⒖焖僮碌纫矔a(chǎn)生一個(gè)類似跌倒的大加速度值特征。因此，單獨(dú)使用加速度傳感器進(jìn)行跌倒檢測，采集的數(shù)據(jù)比較單一，不足以完全反應(yīng)人體姿態(tài)變化，會給跌倒檢測帶來許多假警報(bào)。針對以上問題，本文提出了基于信號向量模和特征量W 相結(jié)合的跌倒檢測算法。該檢測算法同時(shí)利用加速度傳感器和陀螺儀監(jiān)測人體姿態(tài)變化，有效減少了跌倒檢測結(jié)果的假陽性和假陰性。

　　1 跌倒檢測方法設(shè)計(jì)

　　加速度傳感器和陀螺儀分別能夠測量三軸方向運(yùn)動加速度和角速度大小信息，本文利用智能手機(jī)內(nèi)置的這兩種傳感器來采集反映人體主要運(yùn)動姿態(tài)變化的信號數(shù)據(jù)。通過使用信號向量模（magnitude of signal vector，SVM）閾值法來識別區(qū)分低強(qiáng)度日常生活活動（activities of daily living，ADL）與跌倒，對于閾值法不能識別的較高強(qiáng)度ADL，則通過對角速度信號向量模數(shù)據(jù)進(jìn)一步處理得到的新特征量來判別。

　　1.1 信號數(shù)據(jù)

　　人體活動主要分為以下幾種：躺下、步行、坐下—起立、上樓梯、下樓梯、慢跑、蹲下—起立以及跌倒等。人體攜帶的智能手機(jī)，其內(nèi)置的加速度傳感器和陀螺儀輸出的信號數(shù)據(jù)可以反映出人體日常運(yùn)動姿態(tài)變化。圖1為智能手機(jī)在x、y和z三軸的加速度方向及角速度方向。

　　傳感器輸出信號中摻雜了大量的脈沖噪聲，中值濾波是傳統(tǒng)的消除脈沖噪聲的方法。中值濾波器是一個(gè)非線性信號處理技術(shù)，它使用一個(gè)給定長度的窗依次滑過原始信號序列，然后將窗內(nèi)居中的樣本值用該窗所包含信號序列的中值替代，這里濾波器窗口大小n設(shè)為3。圖2為加速度傳感器輸出信號數(shù)據(jù)經(jīng)中值濾波后曲線圖。

　　1.2 信號向量模（SVM）

　　跌倒發(fā)生時(shí)的加速度及角速度變化主要體現(xiàn)在某空間方向，因?yàn)榈故录袩o法預(yù)知跌倒的方向，所以不宜用某一軸的加速度或角速度數(shù)據(jù)去判斷跌倒的發(fā)生，采用信號向量模SVM 特征量可以將空間的加速度或角速度變化集合為一矢量。加速度信號向量模（SVMA ）及角速度信號向量模（SVMW ）其定義分別如式（1）和式（2）

　　其中，ax ，ay ，az分別為加速度傳感器x、y、z三軸方向輸出經(jīng)中值濾波后信號;wx ，wy ，wz分別為陀螺儀x、y、z三軸方向輸出經(jīng)中值濾波后的信號。

　　圖3 和圖4 為人體處于不同運(yùn)動狀態(tài)時(shí)SVMA及SVMW變化曲線。

　　如圖3、圖4所示，跌倒具有大加速度和角速度峰值特征，這是因?yàn)樗さ惯^程中由于和低勢物體碰撞產(chǎn)生的SVM峰值比日常活動中步行、上樓梯等大多數(shù)一般過程要大。然而人體運(yùn)動行為過程具有復(fù)雜性和隨機(jī)性，使用單一的加速度相關(guān)信息判斷人體摔倒行為的發(fā)生會帶來很大的誤判。本文使用SVMA及SVMW相結(jié)合的信息閾值法可以區(qū)分跌倒與產(chǎn)生SVM 峰值較小的低強(qiáng)度運(yùn)動。通過對人體摔倒過程及其它日常生活行為過程中實(shí)驗(yàn)結(jié)果數(shù)據(jù)SVMA和SVMW進(jìn)行分析，本文識別跌倒的加速度信號向量模閾值取 SVMAT =20m/s2 和角速度信號向量模閾值取SVMWT =4rad/s。

　　但是慢跑等動作也具有大加速度和角速度峰值的特征，單獨(dú)的SVM 特征量并不能區(qū)分摔倒過程與慢跑或手機(jī)日用等較高強(qiáng)度運(yùn)動過程。

　　1.3 SVMW數(shù)據(jù)曲線處理

　　根據(jù)人體運(yùn)動學(xué)特征，跌倒過程與慢跑等運(yùn)動過程的人體俯仰角或者側(cè)翻角變化有很大不同，然而采集人體運(yùn)動姿態(tài)變化信號數(shù)據(jù)的智能手機(jī)在口袋中的放置方位具有隨意性，因此無法直接使用陀螺儀單軸方向輸出得到的角度變化信息作為跌倒判斷的一個(gè)特征量。本文對角速度信號向量模數(shù)據(jù)作進(jìn)一步處理，來尋找新的特征量。

　　這里定義一個(gè)人體跌倒時(shí)軀干傾斜的合角度θ，它是通過對角速度信號向量模數(shù)據(jù)進(jìn)行積分得到的，如下式

　　式中：SVMW ———人體運(yùn)動角速度信號向量模。下面以慢跑為例，分析跌倒與慢跑等較高強(qiáng)度運(yùn)動的合角度曲線變化的不同，圖5為跌倒和慢跑兩種運(yùn)動過程合角度變化曲線， 從圖5中可以看出：跌倒曲線有明顯的拐點(diǎn)（圖中圓圈所示），而慢跑曲線變化比較均勻平緩。這是因?yàn)榈惯^程中人體會和低勢物體產(chǎn)生碰撞，短時(shí)間內(nèi)會產(chǎn)生較大的SVM 數(shù)據(jù)值，體現(xiàn)在數(shù)據(jù)曲線上則有突變的增量點(diǎn);而慢跑每次動作基本一致，隨時(shí)間產(chǎn)生的數(shù)據(jù)曲線點(diǎn)增量也基本一樣，數(shù)據(jù)曲線近似一條直線。

　　應(yīng)用智能手機(jī)作為跌倒檢測系統(tǒng)，易于對數(shù)據(jù)進(jìn)行公式化處理，本文中采用數(shù)據(jù)擬合的方法對合角度曲線數(shù)據(jù)公式化處理。前面分析中得知，兩種運(yùn)動過程合角度曲線變化趨勢有很大不同，且慢跑運(yùn)動合角度變化曲線近似一條直線，因此使用直線擬合模型可以突出兩種曲線與各自擬合曲線相似度的不同。這里使用計(jì)算簡單的最小二乘法線性擬合，擬合直線表達(dá)式為

　?。剑幔?（４）

　　式中：a，b———擬合直線的斜率和截距。圖6和圖7分別為跌倒和慢跑兩種運(yùn)動的合角度變化曲線及使用Matlab線性擬合變化曲線。

　　為了反映出兩種曲線與各自線性擬合曲線的相似度，這里我們定義一個(gè)無量綱量W，也是本文算法的跌倒判斷特征量，其計(jì)算過程如下式

　　其中，i=1，2，3，…，500，（處理10s內(nèi)數(shù)據(jù)樣本點(diǎn)），Ci為合角度數(shù)據(jù)樣本點(diǎn)，Ni為合角度線性擬合數(shù)據(jù)樣本點(diǎn)。特征量W 反映的是合角度曲線與其擬合曲線之間的相似度，W 值越小相似度越高。

　　由前面的分析得知，跌倒合角度曲線有拐點(diǎn)，慢跑合角度曲線變化平緩，而使用的擬合曲線為一條直線，故跌倒時(shí)得到的W 值較大，而慢跑時(shí)得到的W 值會較小。表1所示為一組實(shí)驗(yàn)結(jié)果的特征值，觀察特征值數(shù)據(jù)可知容易通過設(shè)置一個(gè)閾值WT來區(qū)分這兩種運(yùn)動過程，本文通過對跌倒過程和慢跑等較高強(qiáng)度運(yùn)動過程中W 值的分析取WT =25。