基于5G無(wú)線定位技術(shù)的老年人摔跌監(jiān)控研究和應(yīng)用

陳鳳蓮 盧旭文

廣東南方電信規(guī)劃咨詢?cè)O(shè)計(jì)院有限公司

0 引言

近年來(lái)，我國(guó)老年人口在總?cè)丝谥兴嫉谋壤粩嗌仙?，老齡化程度加深，老年人的健康和安全日益成為很多家庭贍養(yǎng)老人面臨的問(wèn)題。老年人視力下降，骨質(zhì)疏松，平衡協(xié)調(diào)能力較差，稍有不慎就會(huì)摔跌，摔跌后如無(wú)法及時(shí)得到救助就會(huì)造成嚴(yán)重后果。研究表明，每年有約30%~40%的65歲以上老人至少跌倒一次，老年人跌倒死亡率隨年齡的增大而上升。因此，實(shí)時(shí)掌握老年人的定位信息，并基于定位信息進(jìn)行防摔技術(shù)的研究和預(yù)測(cè)就顯得格外重要。

本研究基于5G無(wú)線定位信息分析研究老年人正?；顒?dòng)與摔跌的狀態(tài)和相關(guān)特征參數(shù)，及時(shí)回傳至云端并根據(jù)判斷結(jié)果及時(shí)發(fā)出告警和求助信息，同時(shí)根據(jù)相關(guān)特征參數(shù)進(jìn)一步預(yù)測(cè)老年人摔跌的概率和可能性，提升老年人生活的安全感，同時(shí)減少親人們的擔(dān)憂。

1 5G無(wú)線定位

1.1 5G無(wú)線定位原理

5G R16引入了新的定位參考信號(hào)（PRS），采用了多種定位技術(shù)來(lái)合力提升定位精度。同時(shí)，由于5G時(shí)代超密集網(wǎng)絡(luò)增加了參考點(diǎn)的數(shù)量和多樣性，Massive MIMO多波束可讓AoA估計(jì)更精確，更低的網(wǎng)絡(luò)時(shí)延可提升基于時(shí)間測(cè)量的精度，這些優(yōu)勢(shì)進(jìn)一步提升了5G定位能力。

無(wú)線定位是指通過(guò)無(wú)線信號(hào)的測(cè)量獲得目標(biāo)的位置信息。大多數(shù)定位過(guò)程是將信號(hào)測(cè)量轉(zhuǎn)換成距離或者角度信息，然后計(jì)算出位置信息。

根據(jù)3GPP 5G標(biāo)準(zhǔn)，5G定位常用的無(wú)線定位技術(shù)原理有以下幾種：（1）基于信號(hào)到達(dá)時(shí)間：到達(dá)時(shí)間TOA（Time of Arrival）、到達(dá)時(shí)間差TDOA（Time Difference of Arrival）；（2）基于信號(hào)角度：到達(dá)角度AOA（Angle of Arrival）、離開(kāi)角度AoD（Angle of Departure）；（3）基于信號(hào)多普勒頻移FDOA（Frequency Difference of Arrival）；（4）基于接收信號(hào)強(qiáng)度（Received Signal Strength，RSS）。

以上原理均需要首先對(duì)無(wú)線信號(hào)進(jìn)行測(cè)量，而這些測(cè)量信息均與無(wú)線信號(hào)的發(fā)射端和接收端的相對(duì)位置有關(guān)。通過(guò)測(cè)量獲取足夠多的發(fā)射端和接收端的位置信息，就可通過(guò)這些已知的無(wú)線測(cè)量信息計(jì)算出其他接收端和發(fā)射端的位置信息。

1.2 5G無(wú)線定位方法

由于發(fā)射機(jī)與基站間一般難以做到嚴(yán)格的時(shí)間同步，基于TDOA的位置估計(jì)可以通過(guò)計(jì)算信號(hào)到達(dá)2個(gè)基站的時(shí)間差進(jìn)行位置估計(jì)，經(jīng)過(guò)多方法驗(yàn)證采用TDOA定位方法。TDOA是指在假設(shè)不知道信號(hào)具體發(fā)射時(shí)間的情況下，只需要在發(fā)射端同步發(fā)射多個(gè)信號(hào)至基站接收端，接收端就可以估算出距離發(fā)射端的距離差。該方法至少需要利用3個(gè)監(jiān)測(cè)站，通過(guò)測(cè)量信號(hào)到達(dá)任意2個(gè)基站的時(shí)間差，構(gòu)造以基站為焦點(diǎn)，以距離差為長(zhǎng)軸的雙曲線，雙曲線的交點(diǎn)即為發(fā)射機(jī)所在的位置。TDOA的方法雖然不需要發(fā)射機(jī)與基站間的同步，但是多個(gè)基站之間仍需要有較好的時(shí)間同步機(jī)制，目前的5G網(wǎng)絡(luò)超高精度的時(shí)間同步（±10 ns級(jí)）可以滿足要求。

在TDOA定位中，設(shè)（a，b）是待測(cè)量位置的坐標(biāo)，第i個(gè)基站（BS）的已知坐標(biāo)為（ai，bi），則第i個(gè)基站（BS）（i=1，2，…，N）到待測(cè)量位置（a，b）的距離為：

令lij表示BSi、BSj（i≠j）與待測(cè)量位置（a，b）之間的距離差，則：

由式（1）、（2）可以得到：

通過(guò)測(cè)量l21、l31、l32三組距離差，由上式求解方程組可以得到待測(cè)目標(biāo)位置的坐標(biāo)（a，b），如圖1所示。三組雙曲線的交點(diǎn)即為待測(cè)量位置的坐標(biāo)（a，b）。

圖1 雙曲線定位示意圖

定位需要配備一款穿戴的設(shè)備，經(jīng)過(guò)多種方式的研究和對(duì)比，采用以舒適性和安全性較高的手環(huán)為主，并內(nèi)置5G卡。利用5G無(wú)線定位的原理，5G網(wǎng)絡(luò)定期采集老年人的位置信息，并回傳至5G基站和云端。

在老人居家獨(dú)處或出門(mén)上街等過(guò)程中，親人通過(guò)老人身上佩戴的手環(huán)，即可準(zhǔn)確地獲取老人的位置信息，在老人摔倒或即將摔倒時(shí)就能非常及時(shí)準(zhǔn)確地對(duì)老人實(shí)施救助。5G無(wú)線定位在摔跌事件監(jiān)測(cè)和預(yù)測(cè)中的應(yīng)用，將大大提高獲取老人位置信息的準(zhǔn)確率，減少盲目尋找老人具體位置而消耗的無(wú)用功，縮短實(shí)施救助的時(shí)間。

2 特征參數(shù)監(jiān)測(cè)

老人在摔跌過(guò)程中會(huì)呈現(xiàn)出很多特征，因此對(duì)這些特征參數(shù)進(jìn)行提取和監(jiān)測(cè)將是判斷和檢測(cè)摔跌事件發(fā)生的關(guān)鍵。但是如果僅用一個(gè)特征參數(shù)來(lái)判斷摔跌事件，則會(huì)有比較高的誤判率，因此必須從多維角度來(lái)監(jiān)測(cè)摔跌的特征參數(shù)，這樣才能更逼近實(shí)際情況。本研究從以下幾個(gè)方面對(duì)摔跌過(guò)程進(jìn)行監(jiān)測(cè)。

（1）監(jiān)測(cè)項(xiàng)目：手環(huán)距離地面的高度差

手環(huán)內(nèi)置有5G卡，通過(guò)內(nèi)置的氣壓計(jì)定時(shí)測(cè)量氣壓數(shù)據(jù)，并從云端服務(wù)器獲取數(shù)據(jù)支持，進(jìn)而可以得到當(dāng)?shù)氐膶?shí)時(shí)海拔氣壓換算方式，進(jìn)而計(jì)算出具體位置的海拔高度，進(jìn)一步計(jì)算出前后2次提取數(shù)據(jù)的高度差。摔跌前后手環(huán)（A點(diǎn)）距離地面高度圖2和圖3所示。

圖2 摔跌前手環(huán)距離地面高度示意圖

圖3 摔跌后手環(huán)距離地面高度示意圖

監(jiān)測(cè)頻率：采樣頻率與手環(huán)的耗電量息息相關(guān)，采樣頻率高，則手環(huán)耗電量大，采樣頻率低，則手環(huán)耗電量小。考慮到此參數(shù)非常重要，設(shè)定此參數(shù)的重要級(jí)別為一級(jí)，因此設(shè)定此參數(shù)的采樣頻率為密集。設(shè)定每5S提取一次手環(huán)的海拔數(shù)據(jù)，并與前一次提取的海拔數(shù)據(jù)做對(duì)比計(jì)算出高度差。

（2）監(jiān)測(cè)項(xiàng)目：手環(huán)的運(yùn)動(dòng)加速度

人體摔跌過(guò)程相對(duì)于日?；顒?dòng)會(huì)有一個(gè)比較大的加速度。手環(huán)定時(shí)上報(bào)運(yùn)動(dòng)加速度。

監(jiān)測(cè)頻率：考慮到此參數(shù)非常重要，設(shè)定此參數(shù)的重要級(jí)別為一級(jí)，因此設(shè)定此參數(shù)的采樣頻率為較密集。設(shè)定手環(huán)每5S提取一次運(yùn)動(dòng)加速度數(shù)據(jù)。

（3）監(jiān)測(cè)項(xiàng)目：手環(huán)的運(yùn)動(dòng)速度

人體的摔跌過(guò)程相對(duì)于日?；顒?dòng)會(huì)有比較快的速度，手環(huán)定時(shí)上報(bào)運(yùn)動(dòng)速度。

監(jiān)測(cè)頻率：考慮到此參數(shù)比較重要，設(shè)定此參數(shù)的重要級(jí)別為二級(jí)，因此設(shè)定此參數(shù)的采樣頻率為較密集。設(shè)定手環(huán)每10S提取一次運(yùn)動(dòng)速度數(shù)據(jù)。

（4）監(jiān)測(cè)項(xiàng)目：手環(huán)受到的壓力值

人體在摔跌后與地面碰撞，會(huì)產(chǎn)生比較大的壓力。手環(huán)定時(shí)上報(bào)所受到的壓力值。

監(jiān)測(cè)頻率：考慮到此參數(shù)比較重要，設(shè)定此參數(shù)的重要級(jí)別為二級(jí)，因此設(shè)定此參數(shù)的采樣頻率為較密集。設(shè)定手環(huán)每10S提取一次所受到的壓力值數(shù)據(jù)。

3 摔跌事件檢測(cè)及預(yù)測(cè)

摔跌過(guò)程中手環(huán)距離地面的高度差、運(yùn)動(dòng)加速度、運(yùn)動(dòng)速度、受到的壓力值，這些特征參數(shù)對(duì)摔跌事件的檢測(cè)及預(yù)測(cè)起著非常重要的作用。在對(duì)上述4個(gè)特征參數(shù)的監(jiān)測(cè)過(guò)程中，會(huì)得到一系列的采樣實(shí)際值。經(jīng)過(guò)對(duì)多種算法的研究和比較，采用梯度提升決策樹(shù)（Gradient Boosting Decision Tree，GBDT）算法對(duì)監(jiān)測(cè)獲取的海量數(shù)據(jù)進(jìn)行深度數(shù)據(jù)分析。GBDT屬于集成算法的一種，基分類器是回歸樹(shù)，是一種boosting算法，即逐步擬合逼近真實(shí)值，是一個(gè)串行的算法。

梯度提升算法的回歸樹(shù)基本模型，如下所示：

輸入：訓(xùn)練數(shù)據(jù)集T={（x1，y1），（x2，y2），…，（xN，yN）}，損失函數(shù)為L(zhǎng)（y，f（x））。

輸出：回歸樹(shù)F（x）。

第一步：建立初始化弱學(xué)習(xí)器，估計(jì)使損失函數(shù)極小化的常數(shù)值，它是只有一個(gè)根節(jié)點(diǎn)的樹(shù)，一般平方損失函數(shù)為節(jié)點(diǎn)的均值，而絕對(duì)損失函數(shù)為節(jié)點(diǎn)樣本的中位數(shù)。

第二步：對(duì)m=1，2，……，M（M表示迭代次數(shù)，即生成的弱學(xué)習(xí)器個(gè)數(shù)）。

（1）對(duì)每個(gè)樣本i=1，2，……，N，計(jì)算損失函數(shù)的負(fù)梯度在當(dāng)前模型的值，將它作為殘差的估計(jì)。對(duì)于平方損失函數(shù)，它就是通常所說(shuō)的殘差；而對(duì)于一般損失函數(shù)，它就是殘差的近似值（偽殘差）。

（2）將上步得到的殘差作為樣本新的真實(shí)值，并將數(shù)據(jù)（xi，rmi），i=1，2，……，N作為下棵樹(shù)的訓(xùn)練數(shù)據(jù)，對(duì){（x1，rm1），…，（xN，rmN）}擬合一個(gè)回歸樹(shù)，得到一顆新的回歸樹(shù)fm（x）對(duì)應(yīng)的葉子節(jié)點(diǎn)區(qū)域Rmj，j=1，2，……，J，其中J為每棵回歸樹(shù)的葉子節(jié)點(diǎn)個(gè)數(shù)。

（3）對(duì)葉子區(qū)域j=1，2，……，J，利用線性搜索，估計(jì)葉子節(jié)點(diǎn)區(qū)域的值，使損失函數(shù)最小化，計(jì)算最佳擬合值。根據(jù)輸入x和上一輪殘差rmi計(jì)算得到（xi，rmi），擬合回歸樹(shù)得到cmj，其中fm-1（x）的是上一代（m-1代）的學(xué)習(xí)器，在此輪決策樹(shù)種加入?yún)?shù)c，擬合上一輪殘差rmi，并使得擬合時(shí)誤差最小的情況下得到輸出cmj。

（4）更新強(qiáng)學(xué)習(xí)器：

第三步：得到最終的回歸樹(shù)，即最終學(xué)習(xí)器：

算法輸入包括摔跌過(guò)程4個(gè)特征參數(shù)的采樣實(shí)際值。

第一階段：建立摔跌過(guò)程的梯度提升算法的回歸樹(shù)基本算法模型，在每次迭代中擬合殘差來(lái)學(xué)習(xí)一個(gè)弱學(xué)習(xí)器，然后不斷擬合、更新，得到最終學(xué)習(xí)器，從而對(duì)摔跌過(guò)程進(jìn)行檢測(cè)，檢測(cè)到摔跌事件時(shí)，手環(huán)立即發(fā)出告警和求助信號(hào)。

4 實(shí)施進(jìn)展及成果

本方案已在第一階段展開(kāi)一定規(guī)模的試驗(yàn)，試驗(yàn)階段收集參數(shù)及判斷的結(jié)果主要用于算法的迭代升級(jí)，試驗(yàn)對(duì)象主要為輪滑運(yùn)動(dòng)的初學(xué)者，通過(guò)近5個(gè)月超百名案例的跟蹤，從正常α、棄真β、存?zhèn)桅玫热?xiàng)結(jié)果判斷算法的準(zhǔn)確率。

（1）正常α定義為樣本實(shí)際發(fā)生了摔跌異常行為，算法演算同時(shí)提示發(fā)生摔跌異常行為；（2）棄真β定義為樣本實(shí)際發(fā)生了摔跌異常行為，但算法未演算出相應(yīng)的結(jié)果；（3）存?zhèn)桅枚x為算法演算提示發(fā)生摔跌異常行為，但樣本實(shí)際處于正常狀態(tài)。

近3個(gè)月試驗(yàn)結(jié)果如表1所示。

表1 近3個(gè)月試驗(yàn)結(jié)果統(tǒng)計(jì)表

近3個(gè)月試驗(yàn)結(jié)果各項(xiàng)占比如圖4所示。

圖4 5G核心網(wǎng)采集結(jié)構(gòu)圖

圖4 近3個(gè)月試驗(yàn)結(jié)果占比圖

從上述試驗(yàn)結(jié)果可以看出準(zhǔn)確率在不斷提升，但仍在比較低的水平，且提升的幅度在減??；存?zhèn)温视幸欢ㄏ陆?，但下降幅度較小。經(jīng)分析，受參數(shù)值的準(zhǔn)確性影響比較大，該準(zhǔn)確性受硬件精度、成本所限，同時(shí)算法還需要更多場(chǎng)景進(jìn)行迭代優(yōu)化。第一階段試驗(yàn)主要結(jié)合了輪滑的特殊場(chǎng)景，與老人生活的場(chǎng)景有一定區(qū)別，下一步將在室內(nèi)開(kāi)展5G+WIFI結(jié)合的場(chǎng)景試驗(yàn)，同時(shí)為第二階段DRL做準(zhǔn)備。

通過(guò)第一階段的研究和試驗(yàn)，證明了該技術(shù)切實(shí)可行，項(xiàng)目如果實(shí)施后將對(duì)防止老年人摔跌起到非常積極的作用，有助于全社會(huì)關(guān)愛(ài)老年人、幫助老年人，極大提升老年人晚年生活的安全指數(shù)和幸福指數(shù)。

5 結(jié)束語(yǔ)

本方案應(yīng)用5G無(wú)線定位手段和GBDT算法，并開(kāi)展了一定規(guī)模的試驗(yàn)，在一定程度上證明了方法的合理性，但從試驗(yàn)結(jié)果可以看出離實(shí)際規(guī)模應(yīng)用仍有較大的距離。

第二階段將爭(zhēng)取更廣泛的合作，在控制成本的基礎(chǔ)上，開(kāi)展更深入的探索和實(shí)踐，具體工作思路、方法和目標(biāo)如下：深度強(qiáng)化學(xué)習(xí)（DRL：Deep Reinforcement Learning），利用人工智能（AI：Artificial Intelligence）算力進(jìn)行模擬、模糊運(yùn)算，不斷修正學(xué)習(xí)器。回歸樹(shù)葉子節(jié)點(diǎn)得分就是均值，然后每棵樹(shù)每個(gè)樣本都有一個(gè)得分，得分累加就是最后的預(yù)測(cè)值，這樣就可以對(duì)摔跌事件的發(fā)生進(jìn)行預(yù)測(cè)，檢測(cè)到異常事件就能通過(guò)手環(huán)提前發(fā)出預(yù)警信號(hào)，提示關(guān)注身體狀態(tài)，從而有利于減少老年人摔跌事件的發(fā)生。