基于多參數(shù)融合的行為安全監(jiān)測研究

李小奇，鄭建立

（上海理工大學(xué)醫(yī)療器械與食品學(xué)院，上海 200093）

0 引言

國家統(tǒng)計(jì)局于2021 年5 月11 日發(fā)布的第七次全國人口普查結(jié)果顯示，全國老齡化程度進(jìn)一步加深，60 歲以上人口數(shù)為26 402 萬人，約占總?cè)丝跀?shù)的18.70%，相較于2010 年人口比重上升了5.44 個百分點(diǎn)［1］。隨著全球老年人口增多，老年人監(jiān)護(hù)問題受到了人們的普遍關(guān)注［2］。由于年齡增長，身體的各種機(jī)能逐步衰退，極易發(fā)生跌倒。跌倒是一種突然、不自主、無意識的姿勢變化，其中步態(tài)失衡是指無意識跌倒在地上或更低的平面［3］。分析表明，跌倒是人體受傷的主要原因，也是全球第二大意外死亡原因，尤其對老年人而言更為致命。據(jù)WHO 報(bào)告顯示，每年全球因跌倒而死亡的人數(shù)超過30 萬，其中年齡在60 歲以上的占一半以上，跌倒已成為老年人日常受傷的“元兇”之一。

1 國內(nèi)外研究現(xiàn)狀

由于跌倒檢測根據(jù)應(yīng)用特征參數(shù)和使用相關(guān)技術(shù)不同，現(xiàn)階段可分為以下3 類［3］：基于視頻圖像的跌倒檢測［4］、環(huán)境傳感器的跌倒檢測與可穿戴式的跌倒檢測。

1.1 基于視頻圖像的跌倒檢測

謝輝等［5］利用Le2i 數(shù)據(jù)庫和采集的跌倒行為視頻數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，基于OpenCV 框架開發(fā)了一套跌倒檢測系統(tǒng)。系統(tǒng)能準(zhǔn)確區(qū)分日常行為與跌倒行為，識別跌倒行為的準(zhǔn)確率高達(dá)96%。高苗等［6］采用改進(jìn)的ViBe 算法對視頻前景進(jìn)行提取，經(jīng)過形態(tài)學(xué)方法處理后能夠有效去視頻除噪聲。實(shí)驗(yàn)表明，該算法能準(zhǔn)確、快速地檢測運(yùn)動的目標(biāo)。馬凌云等［7］提出了基于單應(yīng)性的投影重合率特征和投影變化速率特征檢測算法，該算法能對“疑似摔倒事件”進(jìn)行初步判定。Chen 等［8］提出了一種基于視頻的人體跌倒檢測算法，該算法能在靜止?fàn)顟B(tài)下實(shí)現(xiàn)高精度實(shí)時檢測。

1.2 基于環(huán)境傳感器的跌倒檢測

Chandra 等［9］借助附加特征減少了計(jì)算量，提高了計(jì)算效率，檢測準(zhǔn)確率高達(dá)95.53%。Sixsmith 等［10］提出了基于S-IMBAD 模型的監(jiān)測報(bào)警系統(tǒng)，顯著提高了系統(tǒng)功能的可靠性。

1.3 基于可穿戴式的跌倒檢測

王翔等［11］比較分析了現(xiàn)階段基于MEMS 和磁阻傳感器的姿態(tài)檢測系統(tǒng)和數(shù)據(jù)融合算法。季祥等［12］通過建立右手坐標(biāo)系，以俯仰角、橫滾角、足底壓力為依據(jù)，通過支持向量機(jī)確定閾值，判斷人體行為動作。趙晉偉等［13］設(shè)計(jì)了以FPGA 為核心的多傳感器姿態(tài)融合算法和導(dǎo)航位置解算方法，相較于傳統(tǒng)算法在長期穩(wěn)定性和精度上都具有顯著提升。徐濤等［2］設(shè)計(jì)了一種基于加速度傳感器的檢測方法，通過監(jiān)控加速度幅值進(jìn)行跌倒檢測。歐國維等［14］結(jié)合四元數(shù)卡爾曼濾波進(jìn)行姿態(tài)識別和活動強(qiáng)度分析。崔瑞超等［15］通過自適應(yīng)加權(quán)信息融合技術(shù)，對傳感器模型進(jìn)行分析。薛源等［16］通過結(jié)合人體傾角信息和足底壓力閾值作為判斷跌倒依據(jù)。李坤等［17］融合加速度計(jì)和陀螺儀的特征參數(shù)，設(shè)計(jì)了基于閾值多特征參數(shù)的跌倒檢測算法。Kim 等［18］提出了一種三軸加速度傳感器和深度傳感器相聯(lián)合的跌倒檢測算法。Li 等［19］基于訓(xùn)練數(shù)據(jù)確定閾值，同時最大化算法的檢測概率，提出了一種最優(yōu)檢測算法。

然而，上述跌倒檢測技術(shù)都存在一定的缺陷，例如基于視頻圖像的跌倒檢測技術(shù)無法保障使用者的隱私；基于環(huán)境傳感器的跌倒檢測技術(shù)受場地限制的同時易受外部噪聲干擾；基于可穿戴設(shè)備的方法雖然結(jié)構(gòu)簡單、使用簡便、成本低，但目前仍缺乏統(tǒng)一的閾值設(shè)定標(biāo)準(zhǔn)。

由于在跌倒過程中必然伴隨著身體高度變化，目前高精度高度微型傳感器的出現(xiàn)給跌倒檢測帶來了新的思路。結(jié)合三軸加速度和角加速度傳感器，可將融合的高度變化率和姿態(tài)角變化率作為檢測跌倒的聯(lián)合判據(jù)?；诖耍疚脑O(shè)計(jì)了一種可穿戴式跌倒檢測裝置，通過采集高度和加速度數(shù)據(jù)，融合多種傳感器參數(shù)檢測跌倒。

2 可穿戴裝置系統(tǒng)設(shè)計(jì)

可穿戴式跌倒檢測系統(tǒng)的硬件包含主控芯片、加速度傳感器和高度傳感器三個部分。其中，主控芯片選擇支持低功耗藍(lán)牙5.1 的多核微控制器DA14695，該芯片采用Cortex-M33 內(nèi)核，片內(nèi)SRAM 大小為512KB。加速度傳感器選擇MPU6050，最大量程范圍可達(dá)±16g，角速度全格感測范圍為±2 000°/sec（dps），可精準(zhǔn)追蹤快、慢速動作。高度傳感器模塊SPL06 的量程范圍為-500～+9 000m，精度小于0.09m，采樣頻率為50HZ。系統(tǒng)硬件總體框如圖1所示。

Fig.1 Overall design block diagram of wearable device hardware圖1 可穿戴設(shè)備硬件整體設(shè)計(jì)框圖

系統(tǒng)上電后，初始化各模塊，不斷循環(huán)采集加速度、角速度和高度信息，并將數(shù)據(jù)通過藍(lán)牙模塊與手機(jī)互聯(lián)實(shí)現(xiàn)數(shù)據(jù)實(shí)時傳輸。運(yùn)算模塊通過控制模塊對跌倒行為進(jìn)行判斷并發(fā)出警報(bào)。系統(tǒng)運(yùn)行模塊總體框圖如圖2所示。

Fig.2 Overall module composition block diagram of wearable device hardware圖2 可穿戴設(shè)備硬件整體模塊框圖

3 多參數(shù)融合跌倒檢測算法

3.1 卡爾曼數(shù)據(jù)融合

對于動態(tài)系統(tǒng)的狀態(tài)估計(jì)，卡爾曼數(shù)據(jù)融合是一種高效遞推濾波器（自回歸濾波器），可在一系列不完全或包含噪聲的測量中估計(jì)動態(tài)系統(tǒng)的狀態(tài)，統(tǒng)計(jì)每一被測量數(shù)據(jù)不同時間的值，通過分析其在各時間的綜合分布，估計(jì)未知變量。系統(tǒng)的狀態(tài)方程如式（1）所示：

其中，k表示當(dāng)前時刻，k+1 代表下一時刻，T為時間間隔，(k+1)為k+1 時刻狀態(tài)矩陣，h(k)為k時刻的高度，h(k+1)為k+1 時刻的高度，v(k)為k時刻的速度，v(k+1) 為k+1 時刻的速度，a(k) 為k時刻的加速度，a(k+1)為k+1時刻加速度。

狀態(tài)方程的觀測輸出矩陣Y為k時刻加速度a(k)和k時刻氣壓P(k)。當(dāng)海拔較低且變化范圍在幾百米以內(nèi)時，氣壓與高度呈線性關(guān)系，即氣壓每變化ΔP時，高度變化0.09×ΔP。由此可得式（2），其中P0為初始?xì)鈮褐怠?/p>

式（3）中根據(jù)高度傳感器的實(shí)際測量值Y(k)，通過卡爾曼增益K(k)計(jì)算本次高度的最優(yōu)估計(jì)X(k+1)。H為狀態(tài)變量到測量（觀測）的轉(zhuǎn)換矩陣，(k+1)為k+1 時刻估計(jì)的狀態(tài)矩陣。比較融合了加速度信息前后的高度信息如圖3所示。

Fig.3 Height comparison before and after fusion圖3 融合前后高度對比

由圖3 可見，相較于原始高度數(shù)據(jù)，融合加速度信息后高度變化更平緩，可直觀反映實(shí)際高度的變化數(shù)值，并由于加速度計(jì)的快速響應(yīng)特性，彌補(bǔ)了高度計(jì)反映滯后的缺陷。因此，本文將兩者融合可有效提升系統(tǒng)的響應(yīng)速度和抗干擾能力。

3.2 姿態(tài)解算算法

由于人在不同行為過程中，加速度和角加速度會動態(tài)發(fā)生變化。為了避免在實(shí)際測量過程中外界因素的干擾，在實(shí)際姿態(tài)解算中常用四元數(shù)和互補(bǔ)濾波相互融合獲取姿態(tài)角，作為日常行為檢測系統(tǒng)的補(bǔ)充判據(jù)，以準(zhǔn)確反映人體姿態(tài)變化。常用Mahony 姿態(tài)解算算法輸出人體的三個姿態(tài)角，主要過程分為以下3 個步驟，具體運(yùn)算過程如式（4）-式（6）所示。

4 實(shí)驗(yàn)結(jié)果與分析

由于人在運(yùn)動時重心的加速度會發(fā)生變化，因此重心處的加速度是跌倒檢測的重要信息。本次實(shí)驗(yàn)將裝置佩戴在實(shí)驗(yàn)者的腰部，選取了男、女各5 名志愿者，采集他們在12 種日常行為過程的數(shù)據(jù)，包括走路、跑步、站立、坐下、上樓、下樓、乘坐電梯、跳躍、向前倒、向后倒、向左倒、向右倒，為了避免實(shí)驗(yàn)的偶然性，每組動作反復(fù)采集10次。其中，采集主要日常行為的數(shù)據(jù)信息如表1所示。

Table 1 Summary of main daily behavior characteristics表1 主要日常行為特征匯總

如圖4、圖5 可見，人體在發(fā)生跌倒時高度變化率明顯高于其它日?；顒拥臄?shù)值。同時，人體姿態(tài)變化角度出現(xiàn)極大值。基于融合后的高度及歐拉角變化率作為判據(jù)，實(shí)驗(yàn)結(jié)果如圖4 所示，在跌倒發(fā)生時融合算法曲線能在1s 內(nèi)趨于穩(wěn)定，即使在跌倒過程中高度傳感器數(shù)值發(fā)生劇烈波動，融合后的曲線仍能保持穩(wěn)定，體現(xiàn)了系統(tǒng)的魯棒性。

Fig.4 Height change rate圖4 高度變化率

Fig.5 Change vate of Euler angle圖5 歐拉角變化率

5 結(jié)語

本文通過對老人日常行為的跟蹤調(diào)查與數(shù)據(jù)分析，設(shè)計(jì)了一種基于DA14695 平臺的多參數(shù)融合跌倒檢測系統(tǒng)。通過采集人體日常運(yùn)動的加速度、角速度、高度等信息，采用卡爾曼濾波算法融合加速度傳感器和氣壓計(jì)計(jì)算高度變化率，利用Mahony算法檢測姿態(tài)角變化率。

實(shí)驗(yàn)結(jié)果表明，高度與姿態(tài)角的變化率在跌倒和非跌倒行為中有著顯著差異，以此作為判據(jù)條件的平均準(zhǔn)確率為95%。該方法在結(jié)合加速度傳感器高靈敏度特點(diǎn)的同時，避免了外界溫度和氣壓對高度傳感器的干擾，能夠準(zhǔn)確采集高度變化信息。