基于iOS的老年人跌倒檢測報(bào)警系統(tǒng)研究

李亞萍，薛冰冰，吳書裕，張 媛，周凌宏

基于iOS的老年人跌倒檢測報(bào)警系統(tǒng)研究

李亞萍，薛冰冰，吳書裕，張 媛，周凌宏

目的：設(shè)計(jì)一種基于手機(jī)的老年人跌倒檢測報(bào)警系統(tǒng)，為跌倒后的老人提供及時(shí)的幫助，爭取更多的急救時(shí)間。方法：利用iPhone內(nèi)置的三軸加速度傳感器和陀螺儀提取人體加速度和角速度數(shù)據(jù)，計(jì)算與人體運(yùn)動(dòng)相關(guān)的特征值信號向量幅值（signal vector magnitude，SVM）、信號幅值面積（signal magnitude area，SMA）、傾斜角（tilt angle，TA），采用多閾值判斷算法判別人體是否發(fā)生跌倒。發(fā)生跌倒時(shí)，手機(jī)向監(jiān)護(hù)人發(fā)出跌倒報(bào)警。結(jié)果：在系統(tǒng)準(zhǔn)確性檢測實(shí)驗(yàn)中，模擬老年人行走、慢跑、坐下、躺下、彎腰及前向跌倒、側(cè)向跌倒、后向跌倒。慢跑識(shí)別準(zhǔn)確率為96%，出現(xiàn)錯(cuò)報(bào)；前向跌倒檢測準(zhǔn)確率為98%，出現(xiàn)漏報(bào)；其余準(zhǔn)確率皆為100%，系統(tǒng)正確率為99.25%。結(jié)論：該系統(tǒng)可直接利用手機(jī)內(nèi)置傳感器有效檢測跌倒，并且對手機(jī)的放置方位無要求，是一種易于接受且更為可行的跌倒檢測系統(tǒng)。

跌倒檢測；iPhone；三軸加速度傳感器；陀螺儀

0 引言

據(jù)世界衛(wèi)生組織相關(guān)資料顯示，跌倒是世界各地意外或非故意傷害死亡的第二大原因。全世界每年估計(jì)有42.4萬人因跌倒受傷而導(dǎo)致死亡，65歲以上成年人所占比例最大[1]。眾多因跌倒造成的死亡并非直接源于跌倒本身，而是因跌倒后沒有得到及時(shí)的救治而錯(cuò)過了最佳時(shí)機(jī)。因此，實(shí)現(xiàn)一種實(shí)時(shí)有效的跌倒檢測報(bào)警方法在老年人監(jiān)護(hù)領(lǐng)域具有重要意義。

根據(jù)信號獲取渠道的不同，可將近年來關(guān)于人體跌倒檢測的研究分為3類：基于計(jì)算機(jī)視覺技術(shù)主要采用監(jiān)控探頭等采集人體活動(dòng)視頻，再進(jìn)行圖像處理，但這種技術(shù)受光線等影響較大，成本較高且不利于保護(hù)隱私[2-3]；基于音頻傳感器技術(shù)主要是分析跌倒沖擊地面導(dǎo)致的振動(dòng)頻率，易受其他聲源干擾，且安裝較為復(fù)雜，資金投入較大，監(jiān)控范圍有限[4-6]；加速度傳感器、陀螺儀等微機(jī)電系統(tǒng)（micro-electro-mechanical systems，MEMS）具有體積小、功耗低、性能穩(wěn)定等優(yōu)點(diǎn)，其普及使基于穿戴式傳感器[7-9]的跌倒檢測成為當(dāng)前跌倒檢測研究的熱點(diǎn)并得到初步應(yīng)用。

目前，手機(jī)已成為人們生活中不可或缺的物品，我國智能手機(jī)普及率已達(dá)66%。當(dāng)前主流的三大手機(jī)操作系統(tǒng)分別是Android、iOS、Windows Phone，本文采用硬件一致性較高的iOS平臺(tái)，以手機(jī)自身配備的加速度傳感器和陀螺儀MEMS傳感器采集人體運(yùn)動(dòng)的加速度和角速度等相關(guān)信息，開發(fā)基于智能手機(jī)的跌倒檢測報(bào)警系統(tǒng)。加以現(xiàn)有成熟的移動(dòng)通信技術(shù)輔助，可實(shí)施可行有效的跌倒監(jiān)護(hù)，是一種易于接受且更為可行的跌倒檢測方式。

1 方法

本系統(tǒng)使用iPhone手機(jī)內(nèi)置的三軸加速度傳感器和陀螺儀收集身體運(yùn)動(dòng)的信息，并通過特征值的判別算法分析是否發(fā)生跌倒。若發(fā)生跌倒，則以預(yù)先設(shè)定的報(bào)警機(jī)制向監(jiān)護(hù)人發(fā)出跌倒報(bào)警。圖1為跌倒檢測的系統(tǒng)框圖。數(shù)據(jù)采集、跌倒算法及跌倒報(bào)警程序的開發(fā)在Xcode開發(fā)環(huán)境下完成；在實(shí)驗(yàn)過程中，使用MATLAB對數(shù)據(jù)進(jìn)行特征值分析和算法設(shè)計(jì)。

圖1 跌倒檢測系統(tǒng)框圖

1.1 數(shù)據(jù)采集與預(yù)處理

一般情況下，身體的運(yùn)動(dòng)頻率低于20 Hz[10]。根據(jù)奈奎斯特采樣定理：當(dāng)采樣頻率大于信號中最高頻率的2倍時(shí)，采樣之后的數(shù)字信號完整地保留了原始信號中的信息。本文以50 Hz的采樣頻率采集三軸加速度傳感器和陀螺儀信號，既滿足了運(yùn)動(dòng)信號的要求，也降低了系統(tǒng)的資源消耗。

在iOS4和更高版本中，加速度傳感器和陀螺儀使用Core Motion框架訪問，此框架提供了CMMotionManager類用作描述用戶如何移動(dòng)設(shè)備的所有值的途徑，可由此獲取加速度傳感器和陀螺儀3軸的數(shù)據(jù)，圖2、3分別為iPhone收集采集的加速度傳感器3軸的加速度數(shù)據(jù)和陀螺儀3軸的角速度數(shù)據(jù)。

本文使用中值濾波器對加速度傳感器和陀螺儀采集的原始信號進(jìn)行預(yù)處理，以消除運(yùn)輸裝置（如車輛）等非人體的外部運(yùn)動(dòng)和傳感器對抗其他物體引起彈跳導(dǎo)致的機(jī)械共振帶來的脈沖噪聲。中值濾波器（系數(shù)n=3）能對原始信號起到較好的平滑效果，降低脈沖噪聲對算法識(shí)別的干擾，同時(shí)保留跌倒時(shí)的特征信息（如圖4所示）。

圖2 加速度傳感器x、y、z軸數(shù)據(jù)

圖3 陀螺儀x、y、z軸數(shù)據(jù)

圖4 濾波前后加速度數(shù)據(jù)對比圖

1.2 跌倒算法設(shè)計(jì)

人體的行為動(dòng)作包括日?；顒?dòng)（activities of daily living，ADL）（如走路、跑步、坐下、躺下等）和跌倒（fall activitity，F(xiàn)A）等，不同的動(dòng)作其運(yùn)動(dòng)學(xué)特征是不同的，可以從加速度、運(yùn)動(dòng)狀態(tài)變化的激烈程度、傾斜角等方面進(jìn)行區(qū)分。本文以信號向量幅值（signal vector magnitude，SVM）、信號幅值面積（signal magnitude area，SMA）、傾斜角（tilt angle，TA）3個(gè)特征值進(jìn)行動(dòng)作判別。

1.2.1 信號向量幅值

SVM表示人體合加速度的幅值，定義如式（1），其數(shù)值的大小反映人體運(yùn)動(dòng)加速度的大小。該特征值的優(yōu)點(diǎn)在于將空間三維加速度合成一個(gè)矢量，在閾值判斷時(shí)可忽略該矢量的空間方向，只判斷其大小是否超過某一閾值。在跌倒檢測的識(shí)別過程引入此特征值，無需固定手機(jī)的放置方向，提高了實(shí)際測量中的便利性和可行性。

其中，x（t）、y（t）、z（t）分別代表三軸加速度傳感器x、y、z軸的加速度。

在日常生活中，較大的合加速度幅值往往來自于人體與外界的相互作用過程（例如跌倒）[11]。當(dāng)有SVM值高于閾值時(shí)，可視為可能有跌倒發(fā)生。

1.2.2 信號幅值面積

SMA表示人體運(yùn)動(dòng)的變化程度，定義如式（2），其數(shù)值越大，表示運(yùn)動(dòng)狀態(tài)變化越激烈。定義SMA是為了區(qū)分人體的運(yùn)動(dòng)和靜止時(shí)段。

其中，x（t）、y（t）、z（t）分別代表三軸加速度傳感器x、y、z軸的加速度。

SMA的定義中有一個(gè)積分的過程，使其能夠檢測到變化幅度較小、持續(xù)時(shí)間較長的加速度變化，如支撐著墻壁等相對緩慢的倒下，而這些跌倒通過SVM閾值判斷很難與ADL區(qū)分。因此，積分時(shí)間T的取值對于SMA至關(guān)重要。若取值太大，則會(huì)“抹平”時(shí)間相隔較短的尖峰；若取值太小，又無法體現(xiàn)上述SMA的優(yōu)勢[12]。通過實(shí)驗(yàn)得到，當(dāng)T取0.3 s時(shí)，可獲得較好效果。

1.2.3 傾斜角

姿勢的方向是指身體在空間中的相對傾斜角度，TA表示人體角度發(fā)生變化的大小，其定義如式（3）。在時(shí)間T內(nèi)，當(dāng)人體產(chǎn)生較大的傾斜角時(shí)可能發(fā)生跌倒，本研究中T=0.3 s。

其中，x（t）、y（t）、z（t）分別代表陀螺儀傳感器x、y、z軸的角速度（rad/s）。

1.2.4 算法流程圖

根據(jù)對SMA、SVM和TA 3個(gè)特征值做閾值判斷，可以識(shí)別出人體是否發(fā)生跌倒。跌倒算法的流程如圖5所示。

圖5 跌倒檢測算法流程圖

對采集的數(shù)據(jù)進(jìn)行預(yù)處理后計(jì)算特征值SVM、SMA、TA。當(dāng)3個(gè)特征值中有一個(gè)大于設(shè)定閾值時(shí)，啟動(dòng)計(jì)時(shí)器T1進(jìn)入初次閾值判斷：在T1時(shí)間內(nèi)，3個(gè)特征值均大于設(shè)定閾值，則可能發(fā)生跌倒，否則未發(fā)生跌倒。若疑似跌倒則啟動(dòng)計(jì)時(shí)器T2進(jìn)入二次閾值判斷：在時(shí)間T2內(nèi)，若3個(gè)特征值均小于設(shè)定閾值，則發(fā)生跌倒，否則未發(fā)生跌倒。

1.3 跌倒報(bào)警處理

檢測到人體跌倒之后，系統(tǒng)調(diào)用Core Location框架以確定跌倒者的地理位置，通過移動(dòng)通信網(wǎng)絡(luò)向監(jiān)護(hù)人（醫(yī)護(hù)人員、救護(hù)中心或家屬）發(fā)送跌倒者的位置信息，并調(diào)用發(fā)送短信和撥打電話的接口，以短信或者電話的方式向監(jiān)護(hù)人發(fā)送跌倒報(bào)警，縮短老年人跌倒后獲得救治的時(shí)間。

2 結(jié)果

本研究針對的對象為老年人，故分析的行為主要是老年人ADL（包括常見的行走、慢跑、坐下、躺下、彎腰幾種行為）以及FA?？紤]到老年人的安全問題，本研究的實(shí)驗(yàn)對象為青年人，男生14人，女生11人，年齡23～27歲，身高155～177 cm，體質(zhì)量45～70 kg。實(shí)驗(yàn)過程中，為模擬老年人的行為，在實(shí)驗(yàn)對象的腿部捆綁沙袋增加腿部質(zhì)量，減慢其行動(dòng)速度。實(shí)驗(yàn)分為2個(gè)部分，第一部分是實(shí)驗(yàn)者完成表1中的不同動(dòng)作，計(jì)算不同行為的3個(gè)特征值，通過分析確定特征值的閾值。

表1 不同行為SAM、SVM及TA的統(tǒng)計(jì)結(jié)果

表1中的數(shù)據(jù)為不同行為3個(gè)特征值的統(tǒng)計(jì)結(jié)果。從中可以看出，ADL中，行走、坐下、躺下及彎腰的特征值區(qū)間（SAM：[0.032，0.050]，SVM：[1.172，2.227]，TA：[0.188，0.813]）與前向跌倒、側(cè)向跌倒和后向跌倒的特征值區(qū)間（SAM:[0.059，0.095]，SVM:[2.344，5.449]，TA：[1.000，1.688]）沒有重合部分，可較好地區(qū)分。慢跑和跌倒的特征值SAM在區(qū)間上較為接近，且特征值SVM與TA在區(qū)間[3.457，4.570]和[1.000，1.313]上有重合，一次閾值判斷（如圖5計(jì)時(shí)器T1時(shí)間內(nèi)）無法區(qū)分。然而慢跑行為是周期性的出現(xiàn)此特征值特點(diǎn)，跌倒只在短期內(nèi)出現(xiàn)此特征值特點(diǎn)，因此，可通過二次閾值判斷（如圖5計(jì)時(shí)器T2時(shí)間內(nèi)）進(jìn)行區(qū)分。通過實(shí)驗(yàn)最終確定SVM、SMA、TA的閾值分別為0.055、2.3、1。

將跌倒檢測系統(tǒng)中的特征值閾值設(shè)為實(shí)驗(yàn)一所確定的閾值，進(jìn)行實(shí)驗(yàn)二：實(shí)驗(yàn)者佩戴iPhone手機(jī)依次完成表2中的不同動(dòng)作，每個(gè)動(dòng)作做2次。從正確率、誤報(bào)率、漏報(bào)率3個(gè)方面說明系統(tǒng)的性能，定義如下[11]：正確率=（跌倒識(shí)別的正確數(shù)/總活動(dòng)數(shù)）×100%誤報(bào)率=（非跌倒動(dòng)作報(bào)警數(shù)/非跌倒動(dòng)作數(shù)）× 100%

表2 跌倒檢測實(shí)驗(yàn)結(jié)果

漏報(bào)率=（跌倒動(dòng)作漏報(bào)數(shù)/實(shí)際跌倒數(shù)）×100%

實(shí)驗(yàn)二的結(jié)果見表2，ADL中慢跑識(shí)別的準(zhǔn)確率為96%，出現(xiàn)錯(cuò)報(bào)，誤報(bào)率為0.8%；FA中前向跌倒檢測的準(zhǔn)確率為98%，出現(xiàn)漏報(bào)，漏報(bào)率為0.67%；其余動(dòng)作準(zhǔn)確率皆為100%，系統(tǒng)正確率為99.25%，能有效地檢測跌倒。結(jié)合實(shí)驗(yàn)過程分析，符合以下情況之一的慢跑可能會(huì)出現(xiàn)誤報(bào)：（1）手機(jī)放置于褲子口袋中，且手機(jī)與身體發(fā)生較多的相對運(yùn)動(dòng)；（2）在運(yùn)動(dòng)過程中，突然停止運(yùn)動(dòng)。慢跑運(yùn)動(dòng)相對較為激烈，第1種情況可能導(dǎo)致3個(gè)特征值超過閾值，第2種情況滿足了第二個(gè)閾值判斷，故可能發(fā)生誤報(bào)。前向跌倒是身體最易控制的，實(shí)驗(yàn)者在實(shí)驗(yàn)過程中，出于自我保護(hù)的本能，減緩跌倒的過程，使得SMA特征值未能超過閾值，故而發(fā)生漏報(bào)。

3 討論

本文針對人體ADL及FA的運(yùn)動(dòng)特征進(jìn)行研究，并實(shí)現(xiàn)了基于iOS的具有定位和報(bào)警功能的老年人跌倒檢測系統(tǒng)。該系統(tǒng)利用iOS設(shè)備自身的三軸加速度傳感器和陀螺儀獲取人體的運(yùn)動(dòng)特性，對加速度和角速度數(shù)據(jù)進(jìn)行分析，提取與人體運(yùn)動(dòng)劇烈程度、加速度、角度相關(guān)的特征值，采用多個(gè)閾值判斷跌倒。經(jīng)過初步實(shí)驗(yàn)，本系統(tǒng)的平均準(zhǔn)確率為99.25%，相比其他檢測跌倒系統(tǒng)，本系統(tǒng)具有不用另帶其他設(shè)備且手機(jī)無需以固定方位佩戴在人體上的優(yōu)點(diǎn)，在保證準(zhǔn)確率的同時(shí)，更為便捷可行。由于本系統(tǒng)的實(shí)驗(yàn)對象是年輕人，不能很好地模仿老年人的跌倒情況，因此，在后續(xù)的工作中，需不斷加大樣本量以及老年人活動(dòng)數(shù)據(jù)來對算法中的閾值參數(shù)進(jìn)行修正，以提高算法識(shí)別跌倒的精確度。本文在iOS設(shè)備上進(jìn)行跌倒檢測研究，對如Android、Windows Phone等其他智能手機(jī)跌倒識(shí)別的相關(guān)研究也具有很好的參考意義。

[1] World Health Organization（WHO）.Falls[R/OL].（2012-10-21）[2013-09-15].http：//www.who.int/mediacentre/factsheets/fs344/en/.

[2] Leone A，Diraco G，Siciliano P.Detecting falls with 3D range camera in ambient assisted living applications：a preliminary study[J].Med Eng Phys，2011，33（6）：770-781.

[3] 胡飛，顧冬云，戴尅戎，等.基于非線性時(shí)間序列法研究人體步行穩(wěn)定性[J].醫(yī)用生物力學(xué)，2012，27（1）：51-57.

[4] Li Y，Ho K C，Popescu M.A microphone array system for automatic fall detection[J].IEEE Trans Biomed Eng，2012，59（5）：1291-1301.

[5] Litvak D，Zigel Y，Gannot I.Fall detection of elderly through floor vibrations and sound[J].Conf Proc IEEE Eng Med Biol Soc，2008，2008：4 632-4 635.

[6] Zigel Y，Litvak D，Gannot I.A method for automatic fall detection of elderly people using floor vibrations and sound——proof of concept on human mimicking doll falls[J].IEEE Trans Biomed Eng，2009，56（12）：2 858-2 867.

[7] Lee R Y，Carlisle A J.Detection of falls using accelerometers and mobile phone technology[J].Age Ageing，2011，40（6）：690-696.

[8] 王榮，章韻，陳建新.基于三軸加速度傳感器的人體跌倒檢測系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用，2012，32（5）：1 450-1 452，1 456.

[9] 余輝，鄭曉悅，張力新，等.老年人跌倒監(jiān)測及遠(yuǎn)程救助系統(tǒng)的研究與實(shí)現(xiàn)[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（35）：245-248.

[10]Karantonis D M，Narayanan M R，Mathie M，et al.Implementation of a real-time human movement classifier using a triaxial accelerometer for ambulatory monitoring[J].IEEE Trans Inf Technol Biomed，2006，10（1）：156-167.

[11]李娜，侯義斌，黃樟欽.基于人體加速度特征的實(shí)時(shí)跌倒識(shí)別算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2012，33（11）：2 410-2 413.

[12]趙祥欣.基于三維加速度傳感器的跌倒監(jiān)測研究[D].杭州：浙江大學(xué)生物醫(yī)學(xué)工程與儀器科學(xué)學(xué)院，2008.

（收稿：2014-03-17 修回：2014-07-29）

IOS-based alarm and detect system of falls in elder

LI Ya-ping,XUE Bing-bing,WU Shu-yu,ZHANG Yuan,ZHOU Ling-hong
（School of Biomedical Engineering,Southern Medical University,Guangzhou 510515,China）

ObjectiveTo present a phone-based fall detection system that can provide timely help for the elderly when a fall happens and get more time for the emergency if injuries occur due to falls.MethodsAccording to the study,body acceleration and angular velocity data,obtained from the tri-accelerometer and gyroscope in iPhone,were used to calculate the eigenvalues SVM,SMA and TA which were associated with the body movement.Multi-threshold algorithm was utilized to determine whether a fall would occur.A fall alert was sent to the guardian in the preset means in case of fall.ResultsThe daily activities of the elderly such as walking,jogging,sitting,lying down,stooping and some kinds of fall like forward fall,sideways fall,back fall were chosen to test the accuracy of the fall detection algorithm.Among them,the accuracy of jogging recognition was 96%,the accuracy of forward fall detection was 98%,and the remained actions had 100 percent accuracy rate,and the system accuracy was 99.25%.ConclusionsEffective fall detection with no additional inserted devices and no requirements for the placement of phones highlights the function and usage of this system.[Chinese Medical Equipment Journal，2014，35（9）：15-18]

fall detection;iPhone;tri-accelerometer;gyroscope

R318；TP277

A

1003-8868（2014）09-0015-04

10.7687/J.ISSN1003-8868.2014.09.015

廣東省科技計(jì)劃項(xiàng)目（2012A032200014）

李亞萍（1990—），女，研究方向?yàn)橹悄茚t(yī)學(xué)儀器設(shè)計(jì)，E-mail：applelyp1990@gmail.com。

510515廣州，南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院（李亞萍，薛冰冰，吳書裕，張 媛，周凌宏）

周凌宏，E-mail：smart@smu.edu.cn