王鐵雁
(廈門市美亞柏科信息股份有限公司,福建 廈門 361000)
跌倒是老年人常見傷害原因,嚴(yán)重影響健康安全和生活質(zhì)量。跌倒的危害不僅在于導(dǎo)致嚴(yán)重?fù)p傷,還在于跌倒時(shí)得不到及時(shí)救治,造成二次傷害[1]。因此,如何高效便捷地檢測跌倒事故是亟待解決的社會問題。
現(xiàn)有跌倒檢測方法主要包括基于圖像、基于環(huán)境感知及基于可穿戴設(shè)備的檢測方法[2-3]。圖像檢測法由視頻監(jiān)視器對人體進(jìn)行實(shí)時(shí)監(jiān)測,通過人體姿態(tài)特征屬性建模分析來檢測跌倒。該方法準(zhǔn)確率較高,但特征提取易受圖像噪聲、光線影響,算法魯棒性較差,且不能保證用戶隱私。環(huán)境感知檢測法通過安裝在人體活動(dòng)區(qū)域的壓力、震動(dòng)和聲音等傳感器進(jìn)行跌倒檢測,但該方法僅限于特定環(huán)境,裝置安裝復(fù)雜,資金投入大,難以普及[4]。可穿戴設(shè)備檢測法通過佩戴的傳感器采集人體運(yùn)動(dòng)信息進(jìn)行姿態(tài)分析,不受環(huán)境限制,精度也較高,對老年人限制最小[2]。其中,智能手機(jī)普及廣泛,價(jià)格適宜,便于攜帶,配置了可提供跌倒監(jiān)測數(shù)據(jù)的加速度計(jì)和陀螺儀等傳感器[3,5],是一款理想的可穿戴跌倒監(jiān)測設(shè)備。
數(shù)據(jù)處理方面,目前國內(nèi)外普遍采用機(jī)器學(xué)習(xí)算法進(jìn)行跌倒檢測建模,有較多研究成果[6],但基于智能手機(jī)的跌倒檢測方法研究還較少。國際上Usmani 等人比較了多種機(jī)器學(xué)習(xí)算法的跌倒檢測模型后指出,綜合傳感器類型、放置位置等多因素,支持向量機(jī)(Support Vector Machine,簡稱SVM)綜合性能較優(yōu),能達(dá)到很高準(zhǔn)確率[6]。國內(nèi)李美惠指出跌倒檢測是典型二分類問題(將跌倒和日常行為區(qū)分),SVM是解決該問題的有效算法[7]。SVM的基本思想是找出一個(gè)特定的劃分超平面,該平面在劃分?jǐn)?shù)據(jù)集時(shí)使幾何間隔盡量最大(圖1),具有較好識別效果和實(shí)用性。因此,本研究基于智能手機(jī)傳感器數(shù)據(jù)和SVM 進(jìn)行跌倒檢測方法開發(fā)和驗(yàn)證。
圖1 支持向量機(jī)原理圖
跌倒是人體在失控狀況下由直立向傾倒姿態(tài)的轉(zhuǎn)變過程。過程中人體最顯著的變化是速度的變化,可由加速度傳感器捕獲[5]。因此,本研究通過手機(jī)內(nèi)置三軸加速度計(jì)來采集數(shù)據(jù)。由于事先無法預(yù)知跌倒方向,因此采用三軸加速度的合加速度(A)作為指標(biāo),計(jì)算如下:
式中:ax,ay,az分別為X,Y,Z 軸方向加速度。
對典型跌倒過程分析(圖2),可發(fā)現(xiàn)不同類型跌倒在時(shí)間維度上有相同變化特征,可分為三個(gè)階段:
圖2 典型跌倒過程分析(以向后跌倒為例)
(1) 跌倒起始階段:人體傾斜,加速度急劇下降,形成一個(gè)低谷,人體處于失重階段。
(2) 跌倒碰地階段:人體開始接觸地面,支承力大于重力,合力加速度與速度方向相反,在極短時(shí)間內(nèi)速度減少為零,加速度劇增,速度為零時(shí)加速度最大,人體處于超重階段。
(3) 跌倒完成階段:由于人體具有彈性,且各部分非同時(shí)接觸地面,可能造成人體加速度快速且有起伏地減少,最后保持在參考基準(zhǔn)值(即重力加速度)。
對坐下、行走、慢跑、上樓、下樓及站起等日常行為分析可知:相對跌倒,坐下的加速度變化幅度較??;行走及慢跑的加速度變化類似多個(gè)跌倒過程疊加組合,但變化較短;上樓行為無加速度急劇減少階段,且接觸地面后波形劇烈減少;下樓動(dòng)作中接觸地面后加速度變化較??;站起動(dòng)作加速度變化與跌倒相反。因而,這些日?;顒?dòng)與跌倒能較好區(qū)分。
根據(jù)跌倒的三個(gè)典型階段,本研究選取下落時(shí)間、撞擊時(shí)間和加速度變化值作為特征指標(biāo),分別對應(yīng)跌倒三個(gè)階段的主要特征。下落時(shí)間指加速度顯著下降到加速度出現(xiàn)最小值的時(shí)間,是失重狀態(tài)結(jié)束的標(biāo)志。撞擊時(shí)間指人體下落接觸地面后,垂直向下的速度減少為零,加速度劇烈增加出現(xiàn)最大值的時(shí)間,標(biāo)志第一次撞擊地面的結(jié)束時(shí)刻。跌倒后,人體各部位不同時(shí)著地,會小幅度彈起和落下,直到靜止,這導(dǎo)致加速度出現(xiàn)快速起伏減少現(xiàn)象,加速度變化相對于行走和慢跑等活動(dòng)小很多。
本研究在線性SVM 基礎(chǔ)上引入拉格朗日函數(shù),考慮松弛變量,構(gòu)造SVM模型如下:
為解決數(shù)據(jù)非線性問題,在SVM中引入核函數(shù),將數(shù)據(jù)映射到高維特征空間,使之能線性分類。由于徑向基函數(shù)校準(zhǔn)過程快速,方便調(diào)節(jié),采用其作為核函數(shù),公式如下:
接下來使用Matlab 平臺編寫程序,采用最小序列優(yōu)化算法構(gòu)造判別函數(shù),如下:
本研究定義跌倒行為為正值(+1),非跌倒行為為負(fù)值(-1),分類界面為:
考慮到老年人身體不便及不同年齡群體跌倒行為具有相似特征,本研究招募了10 名大學(xué)生志愿者參與模擬實(shí)驗(yàn)收集數(shù)據(jù)。實(shí)驗(yàn)中,參與者均將測試手機(jī)(華為P9)置于右側(cè)褲袋,分別針對4 種跌倒(前后左右跌倒)和8 種日常行為(坐下、站起、上樓、下樓、彎腰、躺下、正常行走和慢跑)進(jìn)行模擬(圖3)。每種行為重復(fù)4 次,共收集了480 組數(shù)據(jù)(包括日常行為320組,跌倒行為160 組)。
圖3 實(shí)驗(yàn)數(shù)據(jù)收集示例
通過手機(jī)加速度計(jì)的時(shí)序數(shù)據(jù)提取特征值,進(jìn)行歸一化處理,消除不同特征量綱差異問題。隨機(jī)選擇80%數(shù)據(jù)作為訓(xùn)練集,剩余數(shù)據(jù)為測試集,并基于10折交叉驗(yàn)證法觀測模型泛化能力。采用準(zhǔn)確率、精準(zhǔn)率、特異性、靈敏度及混淆矩陣等參數(shù)評估模型性能。
結(jié)果(表1)表明,模型準(zhǔn)確率為94.8%,精確率為90.9%,靈敏度為93.8%,特異性為95.3%。模型測試集混淆矩陣如圖4 所示,可以看出跌倒檢測算法綜合性能較好。跌倒和日常行為檢測的精確率分別為90.9%和96.8%??偟膩碚f,本研究提出的跌倒檢測模型可較準(zhǔn)確地識別跌倒行為。
表1 模型測試集實(shí)驗(yàn)結(jié)果
圖4 跌倒檢測模型測試集混淆矩陣
利用智能手機(jī)實(shí)現(xiàn)跌倒檢測具有很大發(fā)展?jié)摿?。本研究結(jié)果表明智能手機(jī)內(nèi)置傳感器能支持有效的跌倒識別。在此基礎(chǔ)上還可進(jìn)一步集成手機(jī)及時(shí)通訊與定位功能,形成具備實(shí)時(shí)跌倒檢測和快速救助通信的跌倒檢測報(bào)警系統(tǒng)(圖5)。當(dāng)?shù)拱l(fā)生時(shí),及時(shí)報(bào)警,結(jié)合GPS 定位,實(shí)現(xiàn)快速救助。
圖5 智能手機(jī)跌倒檢測與報(bào)警系統(tǒng)
本研究提出了一種基于智能手機(jī)和機(jī)器學(xué)習(xí)的跌倒檢測模型,并基于實(shí)證數(shù)據(jù)對模型進(jìn)行了訓(xùn)練和驗(yàn)證。結(jié)果表明,該跌倒檢測模型準(zhǔn)確率較高,綜合性能較好,具有一定場景適用性,可向現(xiàn)實(shí)應(yīng)用進(jìn)行遷移。然而,本研究訓(xùn)練樣本不大,特征指標(biāo)也有限,未來研究可結(jié)合動(dòng)力學(xué)和位移等其他模態(tài)數(shù)據(jù),基于大樣本數(shù)據(jù)來提高跌倒檢測方法的有效性。