老人跌倒檢測(cè)系統(tǒng)分析與研究

吳鵬

摘要：目前，老齡化問(wèn)題日益嚴(yán)重，跌倒問(wèn)題已經(jīng)成為老人生活中遇到的主要安全問(wèn)題，如果不能及時(shí)發(fā)現(xiàn)老人跌倒，可能會(huì)造成很嚴(yán)重的后果。針對(duì)老人的跌倒檢測(cè)已經(jīng)成為研究的焦點(diǎn)，研究者開發(fā)了很多的智能檢測(cè)系統(tǒng)。文章針對(duì)跌倒檢測(cè)系統(tǒng)進(jìn)行了分析和研究，首先分析了感知層數(shù)據(jù)的獲取方式，接著分析了數(shù)據(jù)處理層采用的智能檢測(cè)算法，以期為從事跌倒檢測(cè)的相關(guān)研究者提供一定的參考。

關(guān)鍵詞：跌倒檢測(cè)；感知層；檢測(cè)算法

中圖分類號(hào)：TP391.4? 文獻(xiàn)標(biāo)志碼：A

0 引言

隨著中國(guó)經(jīng)濟(jì)的快速發(fā)展，人口的出生率逐年下降，老齡化人口數(shù)量卻逐年增加，預(yù)計(jì)到2050年，中國(guó)老齡化人口數(shù)將達(dá)到總?cè)丝诘?4.9%，獨(dú)居老人居家養(yǎng)老的安全問(wèn)題成了子女和社會(huì)關(guān)注的問(wèn)題［1］。在常見的老人監(jiān)護(hù)中，最容易發(fā)生的一種情況就是意外跌倒。跌倒逐漸成了影響老人健康的主要原因，因此，針對(duì)老齡化群體，各種各樣的跌倒檢測(cè)系統(tǒng)逐漸成了國(guó)內(nèi)外研究的熱點(diǎn)。馬敬奇等［2］提出了基于優(yōu)化的AlphaPose優(yōu)化模型，可以在低成本的硬件平臺(tái)上運(yùn)行和快速檢測(cè)老人是否跌倒，實(shí)驗(yàn)結(jié)果表明，該算法在嵌入式平臺(tái)上檢測(cè)準(zhǔn)確率為91.3%，具備較高的參考價(jià)值。徐甲棟等［3］使用STM32作為主控制器，通過(guò)MEMS傳感器采集姿態(tài)數(shù)據(jù)，設(shè)計(jì)了一套可穿戴式的實(shí)時(shí)跌倒檢測(cè)系統(tǒng)，通過(guò)微信小程序可以看到老人的狀態(tài)和位置等，該系統(tǒng)檢測(cè)準(zhǔn)確率為97.75%。Giovanni Diraco等利用人體活動(dòng)時(shí)會(huì)和雷達(dá)產(chǎn)生一組多普勒頻移，設(shè)計(jì)了一套雷達(dá)感應(yīng)跌倒算法，根據(jù)人體的動(dòng)作特征來(lái)區(qū)分跌倒等行為。本文將針對(duì)常見的跌倒檢測(cè)系統(tǒng)，從感知層和數(shù)據(jù)處理層進(jìn)行分析與論述，為同行業(yè)的研究工作者提供一定的參考。

1 跌倒檢測(cè)系統(tǒng)概述

跌倒一般是指老人非主觀、突發(fā)地躺在地面上，身體發(fā)生了劇烈的姿態(tài)變換。常見的跌倒情況包括垂直跌倒、左右垂直跌倒、前膝著地、臀部著地等［4］。目前，跌倒檢測(cè)系統(tǒng)通過(guò)感知層獲取人體的相關(guān)信息，通過(guò)數(shù)據(jù)處理層對(duì)采集的傳感器數(shù)據(jù)進(jìn)行分析和處理，使用相關(guān)檢測(cè)算法分析跌倒行為是否發(fā)生，如果有老人發(fā)生了跌倒，則觸發(fā)報(bào)警等裝置。跌倒檢測(cè)系統(tǒng)的流程如圖1所示。

2 感知層

目前，跌倒檢測(cè)系統(tǒng)在感知層通過(guò)各種傳感器獲取人體相關(guān)的數(shù)據(jù)，根據(jù)傳感器的采集數(shù)據(jù)類型進(jìn)行分類，常見的有3種：穿戴式的慣性傳感器、智能監(jiān)控設(shè)備傳感器、基于場(chǎng)景的傳感器。

2.1 穿戴式慣性傳感器

近年來(lái)，MEMS傳感器工藝有了很大的提高，使得MEMS傳感器具備體積小、集成化程度高、成本低、效能高的特點(diǎn)。同時(shí)，MEMS傳感器還能把采集到的信號(hào)進(jìn)行分析和智能地處理和識(shí)別，在可穿戴式的設(shè)備上得到了廣泛的應(yīng)用?；诳纱┐魇降膽T性傳感器通常是把設(shè)備戴在人體的各個(gè)部位獲取人體的姿態(tài)，比如手腕、肩部、膝部等。常見的慣性傳感器有加速度計(jì)、陀螺儀等。加速度計(jì)能夠測(cè)量物體在x軸、y軸、z軸3個(gè)方向的加速度，當(dāng)?shù)剐袨榘l(fā)生時(shí)，加速度傳感器采集的數(shù)據(jù)會(huì)發(fā)生很大的突變，達(dá)到某種條件時(shí)，可以認(rèn)為是跌倒動(dòng)作。陀螺儀可以用來(lái)測(cè)量物體的角速度，常用來(lái)和加速度計(jì)一起配合使用，可以在撞擊到物體或者在失重狀態(tài)下，檢測(cè)人體的姿態(tài)數(shù)據(jù)，提取特征，進(jìn)一步判斷是否發(fā)生了跌倒。MEMS傳感器采集的數(shù)據(jù)的精度相對(duì)較低，不適合高精度的應(yīng)用，在適用的溫度范圍內(nèi)有較大的浮動(dòng)，如果不進(jìn)行溫度補(bǔ)償，采集的數(shù)據(jù)可能會(huì)有較大偏差。MEMS傳感器采集數(shù)據(jù)后，通常需要借助中值濾波、卡爾曼濾波等方法進(jìn)行數(shù)據(jù)預(yù)處理來(lái)消除噪聲干擾?？纱┐魇降膫鞲衅鳈z測(cè)系統(tǒng)需要戴在身上，用戶使用不夠方便，對(duì)老人使用不夠友好，并且需要經(jīng)常更換電池才能使系統(tǒng)正常工作。

2.2 智能監(jiān)控設(shè)備傳感器

智能監(jiān)控設(shè)備傳感器首先通過(guò)在家布置攝像頭采集老人生活的圖片或者視頻，檢測(cè)算法計(jì)算人體輪廓的曲率尺度空間特性，對(duì)圖像進(jìn)行行為特征提取，然后進(jìn)行人體行為地識(shí)別，從而判斷是否發(fā)生跌倒事件。攝像頭由于安裝方法簡(jiǎn)單，采集數(shù)據(jù)方便，目前，很多學(xué)者針對(duì)視覺(jué)類的跌倒算法進(jìn)行了研究。基于智能監(jiān)控設(shè)備的跌倒檢測(cè)算法已經(jīng)比較成熟，可以檢測(cè)多人跌倒的場(chǎng)景，具備較高的實(shí)時(shí)性和準(zhǔn)確性，但是圖像處理算法復(fù)雜度高，對(duì)處理器性能有一定的要求。智能監(jiān)控設(shè)備類的傳感器拍攝圖像通常會(huì)受到老人和家庭居住環(huán)境背景的影響，檢測(cè)的效果也會(huì)受到一定的影響。在視頻監(jiān)控過(guò)程中，由于攝像頭需要固定在一個(gè)地方，可能會(huì)拍到老人的個(gè)人隱私信息，且環(huán)境中可能存在一定死角，會(huì)導(dǎo)致無(wú)法拍到老人的情況。

2.3 基于場(chǎng)景的傳感器

場(chǎng)景傳感器通常被固定在老人常見的活動(dòng)區(qū)域，可以用來(lái)檢測(cè)分布在周圍的環(huán)境信息，比如震動(dòng)信息、壓力信息和聲音信息等。常見的場(chǎng)景傳感器有聲音傳感器、紅外熱釋電傳感器、力傳感器、雷達(dá)傳感器等。由于人體正常體溫在37℃左右，身體會(huì)發(fā)出約10 μm的特定波長(zhǎng)的紅外線，紅外熱釋電傳感器能夠檢測(cè)人發(fā)射的紅外線并轉(zhuǎn)換成電信號(hào)輸出。不同于主動(dòng)式的紅外傳感器，被動(dòng)的紅外式傳感器本身不發(fā)出任何類型的輻射信號(hào)，正常工作時(shí)，器件功耗比較低，隱蔽性強(qiáng)。但是，被動(dòng)的紅外式傳感器也比較容易受到其他光源的干擾，穿透性能力差。當(dāng)人正常走路和跌倒時(shí)，引起的地板震動(dòng)特征是有明顯差別的。壓電傳感器被部署在地板表面，跌倒檢測(cè)系統(tǒng)通過(guò)采集人體跌落時(shí)地板的震動(dòng)特征數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行處理分析，獲取信號(hào)的頻率、幅度等震動(dòng)特性，進(jìn)而判斷人體是否跌倒。聲音傳感器一般安裝在地面設(shè)備上，通過(guò)麥克風(fēng)線性陣列設(shè)備采集老人活動(dòng)區(qū)域的聲音，如果跌倒檢測(cè)系統(tǒng)通過(guò)聲音傳感器獲取的信號(hào)強(qiáng)度大于疑似跌倒的聲音信號(hào)，則認(rèn)為老人發(fā)生了跌倒。雷達(dá)傳感器一般不易受到溫度光照等環(huán)境因素的影響，可以部署在光照不是很好的環(huán)境和私密場(chǎng)所采集數(shù)據(jù)。目前，雷達(dá)傳感器價(jià)格比較低，對(duì)老人的隱私保護(hù)比較好，基于雷達(dá)的跌倒檢測(cè)系統(tǒng)得到了迅速發(fā)展?；趫?chǎng)景的傳感器的跌倒檢測(cè)系統(tǒng)是一種非入侵的方法，使用比較方便，檢測(cè)的范圍只能在固定的場(chǎng)所，如果環(huán)境比較復(fù)雜，會(huì)導(dǎo)致檢測(cè)精度降低。

3 數(shù)據(jù)處理層

跌倒檢測(cè)系統(tǒng)在感知層采集人體相關(guān)的各種數(shù)據(jù)后，在數(shù)據(jù)處理層使用檢測(cè)算法分析處理數(shù)據(jù)。檢測(cè)算法通過(guò)建立合適的算法模型訓(xùn)練提取的關(guān)鍵數(shù)據(jù)特征值，利用優(yōu)化好的模型識(shí)別是否發(fā)生了跌倒行為。常見的跌倒檢測(cè)算法有3類：基于閾值分析的檢測(cè)算法、基于機(jī)器學(xué)習(xí)的檢測(cè)算法、基于深度學(xué)習(xí)的檢測(cè)算法。

3.1 基于閾值分析的檢測(cè)算法

基于閾值分析的檢測(cè)算法是通過(guò)傳感器提取采集信號(hào)的特征值與設(shè)定的閾值進(jìn)行比較，在合理的閾值范圍內(nèi)，認(rèn)為老人是正常狀態(tài)；超出了某個(gè)閾值范圍，則認(rèn)為老人發(fā)生了跌倒。跌倒檢測(cè)系統(tǒng)采集數(shù)據(jù)常用的特征值有信號(hào)最大值、最小值、均值、標(biāo)準(zhǔn)差、方差等?；陂撝捣治龅臋z測(cè)算法處理速度快、計(jì)算量小，比較適合運(yùn)行在資源受限的嵌入式系統(tǒng)中。但是閾值的設(shè)定通常是人工經(jīng)過(guò)大量的實(shí)驗(yàn)測(cè)試得到的，當(dāng)環(huán)境發(fā)生變化時(shí)，會(huì)導(dǎo)致識(shí)別模型的精度和普遍適用性降低。

孫子文等［5］采用佩戴在腕表內(nèi)部的加速度傳感器獲取運(yùn)動(dòng)數(shù)據(jù)，提取了人體的合加速度和傾角作為分類特征，根據(jù)人體跌落過(guò)程中發(fā)生的失重、地面撞擊和平穩(wěn)過(guò)程，建立了基于閾值的跌倒檢測(cè)系統(tǒng)。檢測(cè)系統(tǒng)流程如下：首先通過(guò)檢測(cè)人體的加速度下降值和閾值比較，判斷人體是否處于失重狀態(tài)；然后根據(jù)人體撞擊地面0.4 s后合加速度達(dá)到的最大值和閾值比較，判斷人體是否撞擊地面；最后根據(jù)人體跌倒后會(huì)平穩(wěn)躺在地面這一特征，在人體撞擊地面2 s內(nèi)，測(cè)量人體合加速度和傾角的均值，與設(shè)定的閾值比較，判斷人體是否發(fā)生跌倒。羅文志等［6］設(shè)計(jì)了一個(gè)佩戴在腕部的檢測(cè)設(shè)備，結(jié)合加速度和角速度傳感器采集人體的姿態(tài)數(shù)據(jù)和閾值進(jìn)行比較，實(shí)現(xiàn)人體跌倒檢測(cè)并遠(yuǎn)程報(bào)警，準(zhǔn)確率達(dá)到95.8%。該跌倒檢測(cè)系統(tǒng)通過(guò)在UMAFALL數(shù)據(jù)集進(jìn)行測(cè)試，確定有效的特征數(shù)據(jù)和跌倒檢測(cè)的閾值大小，并使用MPU9250運(yùn)動(dòng)傳感器采集了老人不同活動(dòng)時(shí)產(chǎn)生的運(yùn)動(dòng)信息。跌倒檢測(cè)的判斷流程為：通過(guò)MPU9250獲得人體的三軸加速度和三軸角速度信號(hào)，計(jì)算對(duì)應(yīng)的合速度；如果合加速度的峰值超過(guò)設(shè)定的閾值，接著計(jì)算1 s內(nèi)的合角速度的均值；如果合角速度的均值小于設(shè)定的閾值，檢測(cè)系統(tǒng)通過(guò)Lora模塊給遠(yuǎn)程監(jiān)護(hù)人員發(fā)送老人跌倒報(bào)警信息。

3.2 基于機(jī)器學(xué)習(xí)的檢測(cè)算法

基于機(jī)器學(xué)習(xí)的檢測(cè)算法根據(jù)樣本數(shù)據(jù)的特征選擇合適的算法，具備強(qiáng)大的自我學(xué)習(xí)和分類能力，適合應(yīng)用于小樣本數(shù)據(jù)的場(chǎng)景，在跌倒檢測(cè)系統(tǒng)中得到了廣泛的應(yīng)用。機(jī)器學(xué)習(xí)算法的識(shí)別精度比較依賴手工提取特征，對(duì)復(fù)雜的場(chǎng)景識(shí)別效果欠佳。

裴利然等［7］為了降低慣性傳感器檢測(cè)的誤報(bào)率，提出了基于支持向量機(jī)的算法實(shí)現(xiàn)跌倒檢測(cè)，實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)的準(zhǔn)確率達(dá)97.67%。該檢測(cè)系統(tǒng)通過(guò)佩戴在腰間的MEMS傳感器以100 Hz速率采集人體的加速度和角速度數(shù)據(jù)，使用中值濾波和均值濾波減少隨機(jī)噪聲干擾，將采集的600組數(shù)據(jù)分成訓(xùn)練集和測(cè)試集，輸入支持向量機(jī)模型進(jìn)行訓(xùn)練和測(cè)試。該系統(tǒng)為了找到最優(yōu)的支持向量機(jī)參數(shù)以提高模型的識(shí)別精度，采用PSO算法對(duì)SVM模型進(jìn)行優(yōu)化，實(shí)驗(yàn)結(jié)果表明，該算法識(shí)別性能優(yōu)于傳統(tǒng)的閾值檢測(cè)法。華仙等［8］提出了一種基于加速度的多特征融合，利用主成分分析算法降維和使用KNN算法識(shí)別的跌倒檢測(cè)算法。該檢測(cè)系統(tǒng)通過(guò)繃帶將2個(gè)加速度傳感器固定在人體的胸部和后腰，采集13個(gè)跌倒動(dòng)作和11個(gè)日?；顒?dòng)等動(dòng)作的信息數(shù)據(jù)，通過(guò)主成分分析算法把162個(gè)維度特征數(shù)據(jù)減少到12個(gè)維度特征數(shù)據(jù)，利用改進(jìn)的KNN模型分類器對(duì)特征數(shù)據(jù)進(jìn)行訓(xùn)練和識(shí)別。

3.3 基于深度學(xué)習(xí)的檢測(cè)算法

近年來(lái)，深度學(xué)習(xí)在圖像處理識(shí)別方面發(fā)展迅速，很多學(xué)者對(duì)基于深度學(xué)習(xí)的跌倒檢測(cè)技術(shù)進(jìn)行了研究。有別于機(jī)器學(xué)習(xí)技術(shù)，深度學(xué)習(xí)技術(shù)可以自主選擇特征，不需要主動(dòng)輸入特征數(shù)據(jù)，具備強(qiáng)大的學(xué)習(xí)能力和較高的識(shí)別精度。深度學(xué)習(xí)技術(shù)需要進(jìn)行大量的數(shù)據(jù)運(yùn)算，需要依賴較高的硬件成本提供算力，隨著嵌入式設(shè)備的算力逐步提高，為深度學(xué)習(xí)算法部署在嵌入式設(shè)備提供了可能性。

付娜娜等［9］使用Yolov5算法檢測(cè)人體和輕量級(jí)的OpenPose網(wǎng)絡(luò)模型識(shí)別人體的骨骼關(guān)鍵點(diǎn)坐標(biāo)，通過(guò)每10幀畫面計(jì)算一次人體中心點(diǎn)縱坐標(biāo)的下降移動(dòng)速度，結(jié)合人體的寬高比來(lái)判斷人體是否發(fā)生跌倒。實(shí)驗(yàn)結(jié)果表明，跌倒行為的識(shí)別率為95.43%，檢測(cè)速度達(dá)到25fps。Yolov5模型包括Yolov5n，Yolov5s，Yolov5m，Yolov5l，Yolov5x這5種模型結(jié)構(gòu)，具備部署容易、檢測(cè)速速快的優(yōu)點(diǎn)，該系統(tǒng)經(jīng)過(guò)測(cè)試選擇了性能和檢測(cè)準(zhǔn)確率都比較高的Yolov5s模型。該系統(tǒng)為了提取更準(zhǔn)確的特征數(shù)據(jù)和輕量化的模型，使用移動(dòng)端輕量級(jí)的MobileNet網(wǎng)絡(luò)替換Yolov5s模型的CSPDarkNet53網(wǎng)絡(luò)。杜群貴等［10］在可穿戴的嵌入式端部署了輕量級(jí)的CNN模型來(lái)實(shí)時(shí)檢測(cè)跌倒行為，結(jié)果表明，該模型在Sisfall數(shù)據(jù)集上達(dá)到了97.5%的準(zhǔn)確率，在STM32單片機(jī)上算法延時(shí)8.24 ms，具有較高的預(yù)測(cè)精度和實(shí)時(shí)性。

4 結(jié)語(yǔ)

基于老人的跌倒檢測(cè)系統(tǒng)目前已經(jīng)得到了廣泛的應(yīng)用，但仍然存在一些不足之處?，F(xiàn)有傳感器采集的數(shù)據(jù)通常是年輕人在固定環(huán)境下通過(guò)模擬跌倒測(cè)試獲取的，樣本的數(shù)據(jù)有一定的局限性，當(dāng)設(shè)備處在新的環(huán)境時(shí)，檢測(cè)精度會(huì)出現(xiàn)一定的下降。單一的跌倒檢測(cè)算法有場(chǎng)景的局限性，無(wú)法滿足多場(chǎng)景下的跌倒行為檢測(cè)，融合多種檢測(cè)算法的優(yōu)點(diǎn)可以滿足復(fù)雜場(chǎng)景的檢測(cè)。因此，提供高精度和個(gè)性化的實(shí)時(shí)跌倒檢測(cè)是一個(gè)值得研究的方向。

本文從跌倒檢測(cè)系統(tǒng)的感知層和數(shù)據(jù)處理層，重點(diǎn)分析和討論了現(xiàn)有研究的內(nèi)容和進(jìn)展情況。在感知層方面，有基于場(chǎng)景、智能監(jiān)控設(shè)備和可穿戴式設(shè)備的傳感器；在數(shù)據(jù)處理層方面，有基于閾值、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的檢測(cè)算法?；谶@些研究成果，老人跌倒的問(wèn)題正在逐步得到解決，大大降低了老人的跌倒風(fēng)險(xiǎn)，為老人晚年生活提供了更好的保障。

參考文獻(xiàn)

［1］陳旻罡.基于多普勒雷達(dá)的跌倒檢測(cè)方法研究［D］.太原：太原理工大學(xué)，2018.

［2］馬敬奇，雷歡，陳敏翼.基于AlphaPose優(yōu)化模型的老人跌倒行為檢測(cè)算法［J］.計(jì)算機(jī)應(yīng)用，2022（1）：294-301.

［3］徐甲棟，陳強(qiáng)，徐一雄，等.基于MEMS傳感器的實(shí)時(shí)跌倒檢測(cè)系統(tǒng)設(shè)計(jì)［J］.傳感器與微系統(tǒng)，2022（7）：77-80.

［4］陳建國(guó)，王田，李玉榕.基于MEMS傳感器的可穿戴跌倒監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)［J］.福建電腦，2017（3）：21-23，82.

［5］孫子文，孫曉雯.基于加速度傳感器的人體跌倒檢測(cè)方法［J］.計(jì)算機(jī)工程與科學(xué)，2017（2）：330-335.

［6］羅文志，張自豪.基于LoRa的老人跌倒監(jiān)護(hù)系統(tǒng)設(shè)計(jì)［J］.電子設(shè)計(jì)工程，2022（18）：114-118.

［7］裴利然，姜萍萍，顏國(guó)正.基于支持向量機(jī)的跌倒檢測(cè)算法研究［J］.光學(xué)精密工程，2017（1）：182-187.

［8］華仙，席旭剛.基于人體加速度多特征融合和K近鄰算法的跌倒檢測(cè)［J］.中國(guó)康復(fù)理論與實(shí)踐，2018（7）：865-868.

［9］伏娜娜，劉大銘，程曉婷，等.基于輕量級(jí)OpenPose模型的跌倒檢測(cè)算法［J］.傳感器與微系統(tǒng)，2021（11）：5.

［10］杜群貴，鐘威.輕量級(jí)CNN實(shí)時(shí)跌倒預(yù)測(cè)及嵌入式系統(tǒng)實(shí)現(xiàn)［J］.電子測(cè)量技術(shù)，2022（11）：10-15.

（編輯 何 琳）

Analysis and research of fall detection system for the elderly

Wu? Peng

（Xinyang Agriculture and Forestry University， Xinyang 464000， China）

Abstract：? At present， the aging problem is becoming more and more serious. Falls have become the main safety problem for the elderly in their lives. If the elderly cannot be detected in time， it may cause very serious consequences. Fall detection for the elderly has become the focus of research， and researchers have developed many intelligent detection systems. This paper analyzes and studies the fall detection system. First， it analyzes the acquisition method of data in the perception layer， and then analyzes the intelligent detection algorithm used in the data processing layer， in order to provide some reference for researchers engaged in fall detection.

Key words： fall detection; perception layer; detection algorithm