老年人跌倒检测技术研究.docx
《老年人跌倒检测技术研究.docx》由会员分享,可在线阅读,更多相关《老年人跌倒检测技术研究.docx(19页珍藏版)》请在冰豆网上搜索。
![老年人跌倒检测技术研究.docx](https://file1.bdocx.com/fileroot1/2022-11/22/73d925d3-67bb-4405-a5d4-e862352aa92a/73d925d3-67bb-4405-a5d4-e862352aa92a1.gif)
老年人跌倒检测技术研究
老年人跌倒检测技术研究
老年人跌倒检测技术研究
ResearchonFallDetectionTechnologyfortheElderly
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。
关键词:
老年人,穿戴式,跌倒检测,惯性传感器
1绪论
1.1研究背景
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。
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研究现状
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
Wu等人(UniversityofVermont,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(UniversityofGrenobleinFrance)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]。
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]。
Doughtyetal.继续研究了这种方法并由Tunstall(Whitleylodge,Yorkshire,England)公司推向市场[13]。
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。
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。
1.3目前该领域存在的问题
(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。
(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研究思路
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。
2跌倒运动学机理
2.1跌倒的定义与原因
“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]。
图1跌倒的阶段划分
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]。
2.2跌倒的运动学描述
(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:
(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。
t
h
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
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。
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跌倒检测监护装置硬件设计
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。
3)无线通信模块
该部分主要由CC2430(ZigbeeSoC)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:
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跌倒检测算法设计
跌倒检测的目标是能够将跌倒(Fall)与日常生活的正常动作(ActivitiesofDailyLife,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。
4.1跌倒运动学模式分析
4.1.1跌倒与日常行为分类
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;
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。
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。
4.1.2加速度分析
(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。
图10中值滤波处理加速度信号
(2)总加速度强度(AccelerationVectorMagnitude)
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;
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。
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。
6)躺下时,由于人体从直立状态转化到平躺状态,因此竖直加速度(Ax)曲线存在明显“阶跃”变化。
图11常见日常行为的总加速度(黑色)与竖直轴加速度曲线(蓝色)
常见的3种跌倒事件的总加速度强度(AVM)与竖直轴加速度(Ax)如图12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。
分析这3种跌倒事件的加速度曲线可得以下特征:
1)不同方向的跌倒事件加速度曲线非常相似,变化趋势基本保持一致。
2)总加速度曲线(AVM)中存在明显峰值,该峰值是由身体与地面冲击造成的。
3)总加速度曲线(AVM)中峰值之前时刻,对应的竖直加速度曲线(Ax)存在一个明显的加速度谷值,该谷值是由身体在跌倒过程中的失重造成的。
4)总加速度曲线(AVM)中峰值之后一段时间,对应的竖直加速度曲线(Ax)存在一个明显“阶跃”变化,这是由于人体姿态变化造成的。
图12常见跌倒事件的总加速度(黑色)与竖直轴加速度曲线(蓝色)
比较日常行为和跌倒事件的和加速曲线(AVM)特征可知,两者总加速度(AVM)峰值的大小存在明显差异。
经过大量模拟跌倒和日常行为实验,统计汇总后,跌倒和日常行为的总加速度峰值范围如表6和表7所示。
表1日常行为总加速度最值
ADL
行走
坐
蹲
上楼
下楼
慢跑
跳
Max(g)
1.88
1.54
1.75
1.78
1.98
4.5
3.11
Min(g)
1.55
1.47
1.05
1.12
1.54
2.78
3.61
表2跌倒总加速度最大值范围
Fall
前倒
后倒
侧倒
Max(g)
5.78
5.68
5.78
Mean(g)
4.98
4.45
4.37
Min(g)
4.76
4.82
4.45
4.1.3姿态分析
人体处于静止状态时,可以通过重力加速度在三个方向的分布估计人体姿态,仅需加速度传感器支持,且计算简单。
图13显示了跌倒事件中竖直方向加速度的变化,通过重力加速度的分布变化,同时也反映了人体姿态的变化。
在人体直立时,竖直方向加速度为-1g(正方向为垂直地面向上),而在人体平躺时,竖直方向加速度为0g左右。
从而,该曲线体现了在跌倒过程中人体姿态的典型变化:
在失重阶段人体与竖直轴夹角由0°左右快速变为90°左右,随后在平躺阶段时,人体与竖直轴夹角保持90°左右一段时间。
虽然跌倒时人体姿态变化与躺下的情况一致,但是足以区分其他日常行为。
图15跌倒时竖直方向加速度曲线
4.2跌倒检测算法设计
通过以上对日常行为和跌倒的加速度和人体姿态分析可知,跌倒可以分为三个阶段,第一阶段是失重阶段,此时人体开始无意识的倒向地面;第二阶段是冲击阶段,此时人体其他部位与地面发生冲击;第三阶段是平躺阶段,此时人体平躺在地面上处于静息状态。
并且,跌倒过程中突出的特征可以归结为(如图16所示):
1)在人体处于失重阶段时,竖直轴加速度(Ay)先下降再急剧增加。
2)在人体承受冲击阶段时,总加速度的激增。
3)冲击之后,由于人体姿态变化而处于平躺状态,总加速度(AVM)维持在1g左右,Y轴加速度维持在0g附近。
图16跌倒的运动学特征
经采样分析日常行为事件几乎不能同时满足以上3个特征,这为该跌倒检测系统具有较高的特异性提供了保障。
为有效识别以上3个特征,我们通过总加速度(AVM)与人体与竖直轴夹角(TAy)的变化时序来设计跌倒检测算法。
总加速度(AVM)的定义已经在前文加速度分析中给出,而在人体处于静息状态时(非运动状态),竖直轴夹角(TAy)的计算采用重力加速度分布的方法估算,其公式如下:
(5.2)
其中TAy表示人体与竖直轴夹角,单位为deg;Ay表示竖直轴加速度,单位为m/s2;G表示重力加速度,单位为m/s2。
基于以上分析和大量试验,总结出以下跌倒检测算法,其流程图如图17所示。
该算法的核心思想是加速度阈值判断结合人体姿态检测,因此需要定义三个阈值用于评估人体运动剧烈状态和人体姿态:
HAT为加速度高阈值,当AVM大于HAT时,说明人体受到强烈冲击。
LAT为加速度低阈值,当AVM小于LAT时,说明人体处于不活跃状态。
AT为角度阈值,当TAy绝对值小于AT时,说明人体处于平躺状态。
此外,还需要定义三个延时用来控制不同阈值检测的时序。
所有阈值和延时都经过大量日常行为和模拟跌倒实验调校和验证。
图17跌倒检测算法流程图
其主要流程描述如下:
1)三轴加速度传感器的测量采样频率为200Hz。
2)每次采样后有三轴加速度计算总加速度AVM。
3)设定总加速度高阈值HAT,若检测到AVM>HAT,说明存在强烈冲击,继续判断。
4)设定总加速度低阈值LAT,若3s内检测AVM5)若以上条件满足,则通过三轴加速度分布进行姿态判断,延时循环两次,若|TAy|5实验验证
跌倒检测的目的是在于准确区分日常行为和跌倒事件,因此跌倒检测实验也是围绕这两种行为展开的。
实验内容是:
志愿者按照要求执行相应的日常行为和模拟跌倒事件。
5.1跌倒检测实验设计
跌倒检测的实验项目也借鉴了之前N.Noury的关于跌倒检测准确性的评估[37]。
综合常见的日常行为和跌倒事件,在该实验中志愿者执行的项目如表3所示。
表3跌倒检测实验项目
实验项目
项目细分
报警种类
向后跌倒
以坐姿结束
是
以平卧结束
是
以侧卧结束
是
快速恢复
否
向前跌倒
膝盖着地
是
胳膊着地
是
以平卧结束
是
倒后翻滚以平卧结束
是
倒后翻滚以侧卧结束
是
快速恢复
否
左侧跌倒
以平卧结束
是
快速恢复
否
右侧跌倒
以平卧结束
是
快速恢复
否
晕厥
沿墙跌坐
是
日常行为
坐–起立
否
躺–起立
否
行走
否
弯腰拾物
否
咳嗽或打喷嚏
否
6.4.2跌倒检测实验结果
经过志愿者总共1000次行为模拟,其中包括400次模拟跌倒和600次模拟日常行为,跌倒检测的检测准确率统计如表13所示。
表13跌倒检测实验结果统计
行为种类
实验次数
报警次数
未报警次数
准确率
日常行为
500
0
500
100%
向前跌倒
100
99
0
99%
向后跌倒
100
100
0
100%
向左跌倒
100
94
6
94%
向右跌倒
100
95
5
95%
由于跌倒检测的输出只有跌倒报警和未报警两个值,因此跌倒检测的准确性可以由以下四种情况发生的概率来评价。
1)真阳性事件(truepositive,TP),即跌倒确实发生,并且跌倒报警发出。
2)假阳性事件(falsepositive,FP),即跌倒没有发生,而跌倒报警发出。
3)真阴性事件(truenegative,TN),即跌倒没有发生,并且没有跌倒报警。
4)假阴性事件(falsenegative,FN),即跌倒确实发生,而没有跌倒报警。
因此,跌倒检测的准确性可以通过以下两个指标来评价:
1)检测敏感性,即在所有跌倒事件中,成功检测出跌倒的比率,与其相反的为漏警率。
其计算公式如下:
(6.1)
2)检测特异性,即在所有日常行为事件中,成功检测出未跌倒的比率,与其相反的为虚警率。
其计算公式如下:
(6.2)
其中,TP,FP分别真阳性和假阳性事件,TN,FN分别真阴性和假阴性事件。
由于在跌倒检测实验中,所有日常行为事件都被准确检测出,因此假阳性事件为零,说明该跌倒检测算法具有很高的特异性(在实验中为100%)。
同时,由于存在小部分跌倒事件没有被成功检测出,即检测存在假阴性事件,但是该情况发生概率很小(见表13),因此该跌倒检测算法同样具有很高的敏感性(在实验中大于95%)。
参考文献
[1].联合国人口司.联合国老龄化议题-老龄化问题概况[EB/OL],
http:
//www.un.org/chinese/esa/ageing/introduction.htm,2013-03-09
[2]国务院新闻办.2010年第六次全国人口普查主要数据公报[EB/OL],2010-04-28
[3]吕筠,李立明.老年伤害研究回顾[J].疾病控制杂志,1999,3(4):
300-303
[4]郝晓宁,胡鞍钢.中国人口老龄化:
健康不安全及应对政策[J].中国人口.资源与环境,2010,2(3):
73-78
[5]WuG.Distinguishingfallactivitiesfromnormalactivitiesbyvelocitycharacteristics[J].JournalofBiomechanics,2000,33:
1497-1500
[6]Nait-CharifH.,MckennaS.J.ActivitySummarisationandFallDetectioninaSupportiveHomeEnvironment[A].PatternRecognition,2004,ICPR2004,Proceedingsofthe17thInternationalConferenceonIEEE[C],2004:
323
[7]Noury,N.,Hervé,T.,Rialle,V.,etal.Monitoringbehaviorinhomeusingasmartfallsensorandpositionsensors[A].MicrotechnologiesinMedicineandBiology,1stAnnualInternationalConferenceonIEEE[C],2000:
607
[8]Mathie,M.,Celler,B.,Lovell,N.H.,etal.Classificationofbasicdailymovementsusingatriaxialaccelerometer[J].MedicalandBi