CN103337132B - 基于三轴加速度传感器的人体跌倒检测方法 - Google Patents

Abstract

本发明公开了一种基于三轴加速度传感器的人体跌倒检测方法，通过三轴加速度传感器获取人体三维加速度信号，本发明基于三轴加速度传感器获取的人体三个方向上的加速度信号，采用SVM和SMA两个特征量，检测人体跌倒。具体步骤如下：1）人体加速度数据的获取；2）数据预处理；3）SVM值计算；4）SVM小波分析；5）SVM检测，倘若连续若干个采样点SVM≥阈值th1，初步判定为人体跌倒，进入步骤6）；否则，继续步骤5）；6）计算SMA值，倘若SMA≥阈值th2，进入步骤7）；否则，判定为疑似跌倒，返回步骤5）；7）倘若连续若干个采样点SMA≥阈值th2，最终判定为跌倒发生，报警；否则，判定为疑似跌倒，返回步骤5）。

Description

基于三轴加速度传感器的人体跌倒检测方法

技术领域

本发明涉及一种人体跌倒检测方法，具体涉及一种基于三轴加速度传感器的人体跌倒检测方法。属于生物医学信号处理技术领域。

背景技术

跌倒是指人体无法及时作出反应的情况下，突发、不自主的、非故意的体位改变，倒在地上或更低的平面上。大多数人都经历过不同程度的跌倒，但对于老年人来说，跌倒造成的伤害比对年轻人或身体较健康的人可怕的多。

中国社会人口老龄化趋势的日渐严重，老龄化进程逐步加快。2010年第六次人口普查显示，60岁及以上人口为177648705人（1.77亿），占全国总人口的13.26%，比2000年人口普查上升2.93个百分点，其中65岁及以上人口为118831709人（1.18亿），占8.87%，比2000年上升1.91个百分点。预计到2040年，我国老年人口将达3.5～4.5亿。老年人口的剧增、老龄化社会结构以及老年人的医疗保健问题已成为当前社会突出的问题。

跌倒是对老年人健康乃至生命的严重威胁，由跌倒导致的健康问题给社会带来沉重的负担。据统计，在老年人群中，有超过1/3的65岁以上老年人，每年都有跌倒经历，近1/4的老年人在跌倒发生后一年内死亡，2/3老年人意外死亡都是由跌倒引起的，70岁以上老年人，而在75岁以上老人中这个比例更是高达70%，尤其是女性，其跌落死亡率最高。因此通过对人体跌倒行为进行准确识别和及时预警，最大程度的提高老年人的健康水平，节省社会医疗保险开销，具有重要意义。

国外对跌倒监测的研究和关注起步较早，方式方法相对多，按照跌倒后被监测者的反应方式分为主动报警式（被检测者）和自动报警式（监测系统）。

主动报警式适用于被检测者在跌倒后意识清醒，能够主动报警，通过按动按钮向外界求救，优点是准确、快捷，缺点是在被检测者失去意识时无法起作用，甚至有些老年人在意识清醒时，也无法做出反应。

自动报警式能够在跌倒发生时自动向外界发送报警，使用范围要广泛的多，因而成为跌倒监测系统的发展方向。目前自动报警式方法主要有三种：

（1）基于视频分析：需要在每个监测区安装视频设备，成本高且效果不理想；

（2）声响或振动分析：该方法通过频率分析检测跌倒，但是各种各样的地面是一个棘手的问题；

（3）智能检测系统：设定人体发生跌倒后一个必然结果就是，在跌倒发生后的一段时间内，被检测者没有运动，缺点是实时性差，需要的时间较长。

早期的跌倒判定方法比较简单，其结果也受较大的限制。如，手杖中的水银开关，该检测方法默认，当人体发生跌倒时，手杖同时躺倒且呈水平状态。此时水银开关导通，发出报警。显然这种跌倒检测方法太过简单，结果也不是很理想，之后逐渐出现了以加速度信号为检测对象的检测系统，如分别放置在人体躯干和大腿前侧的单一方向的加速度传感器，但由于单一方向加速度传感器的限制，此种方法只能检测几个典型的活动姿势变化过程。

发明内容

本发明的目的是为克服上述现有技术的不足，提供一种基于三轴加速度传感器的人体跌倒检测方法，通过三轴加速度传感器获取人体三维加速度信号，本发明基于三轴加速度传感器获取的人体三个方向上的加速度信号，采用SVM和SMA两个特征量，检测人体跌倒。

为实现上述目的，本发明采用下述技术方案：

基于三轴加速度传感器的人体跌倒检测方法，具体步骤如下：

1）人体加速度数据的获取；

2）数据预处理；

3）SVM值计算；

4）SVM小波分析；

5）SVM检测，倘若连续若干个采样点SVM≥阈值th1，初步判定为人体跌倒，进入步骤6）；否则，继续步骤5）；

6）计算SMA值，倘若SMA≥阈值th2，进入步骤7）；否则，判定为疑似跌倒，返回步骤5）；

7）倘若连续若干个采样点SMA≥阈值th2，最终判定为跌倒发生，报警；否则，判定为疑似跌倒，返回步骤5）。

所述步骤1）的具体方法是：

将人体通过佩戴三轴加速度传感器测得的人体加速度值视为一个三维矢量，构建空间直角坐标系X、Y、Z三个轴来表示其方向，令X轴表示人体竖直方向，Y轴表示前后方向，Z轴表示左右方向。

所述三轴加速度传感器佩戴于人体前胸左侧心脏部位。这是因为，跌倒检测系统的佩带位置，很大程度上影响到测量的加速度数据，大腿、腰部、前胸等都是可以使用的位置，但是考虑到与监护心电导联一起使用，故选择佩戴位置为人体前胸左侧心脏部位，佩戴位置较高，跌倒发生时加速度量值变化明显，更清晰的反映人体躯干的姿态变化，更准确的判断跌倒。

所述三轴加速度传感器的采样频率为200Hz，量程设定为±4g。采样频率高，能更丰富的提供人体运动的细节信息；研究表明，人体步行时头部加速度信号幅值范围在0.8g～4g，鉴于人体运动的特点，三轴加速度传感器MMA7260QT量程选择±4g。

所述步骤2）主要包括噪声的去除，分为中值滤波和低通滤波两部分。

因为加速度传感器输出信号中掺杂了大量脉冲噪声，采用非线性信号处理技术的中值滤波器予以滤除。中值滤波器是用一个给定长度的窗依次滑过原始信号序列，将窗内的样本值用该窗所包含信号序列的中值代替。经实验测定，设定样本值n=3时效果比较好。

当人体处于静止状态时，由于重力加速度作用，X轴幅值约为1g，方向沿X轴正方向；当人体发生跌倒时，X轴方向上的加速度信号，包含重力加速度和运动加速度信号两部分，采用低通滤波能快速准确的从原始的加速度信号中滤出运动加速度信号。

所述步骤3）中，SVM值计算是指，在获取人体运动加速度信号的基础上，计算实时SVM值，SVM值越大，表明人体运动越剧烈；人体加速度向量幅值SVM（signal magnitudevector），其定义式为：其中A_x、A_y、A_z分别为X、Y、Z三轴运动加速度幅值，并经过中值滤波后的信号，单位为g。

所述步骤4）中，SVM小波分析是指，采用bior3.3小波对SVM信号进行6层小波分解，提取各层细节进行重建。小波分析是一种时频局部化分析方法，具有多分辨率分析（Multiresolution Analysis）特点，在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，具有对信号的自适应性。SVM含有较多的脉冲噪声，对检测跌倒产生干扰，经小波分析后除噪效果明显。

所述步骤5）中，采样频率为200Hz，那么连续12个采样点SVM≥阈值th1，进入步骤6）；否则，继续步骤5）；理由如下：

对于大部分老年人，人体发生跌倒时，SVM明显增大，峰值往往会超过0.9g；对于某些老年人，日常活动（如快速行走）和跌倒时SVM均会超过0.9g，这就造成了误判。通过实验证明，老年人日常活动时，SVM值大于0.9g的持续时间较短，而发生跌倒时，SVM值超过0.9g的持续时间一般在60ms左右。倘若设定采样频率为200Hz，将连续12个采样点的SVM值都大于等于0.9g，作为第一级算法的判断跌倒发生的依据。

所述步骤7）的具体方法是：计算SMA值，SMA值越大，人体运动状态越剧烈；人体加速度向量区域值SMA（Signal Magnitude Area），其定义式为： $\mathrm{SMA}=\frac{1}{\mathrm{\Δt}}\left({\∫}_{t_1}^{t_2}\right|A_x\left(t\right)|\mathrm{dt}+{\∫}_{t_1}^{t_2}|A_y\left(t\right)|\mathrm{dt}+{\∫}_{t_1}^{t_2}|A_z\left(t\right)\left|\mathrm{dt}\right),$ 其中A_x、A_y、A_z分别为X、Y、Z三轴运动加速度的幅值，并经过中值滤波和高通滤波后的信号，单位为g，t为时间。

所述步骤7）中，采样频率为200Hz，那么连续12个采样点SMA≥阈值th2，判定为跌倒发生，报警；否则，判定为疑似跌倒；理由如下：

老年人在日常活动时，人体运动状态变化相对缓慢，SMA变化不明显；而跌倒发生时，人体运动状态发生剧烈变化，SMA明显增大，60ms内，SMA的均值均不小于0.008g。在第一级算法基础上，计算各个跌倒发生时的SMA值，当连续12个点SMA均值≥0.008g时，判定人体发生跌倒，报警，反之，判断为疑似跌倒，返回步骤（5）。

本发明的有益效果：

本发明通过随身佩戴三轴加速度传感器能够即时检测出跌倒，发出报警或者求救信号。成本更低，更易于集成到其他便携医疗监护设备中，并且具有较高的准确性和可靠性。

本发明利用SVM将人体X、Y、Z三个方向的加速度变化集合为一矢量——即无论朝哪个方向跌倒，SVM都会发生剧烈变化。SVM表征人体运动的剧烈程度，其值越大表明人体运动越剧烈。SMA同样避免了以单一轴上的加速度值变化作为判定跌倒发生的依据，通过计算X、Y、Z三个方向上加速度变化的时间平均值，表征人体运动状态变化的剧烈程度，其值越大表明人体运动状态越剧烈。

本发明还可利用matlab仿真工具，以及人体跌倒检测系统获取的数据库，进行验证，能及时的检测出人体跌倒，具有较高的准确率和较低的误判率，实现简单，适合实时处理。

附图说明

图1为人体加速度信号坐标系；

图2为小波分析前后SVM值的对比图；

图3为SVM跌倒检测图；

图4为SMA跌倒检测图；

图5为跌倒检测结果图；

图6为人体跌倒检测算法流程图。

具体实施方式

下面结合附图和实施例对本发明进行进一步的阐述，应该说明的是，下述说明仅是为了解释本发明，并不对其内容进行限定。

实施例1：

本发明根据便携式心电监护系统的统一要求，通过人体佩戴，获取人体运动加速度信号基础上，进行跌倒实时检测。

1）人体加速度数据的获取：

11）选取实验者：由于跌倒对老年人身体健康的具有危险性，所以本发明选取年轻人模拟老年人跌倒。实验者为一男性志愿者，27周岁，身高185cm，体重75kg，身体健康。

12）系统佩戴位置为人体胸部左侧心脏部位，要求三轴加速度传感器的方向满足：X轴表示人体竖直方向，Y轴表示前后方向，Z轴表示左右方向，这样获取的信号可以看作空间直角坐标系中一个三维矢量（图1）；获取人体加速度信号的采样频率为200Hz，三轴加速度传感器MMA7260的量程选择为-4g～+4g，灵敏度为200mv/g。

13）要求被试者分别完成平地走、上下楼、坐下起立等各种模式的跌倒，要求各个汇总模式至少3次，通过佩戴的加速度传感器系统获取人体加速度数据，实验时整个系统通过一块3.7V的锂电池供电，实验结束后，数据传输到PC存储，并用matlab分析处理。

2）数据预处理：

21）中值滤波（n=3）：由实验测得，三轴加速度传感器输出信号中掺杂了大量脉冲噪声，实际应用中应予以剔除。传统的方法是采用中值滤波，用一个给定长度的窗口一次滑过原始信号，将窗口内居中的样本值用该窗所包含信号序列的中值替代。

22）低通滤波：目的是从原始加速度信号中滤出人体运动加速度信号。当人体处于静止状态时，由于重力加速度作用，X轴幅值约为1g，方向沿X轴正方向。当人体发生跌倒时，X轴方向上的加速度信号，包含重力加速度和运动加速度信号两部分，采用低通滤波能快速准确的从原始的加速度信号中滤出运动加速度信号。

3）加速度向量幅值SVM的计算

人体加速度向量幅值SVM（signal magnitude vector），其定义式为：其中A_x、A_y、A_z分别为X、Y、Z三轴运动加速度幅值，并经过中值滤波后的信号，单位为g。由于无法预测人体跌倒的方向，即发生跌倒时加速度变化最剧烈的空间方向，所以不宜用单一轴的加速度数据去判断跌倒发生。SVM将人体X、Y、Z三个方向的加速度变化集合为一矢量——即无论朝哪个方向跌倒，SVM都会发生剧烈变化。

4）SVM小波分析：

小波分析是一种时频局部化分析方法，具有多分辨率分析（Multiresolution Analysis）特点，在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，具有对信号的自适应性。SVM含有较多的脉冲噪声，对检测跌倒产生干扰，如图2所示，采用bior3.3小波对SVM信号进行6层小波分解，提取各层细节进行重建，除噪效果明显。

5）SVM检测，对于大部分老年人，人体发生跌倒时，SVM明显增大，峰值往往会超过0.9g；对于某些老年人，日常活动（如快速行走）和跌倒时SVM均会超过0.9g，这就造成了误判。通过实验证明，老年人日常活动时，SVM值大于0.9g的持续时间较短，而发生跌倒时，SVM值超过0.9g的持续时间一般在60ms左右。本系统设定采样频率为200HZ，将连续12个采样点的SVM值都大于等于0.9g，作为第一级算法的判断跌倒发生的依据。如图3所示，当连续12个采样点的SVM值都大于等于0.9g时，初步判定为人体跌倒，进入步骤6）；否则，继续步骤5）。

6）加速度向量区域值SMA的计算，步骤5）检测到人体跌倒发生时，继续SMA检测；人体加速度向量区域值SMA（Signal Magnitude Area），其定义式为： $\mathrm{SMA}=\frac{1}{\mathrm{\Δt}}\left({\∫}_{t_1}^{t_2}\right|A_x\left(t\right)|\mathrm{dt}+{\∫}_{t_1}^{t_2}|A_y\left(t\right)|\mathrm{dt}+{\∫}_{t_1}^{t_2}|A_z\left(t\right)\left|\mathrm{dt}\right),$ 其中A_x、A_y、A_z分别为X、Y、Z三轴运动加速度的幅值，并经过中值滤波和高通滤波后的信号，单位为g，t为时间。SMA同样避免了以单一轴上的加速度值变化作为判定跌倒发生的依据，通过计算X、Y、Z三个方向上加速度变化的时间平均值，表征人体运动状态变化的剧烈程度，其值越大表明人体运动状态越剧烈。

倘若SMA≥0.008g时，进入步骤7）；否则，判定为疑似跌倒，返回步骤5）。如图4所示，a峰、b峰、c峰处连续12个点的SMA均值小于阈值，判断为疑似跌倒，d峰为跌到发生。

7）倘若连续12个采样点SMA≥0.008g，再次判定为人体跌倒，也就是步骤5）和步骤6）同时检测到人体跌倒发生，最终判定为跌倒发生（图5），报警；否则，判定为疑似跌倒，返回步骤5）。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.基于三轴加速度传感器的人体跌倒检测方法，其特征在于，具体步骤如下：

1)人体加速度数据的获取；

2)数据预处理；

3)SVM值计算；

4)SVM小波分析；

5)SVM检测，倘若连续若干个采样点SVM≥阈值th1，初步判定为人体跌倒，进入步骤6)；否则，继续步骤5)；

6)计算SMA值，倘若SMA≥阈值th2，进入步骤7)；否则，判定为疑似跌倒，返回步骤5)；

7)倘若连续若干个采样点SMA≥阈值th2，最终判定为跌倒发生，报警；否则，判定为疑似跌倒，返回步骤5)；

将人体通过佩戴三轴加速度传感器测得的人体加速度值视为一个三维矢量，构建空间直角坐标系X、Y、Z三个轴来表示其方向，令X轴表示人体竖直方向，Y轴表示前后方向，Z轴表示左右方向；

所述步骤3)中，SVM值计算是指，在获取人体运动加速度信号的基础上，计算实时SVM值，SVM值越大，表明人体运动越剧烈；人体加速度向量幅值SVM，其定义式为：其中A_x、A_y、A_z分别为X、Y、Z三轴运动加速度幅值，并经过中值滤波后的信号，单位为g；

所述步骤6)的具体方法是：计算SMA值，SMA值越大，人体运动状态越剧烈；人体加速度向量区域值SMA，其定义式为：其中A_x、A_y、A_z分别为X、Y、Z三轴运动加速度的幅值，并经过中值滤波和高通滤波后的信号，单位为g，t为时间。

2.根据权利要求1所述的人体跌倒检测方法，其特征在于，所述三轴加速度传感器佩戴于人体前胸左侧心脏部位。

3.根据权利要求1或2所述的人体跌倒检测方法，其特征在于，所述三轴加速度传感器的采样频率为200Hz，量程设定为±4g。

4.根据权利要求1所述的人体跌倒检测方法，其特征在于，所述步骤2)主要包括噪声的去除，分为中值滤波和低通滤波两部分。

5.根据权利要求1所述的人体跌倒检测方法，其特征在于，所述步骤4)中，SVM小波分析是指，采用bior3.3小波对SVM信号进行6层小波分解，提取各层细节进行重建。

6.根据权利要求1所述的人体跌倒检测方法，其特征在于，所述步骤5)中，采样频率为200Hz，那么连续12个采样点SVM≥阈值th1，进入步骤6)；否则，继续步骤5)。

7.根据权利要求1所述的人体跌倒检测方法，其特征在于，所述步骤7)中，采样频率为200Hz，那么连续12个采样点SMA≥阈值th2，判定为跌倒发生，报警；否则，判定为疑似跌倒，返回步骤5)。