基于惯性传感器的穿戴式跌倒检测系统设计

ＥＬＥＣＴＲＯＮＩＣＳ　ＷＯＲＬＤ·技术交流　

基于惯性传感器的穿戴式跌倒检测系统设计　

广东工业大学自动化学院　蒋　宁杜玉晓　

【摘要】该文设计了一种便携和低功耗的跌倒检测系统，并提出一种基于支持向量机的离线训练加在线检测的跌倒检　测算法。使用设计出的样机进行测试，实验结果显示：跌倒检测设备能有效的检测跌倒行为并进行报警，具有较好的　准确性和可靠性。　【关键词】跌倒检测；可穿戴设备；支持向量机；惯性传感器　Ｗｅａｒａｂｌｅ　Ｆａｌｌ　Ｄｅｔｅｃｔｉｏｎ　Ｓｙｓｔｅｍ　Ｂａｓｅｄ　ｏｎ　Ｉｎｅｒｔｉａｌ　Ｓｅｎｓｏｒｓ　Ａｂｓｔｒａｃｔ：Ｔｈｉｓ　ｐａｐｅｒ　ｐｒｅｓｅｎｔｓ　ａ　ｆａｌｌｉｎｇ　ｄｅｔｅｃｔｉｏｎ　ｓｙｓｔｅｍ　ｗｉｔｈ　ｐｏｒｔａｂｌｅ　ａｎｄ　ｌｏｗ　ｐｏｗｅｒ，ａｎｄ　ｐｒｏｐｏｓｅｓ　ａｎ　ａｌｇｏｒｉｔｈｍ　ｕｓｉｎｇ　ｏｆｆ－ｌｉｎｅ　ｔｒａｉｎｉｎｇ　ｃｏｍｂｉｎｅ　ｏｎｌｉｎｅ　ｄｅｔｅｃｔｉｏｎ　ｂａｓｅ　ｏｎ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ．Ｔｈｅ　ｔｅｓｔｉｎｇ　ｒｅｓｕｌｔ　ｓｈｏｗｓ　ｔｈａｔ　ｔｈｅ　ｆａｌｌｉｎｇ　ｄｅｔｅｃｔｉｏｎ　ｄｅｖｉｃｅ　Ｃａｎ　ｄｅｔｅｃｔ　ｆａｌｌｉｎｇ　ｅｖｅｎｔ　ａｎｄ　ｇｉｖｅ　ａｌａｒｍ　ｓｉｇｎａｌｓ．Ｔｈｅｒｅｆｏｒｅ　ｔｈｉｓ　ｄｅｖｉｃｅ　ｈａｓ　ｆａｖｏｒａｂｌｅ　ａｃｃｕｒａｃｙ　ａｎｄ　ｒｅｌｉａｂｉｌｉｔｙ．　Ｋｅｙｗｏｒｄｓ：Ｆａｌ１　ｄｅｔｅｃｔｉｏｎ；Ｗｅａｒａｂｌｅ　ｄｅｖｉｃｅ；Ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ；Ｉｎｅｒｔｉａｌ　Ｓｅｎｓｏｒｓ　

０引言　

跌倒是一种随机性、偶然性很强的行为，由于老年　人身体机能下降，再加上自身的一些疾病，跌倒很容易　导致一些意外伤害［１］。据资料显示：大约１５％的跌倒对老　年人的身体带来了严重的伤害【：】，因此研究跌倒检测设备　的意义重大。本文以穿戴式设备为研究对象，在移动装　置数据存储以及数据处理资源有限的情况下，设计出便　携、低功耗及可通信的跌倒检测系统，并提出一种基于　支持向量机的离线训练加在线检测的跌倒检测算法。　

１系统总体架构　

系统总体设计如图１所示，硬件主要由主控制器模块、　惯性传感器模块、通信定位模块、电源管理模块组成。　

图１系统框架图　１．１主控制器模块　主控制器芯片选用的是ＳＴＭ３２Ｌ１５１单片机，具有３　级流水线和哈佛结构，其操作频率可达３２ＭＨｚ，并且功　耗低，性能高，能够满足系统设计所需。　１．２惯性传感器模块　本文选用Ｉｎｖｅｎｓｅｎｓｅ的六轴传感器ＭＰＵ６５００来采集　人体的姿态数据。ＭＰＵ６５００采用ＣＭＯＳ—ＭＥＭＳ的制作平　台，让三轴加速度计和三轴陀螺仪集成于一个３ｘ３ｍｍ的　芯片内，具有三个１６位加速度ＡＤ和三个１６位陀螺仪ＡＤ　输出，支持Ｉ２Ｃ（４ＯＯＫＨｚ）和ＳＰＩ（１ＭＨｚ）两种通信方式。为　了保证采集速率，本文使用ＳＰＩ通信，如图２所示。　

图２　ＭＰＵ６５００硬件电路设计图　１．３通信定位模块　通信定位模块使用的是ＳＩＭ９０８芯片模块。ＳＩＭ９０８是　一款集成ＧＰＳ导航技术的四频ＧＳＭ／ＧＰＲＳ模块，紧凑的　模块尺寸并将ＧＰＲＳ和ＧＰＳ整合在ＳＭＴ封装里。本文根据　设计了所需功能配套的电路，并且接入了必要的电源滤　波。可以实现单片机对ＧＰＳ传回数据进行分析处理以及　用ＧＳＭ发送定位短信的功能。　１．４电源管理模块　本文选用ＴＩ￣ＪＢＱ２４０７０作电源管理芯片，自动的电源　

电子●ｔＩ●·１４７·　雾　．　ｇ

　ＥＬＥＣＴＲ０ＮｌＣＳ　ＷＯＲＬＤ·技术交流　选择，在线路供电正常的时候可以使用线路上的电能，在　失电的时候又可使用电池［　。使用锂离子电池或充电器输　出作为总的电源输入，电压范围为＋３．６Ｖ－￣＋４．４Ｖ，经过一块　ＤＣ／ＤＣ芯片ＬＭ２７３３和一块ＬＤＯ芯片ＳＰ６２０３ＥＭ５．３．３，为系　统提供５ｖ￣ｎ３－３电源。　

２跌倒检测算法　

检测设备穿戴在人的不同位置，最终采集到的数据　会有所不同。Ｍ　Ｋａｎｇａｓ等人的研究提出对头部、前胸、　后背、腰部、手腕、大腿等穿戴位置进行测试，发现头　部或腰部的加速度变化更能反映出人体姿态的变化［４］。因　此本文采取将设备穿戴于腰部位置。　定义ａ　Ｃ／ｙ、ａ　为三轴加速度传感器输出的加速　度，单位为ｇ，标志人体加速度幅度信号　嗍：　ＳＶＭ：　上式中的　嗽示人体合加速度的大小幅值，是分　类人体运动状态的重要参数，　喇低，运动越缓和，　喇高，运动越剧烈。　

图３向后跌倒合加速度曲线　

－慵惫　ｌ精嫩拳　Ｉ　，嘲糖　ｊ　簟■　·　

｝　Ｉ　１｛　—、一　

·１４８·电子心ｌｌｔ　辩　图４日常行为合加速度曲线　从图３向后跌倒合加速度曲线可以看出，老人跌倒在　撞击地面阶段峰值接近３ｇ并在跌倒后合加速度值又迅速回　落到１ｇ。然而根据图４的日常行为活动加速度曲线来看，　在跑动和原地跳时，合成加速度比较大，最高接近３ｇ，如　果纯粹使用阈值方法来判断的话，容易造成误报。　避免纯粹使用阈值方法带来的虚报问题，采用支持　向量机分类器的方法，在分类器分类前采用阈值法辅助　判别，引入离线训练加在线检测的支持向量机算法，对　人体姿态进行分析判断。　离线训练：设备将佩戴在测试人员腰部，用来收集　人体在跌倒、走路、跑步、坐下、站立、上下楼梯等多　种行为的三轴加速度值、两路倾角传感器角度值，并通　过数据预处理、特征提取后将提取到的特征向量存入存　储卡中。再将存储卡将数据上传至ＰＣ机进行数据分析，　进而进行支持向量机分类器的设计等处理。具体实现流　程如图５所示。　

图５离线训练算法流程图　在线检测：跌倒检测最终是需要离线佩戴在用户身　上，无需上传数据，所有的跌倒检测过程均由检测设备　独立完成。因此在ＰＣ机上完成对分类器参数训练后，需　要将模型参数设置于穿戴设备中，从而使得采集新的样　本序列后可以通过模型自行判定是否发生跌倒行为。除　此之外，本文采用分类器方法在分类前加阈值法辅助判　别，优点是既可以避免纯粹使用阈值方法带来的虚报问　

题，也可避免单纯使用支持向量机带来的漏检问题，同　ＥＬＥＣＴＲＯＮＩＣＳ　ＷＯＲＬＤ·技术交流　时还可以避免单片机作无谓的预测运算而增加单片机负　担，从而提高检测概率。　

图６在线检测算法流程图　

３实验分析　

为了验证系统和算法的有效性，测试方式分为跌倒　和日常活动两类，测试了原地起跳、起立坐下、走路、　跑、上下楼梯和前后左右四个方向摔倒。测试考虑到老　人的身体不适做激烈的活动和跌倒实验，因此选取５名不　同身高的年轻人来模拟实验。　表１跌倒事件检测成功率　跌倒类型　实验次数　判定次数　成功率　向前跌倒　５０　５０　１００％　向后跌倒　５０　４６　９２％　向左跌倒　５０　４８　９６％　向右跌倒　５０　４８　９６％　合计　２００　１９２　９６％　表２日常活动事件误判率　活动类型　实验次数　判定次数　误判率　走路　ｌ５０　０　０％　起立坐下　ｉ００　１　１％　上下楼梯　８０　１　１．２％　●　原地跳　１００　４　４％　跑　５０　Ｏ　０％　弯腰　１２０　０　Ｏ％　合计　６００　６　１％　实验结果表现出对跌倒行为的平均检测成功率达到　９６％，而除了原地跳这种加速度剧烈的事件外，日常活　动事件的误判率也能维持在１％左右，从而验证了该系统　对于跌倒行为具有良好的识别能力。　

４结论　

通过引入基于支持向量机的离线训练加在线检测的　方法进行大量实验验证，表明了该系统具有良好的识别　率和可靠性等优点。但是测试过程考虑到老人的安全问　题，所有测试数据都是由年轻人完成的，因此会与真正　的老人跌倒行为可能有所出入。且对于跌倒行为和日常　活动的样本种类采集没有包含所有的情况，因此还需对　本系统和跌倒检测算法做进一步的研究。　

参考文献　［１】陈联涛．基于多传感器信息处理的跌倒检测仪研究【Ｄ】．　重庆大学，２０１４．　［２］Ｓｕｈｕａｉ　Ｌｕｏ，Ｑｉｎｇｍａｏ　Ｈｕ．Ａ　ｄｙｎａｍｉｃ　ｍｏｔｉｏｎ　ｐａｔｔｅｒｎ　ａｎａｌｙｓｉｓ　ａｐｐｒｏａｃｈ　ｔｏ　ｆａｌｌ　ｄｅｔｅｃｔｉｏｎ［Ｃ］．２００４　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｂｉｏｍｅｄｉｃａｌ　Ｃｉｒｃｕｉｔｓ＆Ｓｙｓｔｅｍｓ．２００４：１—５—８ａ．　【３］沈伟．一种供电线路失电监测系统的设计［Ｄ］．苏州　大学，２０１０．　［４］Ｍ　Ｋａｎｇａｓ，Ａ　Ｋｏｎｔｔｉｌａ，Ｉ　Ｗｉｎｂｌａｄ　ｔ　ｅｔｃ．Ｄｅｔｅｒｍｉｎａｔｉｏｎ　ｏｆ　ｓｉｍｐｌｅ　ｔｈｒｅｓｈｏｌｄｓ　ｆｏｒ　ａｃｃｅｌｅｒｏｍｅｔｒｙ—ｂａｓｅｄ　ｐａｒａｍｅｔｅｒｓ　ｆｏｒ　ｆａｌｌ　ｄｅｔｅｃｔｉｏｎ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２９ｔｈ　Ａｎｎｕａｌ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｆｔｈｅ　ＩＥＥＥ，Ｌｙｏｎ　Ｆｒａｎｃｅ，２００７．　

作者简介：　蒋宁（１９９１一），男，广东韶关人，广东工业大学　自动化学院控制科学与工程专业硕士研究生在读。　

嚏｝子矗Ｉ●·１４９·