基于多傳感器融合的跌倒檢測(cè)研究綜述

劉瑞佳，周怡

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都610065）

0 引言

隨著全球老齡化浪潮的到來(lái)，我國(guó)許多城市已經(jīng)進(jìn)入老齡化社會(huì)結(jié)構(gòu)。全國(guó)出臺(tái)的《老年人跌倒干預(yù)技術(shù)指南》[1]提到了，對(duì)于65歲及以上的老年人，跌倒是其傷害死亡的首要原因。然而，老年人的跌倒往往不是一種意外，是可以預(yù)防和控制的，準(zhǔn)確的跌倒檢測(cè)算法則可以大幅度降低老人摔倒的概率。

目前有許多研究人員使用多傳感器融合技術(shù)來(lái)監(jiān)測(cè)人體的運(yùn)動(dòng)情況，該技術(shù)能及時(shí)獲取多向運(yùn)動(dòng)數(shù)據(jù)信息。基于該技術(shù)，研究人員采用不同的算法思想，對(duì)跌倒行為進(jìn)行研究與檢測(cè)實(shí)驗(yàn)。

本文將該領(lǐng)域的主要研究按照算法思想分為兩個(gè)方向：基于閾值分析的跌倒檢測(cè)研究與基于機(jī)器學(xué)習(xí)分類的跌倒檢測(cè)研究。同時(shí)本文還對(duì)近年提出的兩類跌倒檢測(cè)算法進(jìn)行技術(shù)原理的歸納和總結(jié)，對(duì)兩類算法的優(yōu)勢(shì)與局限性進(jìn)行了解釋說(shuō)明，并在此基礎(chǔ)之上提出了對(duì)未來(lái)跌倒檢測(cè)領(lǐng)域的研究趨勢(shì)和對(duì)需要攻克的難點(diǎn)問題的預(yù)測(cè)。

1 多傳感器融合技術(shù)

近年來(lái)眾多關(guān)于跌倒檢測(cè)的研究都依賴于多傳感器融合技術(shù)。多傳感器融合技術(shù)通過(guò)多個(gè)傳感器單元來(lái)實(shí)現(xiàn)信息獲取，最后將采集到的信息進(jìn)行整合分析[2]。避免了傳統(tǒng)單傳感器的弊端，多傳感器在信息處理和估計(jì)方面更加全面。在研究中，采集到的人體“跌倒”數(shù)據(jù)越全面、準(zhǔn)確，最終的跌倒判斷就會(huì)越可靠、穩(wěn)健。

研究中較為常用的傳感器主要是三軸加速度傳感器和三軸振動(dòng)式角速度傳感器（即陀螺儀）。在不同的跌倒檢測(cè)研究中，研究人員會(huì)對(duì)這兩種傳感器有一些取舍和改進(jìn)。這些傳感器在經(jīng)過(guò)簡(jiǎn)單的可穿戴改造后，即可用于測(cè)量穿戴者運(yùn)動(dòng)時(shí)在X軸、Y軸和Z軸方向上的加速度和角速度。在跌倒檢測(cè)研究中MEMS傳感器MPU6050得到了廣泛的應(yīng)用，該傳感器集成了三軸MEMS加速度測(cè)量與三軸MEMS角速度測(cè)量功能。MEMS加速度傳感器所測(cè)量的加速度可用于計(jì)算載體的速度、位移信息；MEMS三軸角速度傳感器的關(guān)鍵性能指標(biāo)包括靈敏度、動(dòng)態(tài)范圍等[3]。除此之外，其他可靠性高、靈敏性高、易于集成的微型傳感器在跌倒檢測(cè)中也十分流行。例如意法半導(dǎo)體LIS3DSH[4]、L3GD20[5]和博世半導(dǎo)體BMA250，分別可以用于檢測(cè)人體運(yùn)動(dòng)時(shí)的三軸加速度、三軸角速度和三軸線性加速度。使用多傳感器融合技術(shù)可以有效地記錄人體在行動(dòng)過(guò)程中實(shí)時(shí)姿態(tài)的變化，許多微型傳感器既便攜性好、不受環(huán)境的限制，又價(jià)格低廉、可以有效降低成本。

2 基于多傳感器融合的兩類跌倒檢測(cè)研究

2.1 基于閾值分析的跌倒檢測(cè)研究

基于閾值分析的跌倒檢測(cè)主要處理流程包括設(shè)置一個(gè)或多個(gè)閾值來(lái)判斷是否出現(xiàn)跌倒行為，傳感器接收的數(shù)據(jù)信號(hào)若突破了預(yù)設(shè)的閾值，則判斷為跌倒。依賴于傳感器收集到的信息，大多數(shù)研究通過(guò)設(shè)置合加速度ar與合角速度ωr的閾值來(lái)進(jìn)行研究測(cè)驗(yàn)，袁銘[6]提出了一個(gè)較為基礎(chǔ)、普遍的閾值設(shè)置方法，檢驗(yàn)在一段時(shí)間內(nèi)，傳感器采集到的合加速度或合角速度之間的極差adiff或ωdiff，則有：

若adiff≥ar或者ωdiff≥ωr，則突破預(yù)設(shè)閾值，發(fā)生跌倒；若adiff≤ar或者ωdiff≤ωr，則未突破預(yù)設(shè)閾值，未發(fā)生跌倒。類似地，也可以使用合加速度和合角速度的變化率來(lái)判斷。

李京慧等人[7]提出了在合加速度閾值與姿態(tài)角閾值的基礎(chǔ)之上加入了時(shí)間閾值，研究人員采用了ADXL345三軸加速度傳感器采集數(shù)據(jù)，采用ATKNEO-6M高性能GPS實(shí)現(xiàn)全球定位。通過(guò)合加速度閾值合時(shí)間閾值來(lái)檢測(cè)失重、撞擊、靜止三個(gè)過(guò)程是否按順序發(fā)生；通過(guò)設(shè)定的姿態(tài)角閾值來(lái)判斷人體動(dòng)作是否還處于正常范圍之內(nèi)。研究人員預(yù)設(shè)的失重-撞擊時(shí)間間隔閾值為0.5s，靜止持續(xù)時(shí)間閾值為2s，傾斜角閾值為45°。由于人體從站立變?yōu)榈箷r(shí)，重心會(huì)瞬間下移，極短時(shí)間內(nèi)合加速度會(huì)小于重力加速度g，人體與地面的夾角會(huì)近似為0°。而人體跌倒時(shí)，失重、撞擊、靜止這三個(gè)狀態(tài)之間切換時(shí)間間隔具有有限性。故研究將時(shí)間閾值、合加速度閾值、姿態(tài)角閾值三者結(jié)合起來(lái)，可以有效提高判斷的準(zhǔn)確率。最終模型對(duì)跌倒檢測(cè)判斷的準(zhǔn)確率達(dá)到了97%，且檢測(cè)系統(tǒng)相當(dāng)穩(wěn)定。

秦昉等人[8]提出了一種著重區(qū)分跌倒?fàn)顟B(tài)和人體日常生活活動(dòng)的算法。研究數(shù)據(jù)采集單元采用微型MMA7260Q加速度傳感器獲取三軸加速度，使用MB95770與傳感器直接對(duì)接。研究人員考慮到人體活動(dòng)情況存在多變性，某些相似行為發(fā)生后會(huì)產(chǎn)生相似的加速度，故引入?yún)?shù)傾斜角TA來(lái)加以區(qū)分，同時(shí)還能減少裝置佩戴不正時(shí)加速度傳感器坐標(biāo)變化引起的誤差。在實(shí)驗(yàn)中，彎腰和快速坐下后站起的沖量較小，檢測(cè)結(jié)果顯示為未發(fā)生跌倒；跑動(dòng)的加速度信號(hào)波動(dòng)明顯，但范圍小，檢測(cè)結(jié)果也為未發(fā)生跌倒。最終檢測(cè)模型的平均準(zhǔn)確率為94%，正常行為被正常識(shí)別的特異度為98%，判斷精度較高且具有實(shí)時(shí)性。

肖巍[9]針對(duì)傳統(tǒng)跌倒檢測(cè)研究無(wú)法在人體跌倒第一時(shí)間及時(shí)檢測(cè)的問題，構(gòu)建了智能視覺下的人體跌倒檢測(cè)方法。首先依據(jù)智能視覺分析技術(shù)判斷跌倒行為，通過(guò)分析跌倒前后的波形特點(diǎn)，來(lái)區(qū)分跌倒過(guò)程的不同階段，以此可以解析跌倒行為的全過(guò)程。采用加速度傳感器獲取人體動(dòng)作的慣性特征，在全過(guò)程的基礎(chǔ)上對(duì)人體跌倒進(jìn)行判斷。研究中采用Karhunen-Loeve Transform方法選取合理特征量，通過(guò)該方法，實(shí)驗(yàn)的變化方法不會(huì)受到模式分布的限制。最終檢測(cè)模型的準(zhǔn)確率達(dá)到了97%，檢測(cè)時(shí)間僅為0.3s，遠(yuǎn)低于其他檢測(cè)方法，實(shí)際應(yīng)用價(jià)值較高。

基于閾值分析的跌倒檢測(cè)，其研究原理更容易理解。并且在采集到同樣的數(shù)據(jù)后，閾值分析的計(jì)算量較小、響應(yīng)速度快，在現(xiàn)實(shí)老人跌倒的緊急情況下其更有實(shí)用價(jià)值。

2.2 基于機(jī)器學(xué)習(xí)分類的跌倒檢測(cè)研究

對(duì)于基于機(jī)器學(xué)習(xí)分類的跌倒檢測(cè)方法，在獲得原始傳感器數(shù)據(jù)后，通常需要經(jīng)過(guò)濾波去噪、特征向量提取和機(jī)器學(xué)習(xí)分類這三個(gè)數(shù)據(jù)處理流程，才能獲得關(guān)于被測(cè)人員是否跌倒的判斷。原始數(shù)據(jù)中包含了大量的隨機(jī)噪聲與脈沖噪聲，若未經(jīng)處理直接應(yīng)用，會(huì)嚴(yán)重干擾判斷，故而必須預(yù)處理剔除。預(yù)處理后的數(shù)據(jù)按照一定的設(shè)計(jì)組合成為特征向量，以作為分類器的輸入。在跌倒樣本與非跌倒樣本之間，好的特征向量會(huì)表現(xiàn)出明顯的數(shù)值差異，有利于降低分類器計(jì)算量，提高分類準(zhǔn)確率。在對(duì)特征向量的設(shè)計(jì)不同的情況下，研究人員需要比較分析選擇最合適的機(jī)器學(xué)習(xí)分類器，以最大程度地獲得高準(zhǔn)確率、低漏判率和低誤判率。

呂艷等人[10]采用Infinite Impulse Response（IIR）濾波器進(jìn)行數(shù)據(jù)預(yù)處理，由于各個(gè)傳感器的測(cè)量單位不同，數(shù)據(jù)特征之間的數(shù)值差距較大，為了方便輸入后續(xù)分類器，該文獻(xiàn)還利用了Z-Score標(biāo)準(zhǔn)化方法對(duì)濾波后的數(shù)據(jù)再次處理。處理后得到9組特征數(shù)據(jù)，分別是三軸加速度、三軸角速度和三軸線性加速度，將長(zhǎng)度為300的源數(shù)據(jù)每33組以平均值替代，處理得到的9×9的矩陣即為研究的特征向量，預(yù)備輸入BP卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。最終的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、卷積層1、池化層1、卷積層2、池化層2和全連接層。在模型訓(xùn)練過(guò)程中采用Adam優(yōu)化算法，在卷積和池化操作中引入Padding方法，并在全連接層之后使用損失函數(shù)衡量模型效果、定義優(yōu)化目標(biāo)。最終模型的跌倒判斷準(zhǔn)確率達(dá)到了99.2%，在特征向量不變的情況下，卷積神經(jīng)網(wǎng)絡(luò)分類器的效果優(yōu)于AdaBoost模型與隨機(jī)森林模型。

裴利然等人[11]采用兩級(jí)濾波進(jìn)行噪聲去除，第一級(jí)是窗口寬度為5的中值濾波，第二級(jí)是窗口寬度為7的均值濾波。預(yù)處理后得到的數(shù)據(jù)包括三軸加速度、繞Y軸的姿態(tài)角pitch和繞X軸的姿態(tài)角roll?；陂L(zhǎng)度為N的源數(shù)據(jù)，文獻(xiàn)設(shè)計(jì)提取了5個(gè)特征值：合加速度SVA、動(dòng)態(tài)合加速度SVD、Z軸方向的加速度分量BVA、窗口寬度為l的BVA、變化量K和窗口寬度為w的姿態(tài)角變化量M。將這五個(gè)特征值按序排列即為本方法的特征向量，預(yù)備輸入SVM分類器進(jìn)行分類。在確定RBF為SVM分類器的核函數(shù)后，再利用PSO算法以做出最優(yōu)參數(shù)選擇。經(jīng)實(shí)驗(yàn)，在跌倒與簡(jiǎn)單日常活動(dòng)之間，PSO-SVM算法獲得的最優(yōu)參數(shù)為C=0.62，g=37.4，此時(shí)分類準(zhǔn)確率達(dá)到100%；跌倒和類跌倒日?；顒?dòng)之間，PSO-SVM算法獲得的最優(yōu)參數(shù)為C=0.57，g=88.9，此時(shí)分類準(zhǔn)確率達(dá)到88.9%。

谷志瑜等人[12]采用三項(xiàng)均值濾波器進(jìn)行降噪處理，預(yù)處理后得到的數(shù)據(jù)包括三軸上加速度和角速度。研究中特征向量由三項(xiàng)內(nèi)容組合而成：自回歸模型系數(shù)a、信號(hào)幅度SMA和傾斜角度TA。自回歸模型是一種可用于預(yù)測(cè)的線性回歸模型，故而其模型系數(shù)可用于表示源數(shù)據(jù)各數(shù)據(jù)項(xiàng)的變化趨勢(shì)。自回歸模型的數(shù)學(xué)表達(dá)式為：

其中a(i)即為所利用的AR模型系數(shù)。一定長(zhǎng)度內(nèi)的數(shù)據(jù)信號(hào)幅度SMA可以良好地區(qū)別靜態(tài)活動(dòng)與動(dòng)態(tài)活動(dòng)。傾斜角度TA由一定時(shí)間窗內(nèi)的角速度值求積分得到。自回歸模型系數(shù)a共9項(xiàng)，信號(hào)幅度SMA共3項(xiàng)，傾斜角度TA共3項(xiàng)，順序排列即為15×1的特征向量，預(yù)備輸入BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)的輸出層包含兩個(gè)神經(jīng)元分別對(duì)應(yīng)跌倒與非跌倒的比值。實(shí)驗(yàn)證明該跌倒檢測(cè)研究的準(zhǔn)確率高達(dá)98.97%。

基于機(jī)器學(xué)習(xí)分類的跌倒檢測(cè)發(fā)展較為迅速，不同的研究人員基于機(jī)器學(xué)習(xí)算法設(shè)計(jì)了不同的研究，普遍取得了較高的準(zhǔn)確率。

3 研究思考

針對(duì)近年跌倒檢測(cè)領(lǐng)域的各類研究，本文綜合了較為流行的閾值分析法和機(jī)器學(xué)習(xí)分類法，并對(duì)二者的發(fā)展趨勢(shì)做出了科學(xué)合理的展望。

基于機(jī)器學(xué)習(xí)分類的跌倒檢測(cè)方法將會(huì)成為未來(lái)該領(lǐng)域的研究熱點(diǎn)。在跌倒檢測(cè)中，機(jī)器學(xué)習(xí)分類算法展現(xiàn)出了強(qiáng)大的靈敏度和準(zhǔn)確度，且對(duì)外界配置的依賴程度更小，更為靈活可變，研究人員易于在過(guò)往的算法上直接進(jìn)行改進(jìn)、優(yōu)化。而閾值分析法雖然原理簡(jiǎn)單、計(jì)算量小，但發(fā)展受限較大：該方向的研究都大多依賴于合加速度、合角速度與姿態(tài)角的直接組合，可以說(shuō)，傳感器的種類和安裝位置很大程度上已經(jīng)決定了該方向的檢測(cè)水平。而且在設(shè)定閾值時(shí)，要求科研人員有較高水平的人體運(yùn)動(dòng)學(xué)知識(shí)，對(duì)研究人員的研究門檻限制較大。未來(lái)使用機(jī)器學(xué)習(xí)分類法對(duì)跌倒檢測(cè)進(jìn)行研究時(shí)，應(yīng)在保障一定跌倒判斷準(zhǔn)確率的基礎(chǔ)上，更注重實(shí)時(shí)性和計(jì)算成本。

兩類跌倒檢測(cè)算法將會(huì)結(jié)合更多的實(shí)際應(yīng)用背景。首先目前跌倒檢測(cè)研究的數(shù)據(jù)多源于實(shí)驗(yàn)室，是傳感器正確佩戴、測(cè)試人員人為跌倒的結(jié)果，數(shù)據(jù)信息采集過(guò)程極為理想化，脫離實(shí)驗(yàn)室環(huán)境后難以落地部署。其次當(dāng)下研究人員鮮少考量到人體日?；顒?dòng)與跌倒之間較為模糊的狀態(tài)，例如快速蹲下和快速躺下，這類動(dòng)作既可能來(lái)源于人體正常日?；顒?dòng)，也可能來(lái)自于跌倒過(guò)程，但大部分研究都人為得將其直接歸類為“跌倒”或“未跌倒”。人體的運(yùn)動(dòng)行為是較為復(fù)雜和隨機(jī)的，只針對(duì)部分特征向量來(lái)實(shí)驗(yàn)，會(huì)導(dǎo)致出現(xiàn)大量漏報(bào)、誤報(bào)的情況。在現(xiàn)實(shí)生活中，漏報(bào)會(huì)給老人的生命安全帶來(lái)嚴(yán)重影響，而誤報(bào)則會(huì)產(chǎn)生不必要的人力、時(shí)間資源的浪費(fèi)。所以未來(lái)研究人員應(yīng)該注重算法在現(xiàn)實(shí)老年人跌倒場(chǎng)景下的泛化能力，可以在不同危急情況下得到準(zhǔn)確的結(jié)果。

4 結(jié)語(yǔ)

目前針對(duì)跌倒檢測(cè)的各類研究已經(jīng)取得許多成果，通過(guò)對(duì)該領(lǐng)域的文獻(xiàn)進(jìn)行整理，將其分為基于閾值分析法和基于機(jī)器學(xué)習(xí)分類的跌倒檢測(cè)算法。然而這兩類算法發(fā)展尚不成熟，無(wú)法直接在現(xiàn)實(shí)生活中部署。其中閾值分析法雖然計(jì)算量小、響應(yīng)快，但準(zhǔn)確率受到諸多外界因素的影響，難以突破。機(jī)器學(xué)習(xí)算法是未來(lái)的研究熱點(diǎn)，其準(zhǔn)確率高、靈活度大，但面臨算著魯棒性低、泛化能力較弱的問題，需要進(jìn)一步結(jié)合實(shí)際場(chǎng)景進(jìn)行改進(jìn)與優(yōu)化。意外跌倒對(duì)老年人生命健康帶來(lái)極為惡劣的影響，這兩類跌倒檢測(cè)算法在完善后會(huì)應(yīng)用于更復(fù)雜多變的實(shí)際生活中來(lái)保衛(wèi)老年人的身體安全。