CN103886715B - 一种人体跌倒检测方法 - Google Patents

Abstract

本发明公开了一种人体跌倒检测方法。跌倒给人的生活和运动带来很大的威胁，严重影响着老人和运动者的身心健康。实时跌倒检测能给老人和运动者提供及时的帮助，降低跌倒带来的风险。本发明提出一种基于三轴加速度传感器的人体跌倒检测方法。方法通过提取跌倒过程中的人体运动特征，重点利用加速度传感器三个轴的相关性对向前跌倒、向后跌倒、左侧跌倒、右侧跌倒四种跌倒行为进行有效检测和区分。方法对四种跌倒行为的平均识别正确率可达到了90%以上，方法平均响应时间小于1.7s，具有较高的性能表现。

Description

一种人体跌倒检测方法

技术领域

本发明涉及传感器检测技术，尤其涉及一种基于三轴加速度传感器的人体跌倒检测方法，属于移动计算和传感器技术的交叉技术应用领域。

背景技术

随着我国人口老龄化的加重和“空巢”家庭的增多，老年人的身心健康问题成为需要重点关注的一个问题。其中，跌倒给人们的生活和运动带来很大的威胁。美国国家安全委员会研究显示，超过33％的老年人(年龄65岁以上)每年至少跌倒一次，这些跌倒人群中，大约30％的情况会导致重伤甚至死亡。据估计，我国每年65岁以上老年人发生跌倒伤害的人数已经超过2500万人。很多时候跌倒产生的严重后果并不是在跌倒时产生的，而是由于老人跌倒后未进行及时救助引起的。因此，对老人跌倒的及时检测和跌倒后的有效援助的研究是有重要意义。对人们的运动检测和跌倒后的有效援助的研究是有重要意义。

跌倒检测常利用各种传感器，包括摄像头、麦克风，压力传感器等。其中基于图像分析的跌倒检测方法成本较高，对环境的要求较高，且灵活性较差，只能在特定的区域进行识别。有研究人员利用声音传感器对跌倒进行研究，具体方法是通过定位声音的发生位置距离地面的高度，结合声音的大小来判断跌倒。还有研究人员利用了放在地板上的振动传感器。这些传感器一起来判断居住者在任意时刻的位置，处理器通过分析这些位置数据来识别是否发生跌倒，这种方式的一个很大的缺点就是误报率太高。还有研究人员采用了联合传感器的方式对跌倒进行了研究，采用不同种类传感器组合或是多个加速度传感器组合的方式，其研究虽然较高的识别率，但由于需要对多个传感器的数据进行融合研究，也带来了较大的计算开销，实时性也不够理想。还有研究者利用倾角变化对人体跌倒方向进行判断，一种方法是增加角度传感器来计算人体角度变化，这种方法属于多种传感器融合的范畴；另一种是利用加速度传感器通过特定的公式计算出角度，根据角度变化情况判断人体运动方向，但这种方法会带来一定的计算开销。

加速度传感器(accelerationsensor)具有体积小、功耗低、实时性强等特点。由于跌倒过程会产生较强的加速度信息，本发明提出了一种基于加速度传感器的人体跌倒行为检测方法，使用一个置于人体胸前位置的三轴加速度传感器(其中Y轴与竖直时方向平行且正轴指向上部，Z轴方向指向人前进的方向，X轴垂直于Y、Z组成的平面)，对跌倒过程中的人体运动特征进行提取，利用三个轴之间的相关性，能够对不同方向的跌倒进行有效的识别。

发明内容

技术问题：本发明所要解决的技术问题在于克服现有的人体跌倒检测方法成本高、对环境的要求高、灵活性差、误报率高、计算开销较大以及实时性也不够理想等缺陷，提供一种基于三轴加速度传感器的跌倒检测方法，能够实现利用一个加速度传感器的三个轴的相关性对向前跌倒、向后跌倒、左侧跌倒、右侧跌倒四种跌倒行为进行有效检测和区分。

技术方案：本发明采用以下技术方案解决上述技术问题：

1、跌倒过程中的人体运动特征提取

本发明首先利用合加速度整体上描述人体的某一剧烈运动。合加速度的引入既可以用于判断跌倒起始点，也被用来判断跌倒后人体处于静止状态的起始点。

为了正确的识别各种跌倒行为，本发明提取了人体跌倒过程中的四个特征值来进行判断，分别是合加速度波峰前的阈值，同一时刻加速度两个轴的差值，滑动窗口内合加速度的方差，时间T内倾倒方向轴的均值。

(1)合加速度波峰前的阈值

通过对合加速度的检测，对跌倒动作做出一个简单的预判。即当合加速度超过某个阈值的时候，表明了人体做出了较为剧烈的动作，即人体有可能发生了跌倒。

(2)同一时刻加速度两个轴的差值

人体跌倒过程中倾倒方向轴(前后跌倒时倾倒方向轴为Z轴，左右跌倒时倾倒方向轴为X轴)与Y轴之间有着相关性。在跌倒的时候同一时刻两个轴之间的差值的绝对值会变的很大，这一特征是识别跌倒动作所选取的一个重要特征值。

(3)滑动窗口内合加速度的方差

仅仅依靠同一时刻加速度两个轴的差值来判断跌倒会产生误判情况，因为在某些日常剧烈的活动中也可能产生该差值在某一瞬间超过给定的阈值，这时如果仅以两个轴的差值来判断就会将其他活动误判为跌倒。因此，需要进一步对跌倒动作进行判断，由于人体跌倒前后身体会由竖直状态变为水平状态，结合这一特点对跌倒后的状态进行一个检测，就能达到消除误判的可能。为了找到跌倒后人体静止的起始点，本发明引入了滑动窗口内合加速度的方差来计算人体静止的起始点。

(4)时间T内倾倒方向轴的均值

考虑到人体跌倒之后身体处于水平状态，本发明从静止起始点开始计算之后时间T内的倾倒方向均值来识别各个方向的跌倒。

2、跌倒检测

本发明根据跌倒过程中的人体运动特征值，分类检测出了四种方向的跌倒情况，分别是向前跌倒、向后跌倒、左侧跌倒以及右侧跌倒。

本发明人体跌倒检测方法具体包括跌倒过程中的人体运动特征提取，以及根据跌倒过程中的人体运动特征值，分类检测出了四种方向的跌倒情况；人体跌倒过程中的四个特征值分别是合加速度波峰前的阈值，同一时刻加速度两个轴的差值，滑动窗口内合加速度的方差，时间T内倾倒方向轴的均值；根据跌倒过程中的人体运动特征值，分类检测出了四种方向的跌倒情况，分别是向前跌倒、向后跌倒、左侧跌倒以及右侧跌倒；

跌倒过程中的人体运动特征提取方法为：

利用合加速度整体上描述人体的某一剧烈运动，主要用于判断跌倒起始点和判断跌倒后人体处于静止状态的起始点；定义合加速度为SA，单位为m/s²，其中a_x，a_y，a_z表示加速度三个轴的值，其计算公式为：

$SA=\sqrt{a_x^2+a_y^2+a_z^2}---\left(1\right)$

1)合加速度波峰前的阈值确定

首先通过对合加速度的检测对跌倒动作做出简单的预判，即当SA超过某个阈值的时候，表明了人体做出了较为剧烈的动作，即人体有可能发生了跌倒，所述的阈值为2.5G，其中，G代表重力加速度，取值为9.8m/s²；

2)同一时刻加速度两个轴的差值

以在跌倒的时候同一时刻两个轴之间的差值的绝对值会变的很大，即|a_y-a_z|或|a_y-a_x|会在某一时刻突然增大为识别跌倒动作的特征值，选取3G作为判断阈值来判断这种差值是否满足跌倒的条件，即当|a_y-a_z|>3G时，则认为有可能发生了前后跌倒；当|a_y-a_x|>3G时，则认为有可能发生了左右跌倒；

3)滑动窗口内合加速度的方差

结合人体跌倒前后身体会由竖直状态变为水平状态这一特点对跌倒后的状态进行检测以消除误判的可能，引入了滑动窗口内SA的方差来计算人体静止的起始点，取滑动窗口的时间长度为0.3s，采样频率为50Hz，一个滑动窗口内有15个采样点，合加速度方差计算公式为：

$D\left(SA\right)=\frac{1}{15}\underset{i=1}{\overset{15}{\Σ}}{({\mathrm{SA}}_i-M(SA\left)\right)}^2---\left(2\right)$

$M\left(SA\right)=\frac{1}{15}\underset{i=1}{\overset{15}{\Σ}}{\mathrm{SA}}_i---\left(3\right)$

D(SA)表示一个滑动窗口内合加速度SA的方差，M(SA)表示该滑动窗口内合加速度SA的平均值；如果计算一个滑动窗口内的D(SA)≥ε，接着计算下一个滑动窗口的D(SA)值，直到满足D(SA)<ε这个条件，即找到了人体跌倒后静止时的起始点，ε是一个判断跌倒后静止起始点的阈值；

4)时间T内倾倒方向轴的均值

从静止起始点开始计算之后时间T内的倾倒方向均值来识别各个方向的跌倒，取时间T＝1s，采用频率为50Hz，即倾倒方向轴共有50个的采样点，计算出加速度Z轴或X轴在时间T内的50个采样点的平均值M(a_z)或M(a_x)，根据倾倒方向轴平均值的取值范围，来判断出各种跌倒情况。

跌倒检测按照以下方法：

根据跌倒过程中的人体运动特征值，分类检测出了四种方向的跌倒情况，分别是向前跌倒、向后跌倒、左侧跌倒以及右侧跌倒，其具体的检测流程通过以下6个步骤实现：

步骤1：不断检测SA的值，当检测到SA的值大于2.5G时，执行步骤2；

步骤2：计算此时的|a_y-a_z|和|a_y-a_x|的值，如果|a_y-a_z|>3G，执行步骤3；如果|a_y-a_x|>3G，执行步骤5；否则返回步骤1；

步骤3：记此时时刻为T₀，计算[T₀，T_s]时间内即一个滑动窗口内SA的方差D(SA)，如果D(SA)<ε，执行步骤4；否则继续执行步骤3；

步骤4：计算[T_s，T_s+Δt]时间内的a_z的平均值M(a_z)，如果0.9G<M(a_z)<1.1G，则判断为向前跌倒；如果-1.1G<M(a_z)<-0.9G，则判断为向后跌倒；否则返回步骤1；

步骤5：记此时时刻为T₀，计算[T₀，T_s]时间内SA的方差D(SA)，如果D(SA)<ε，执行步骤6；否则继续执行步骤5；

步骤6：计算[T_s，T_s+Δt]时间内的a_x的平均值M(a_x)，如果0.9G<M(a_x)<1.1G，则判断为向左跌倒；如果-1.1G<M(a_x)<-0.9G，则判断为向右跌倒；否则返回步骤1；

其中，滑动窗口大小为T_s-T₀＝0.3s，Δt＝1s，阈值ε＝3。

有益效果：本发明具有以下有益效果：

(1)方法对跌倒行为的识别正确率达到了90％以上，具有较低的误报率；

(2)方法的平均响应时间在1.7s之内，具有较高的实时性；

(3)方法仅需要在移动终端上配置一个三轴加速度传感器即可检测出人体是否跌倒，具有较高的性能成本效益；

(4)方法能对向前跌倒、向后跌倒、左侧跌倒、右侧跌倒四种跌倒行为进行有效检测和区分，检测更为全面和细致。

附图说明

图1为本发明的人体向前跌倒合加速度幅值示意图。

图2为本发明的跌倒检测方法流程图。

图3为本发明的系统工作流程图示意图。

具体实施方式

下面结合附图对本发明的具有实施方式进行详细说明：

1、跌倒过程中的人体运动特征提取

人在跌倒过程中身体会产生较大的加速度值，不同方向的跌倒导致三轴加速度传感器的各个轴的数据变化不同。人体某一方向的剧烈运动，会使加速度传感器对应的某一轴或两个轴的值发生较大的变化，利用合加速度描述人体运动，可以不考虑运动方向，整体上描述人体的某一剧烈运动。合加速度的引入既可以用于判断跌倒起始点，也被用来判断跌倒后人体处于静止状态的起始点。定义合加速度为SA，单位为m/s²，其中a_x，a_y，a_z表示加速度三个轴的值，其计算公式为：

$SA=\sqrt{a_x^2+a_y^2+a_z^2}---\left(1\right)$

为了正确的识别各种跌倒行为，本发明提取了人体跌倒过程中的四个特征值来进行判断，分别是合加速度波峰前的阈值，同一时刻加速度两个轴的差值，滑动窗口内合加速度的方差，时间T内倾倒方向轴的均值。

(1)合加速度波峰前的阈值

人体日常较缓和的活动(例如走路、躺下等)产生的SA值较小，而跌倒、起跳等剧烈动作会在瞬时产生一个较大的SA值，因此，通过对合加速度的检测，可以对跌倒动作做出一个简单的预判。即当SA超过某个阈值的时候，表明了人体做出了较为剧烈的动作，即人体有可能发生了跌倒。本发明通过实验得出一个较为合适的阈值为2.5G。其中，G代表重力加速度，取值为9.8m/s²。人体向前跌倒合加速度幅值情况如图1所示。

(2)同一时刻加速度两个轴的差值

人体跌倒过程中倾倒方向轴(前后跌倒时倾倒方向轴为Z轴，左右跌倒时倾倒方向轴为X轴)与Y轴之间有着相关性。在跌倒的时候同一时刻两个轴之间的差值的绝对值会变的很大，即|a_y-a_z|或|a_y-a_x|会在某一时刻突然增大。因此，这一特征是识别跌倒动作所选取的一个重要特征值。本发明选取了3G作为判断阈值来判断这种差值是否满足跌倒的条件。即当|a_y-a_z|>3G时，则认为有可能发生了前后跌倒；当|a_y-a_x|>3G时，则认为有可能发生了左右跌倒。

(3)滑动窗口内合加速度的方差

仅仅依靠同一时刻加速度两个轴的差值来判断跌倒会产生误判情况，因为在某些日常剧烈的活动中也可能产生该差值在某一瞬间超过给定的阈值，这时如果仅以两个轴的差值来判断就会将其他活动误判为跌倒。因此，需要进一步对跌倒动作进行判断，由于人体跌倒前后身体会由竖直状态变为水平状态，结合这一特点对跌倒后的状态进行一个检测，就能达到消除误判的可能。为了找到跌倒后人体静止的起始点，本发明引入了滑动窗口内SA的方差来计算人体静止的起始点，取滑动窗口的长度为0.3s，由于采样频率为50Hz，因此在一个滑动窗口内将有15个采样点，合加速度方差计算公式为：

$D\left(SA\right)=\frac{1}{15}\underset{i=1}{\overset{15}{\&Sigma;}}{({\mathrm{SA}}_i-M(SA\left)\right)}^2---\left(2\right)$

$M\left(SA\right)=\frac{1}{15}\underset{i=1}{\overset{15}{\&Sigma;}}{\mathrm{SA}}_i---\left(3\right)$

D(SA)表示一个滑动窗口内合加速度SA的方差，M(SA)表示该滑动窗口内合加速度SA的平均值。如果计算一个滑动窗口内的D(SA)≥ε，接着计算下一个滑动窗口的D(SA)值，直到满足D(SA)<ε(ε是一个判断跌倒后静止起始点的阈值)这个条件，即找到了人体跌倒后静止时的起始点。

(4)时间T内倾倒方向轴的均值

考虑到人体跌倒之后身体处于水平状态，本发明从静止起始点开始计算之后时间T内的倾倒方向均值来识别各个方向的跌倒。本发明取时间T＝1s，即倾倒方向轴共有50个的采样点，即计算出加速度Z轴或X轴在时间T内的50个采样点的平均值M(a_z)或M(a_x)，根据倾倒方向轴平均值的取值范围，来判断出各种跌倒情况。

2、跌倒检测流程

本发明根据跌倒过程中的人体运动特征值，分类检测出了四种方向的跌倒情况，分别是向前跌倒、向后跌倒、左侧跌倒以及右侧跌倒，其具体的检测流程通过以下6个步骤实现，方法流程图如图2所示：

步骤1：不断检测SA的值，当检测到SA的值大于2.5G时，执行步骤2。

步骤2：计算此时的|a_y-a_z|和|a_y-a_x|的值，如果|a_y-a_z|>3G，执行步骤3；如果|a_y-a_x|>3G，执行步骤5；否则返回步骤1。

步骤3：记此时时刻为T₀，计算[T₀，Ts]时间内(即一个滑动窗口内)SA的方差D(SA)，如果D(SA)<ε，执行步骤4；否则继续执行步骤3。

步骤4：计算[Ts，Ts+Δt]时间内的a_z的平均值M(a_z)，如果0.9G<M(a_z)<1.1G，则判断为向前跌倒；如果-1.1G<M(a_z)<-0.9G，则判断为向后跌倒；否则返回步骤1。

步骤5：记此时时刻为T₀，计算[T₀，T_s]时间内SA的方差D(SA)，如果D(SA)<ε，执行步骤6；否则继续执行步骤5。

步骤6：计算[T_s，T_s+Δt]时间内的a_x的平均值M(a_x)，如果0.9G<M(a_x)<1.1G，则判断为向左跌倒；如果-1.1G<M(a_x)<-0.9G，则判断为向右跌倒；否则返回步骤1。

其中，滑动窗口大小为T_s-T₀＝0.3s，Δt＝1s，阈值ε＝3。

3、方法实现

本发明可在配置三轴加速度传感器的智能手机上实现进行了验证。智能手机可采用Android操作系统，配置了三轴加速度传感器。

系统可设置加速度传感器采样频率，实时采集人体运动信息，利用本发明提出的跌倒检测方法判断用户跌倒情况；还提供用户界面输入基本信息，设置基本参数等。

系统主要包括UserMainActivity类和BackGMonitor类，UserMainActivity继承了Activity类，在Android系统中，一个Activity占据一个屏幕，可以用来显示一些基本控件，也可以监听并处理用户事件，是Android最基本的组件。UserMainActivity类实现的主要功能是显示用户基本信息、设置基本参数等。BackGMonitor继承了Service类，可以进入后台运行；并继承了SensorEventListener接口，当加速度传感器发生变化的时候，系统自动调用onSensorChanged()方法，我们就可以得到加速度传感器的数据，主要通过调用analysisAcceleration()方法来对人体跌倒进行识别。

系统还可采用客户/服务器方式，即采用Socket通信机制，服务端处于不断监听状态，客户端应用程序运行于后台，当客户端检测到用户发生跌倒的时候，向用户发出提示信号，并能根据用户的处理情况选择是否自动报警，用户请求与服务端建立连接，服务端响应客户端请求建立连接，此时客户端就可以与服务端进行通信，将用户信息发送给服务端。系统的工作流程如图3所示。

Claims (2)

1.一种人体跌倒检测方法，其特征在于，该方法包括跌倒过程中的人体运动特征提取，以及根据跌倒过程中的人体运动特征值，分类检测出了四种方向的跌倒情况；人体跌倒过程中的四个特征值分别是合加速度波峰前的阈值，同一时刻加速度两个轴的差值，滑动窗口内合加速度的方差，时间T内倾倒方向轴的均值；根据跌倒过程中的人体运动特征值，分类检测出了四种方向的跌倒情况，分别是向前跌倒、向后跌倒、左侧跌倒以及右侧跌倒；

跌倒过程中的人体运动特征提取方法为：

利用合加速度整体上描述人体的某一剧烈运动，主要用于判断跌倒起始点和判断跌倒后人体处于静止状态的起始点；定义合加速度为SA，单位为m/s²，其中a_x，a_y，a_z表示加速度三个轴的值，其计算公式为：

$SA=\sqrt{a_x^2+a_y^2+a_z^2}---\left(1\right)$

1)合加速度波峰前的阈值确定

首先通过对合加速度的检测对跌倒动作做出简单的预判，即当SA超过某个阈值的时候，表明了人体做出了较为剧烈的动作，即人体有可能发生了跌倒，所述的阈值为2.5G，其中，G代表重力加速度，取值为9.8m/s²；

2)同一时刻加速度两个轴的差值

以在跌倒的时候同一时刻两个轴之间的差值的绝对值会变的很大，即|a_y-a_z|或|a_y-a_x|会在某一时刻突然增大为识别跌倒动作的特征值，选取3G作为判断阈值来判断这种差值是否满足跌倒的条件，即当|a_y-a_z|>3G时，则认为有可能发生了前后跌倒；当|a_y-a_x|>3G时，则认为有可能发生了左右跌倒；

3)滑动窗口内合加速度的方差

结合人体跌倒前后身体会由竖直状态变为水平状态这一特点对跌倒后的状态进行检测以消除误判的可能，引入了滑动窗口内SA的方差来计算人体静止的起始点，取滑动窗口的时间长度为0.3s，采样频率为50Hz，一个滑动窗口内有15个采样点，合加速度方差计算公式为：

$D\left(SA\right)=\frac{1}{15}\underset{i=1}{\overset{15}{\&Sigma;}}{({\mathrm{SA}}_i-M(SA\left)\right)}^2---\left(2\right)$

$M\left(SA\right)=\frac{1}{15}\underset{i=1}{\overset{15}{\&Sigma;}}{\mathrm{SA}}_i---\left(3\right)$

D(SA)表示一个滑动窗口内合加速度SA的方差，M(SA)表示该滑动窗口内合加速度SA的平均值；如果计算一个滑动窗口内的D(SA)≥ε，接着计算下一个滑动窗口的D(SA)值，直到满足D(SA)<ε这个条件，即找到了人体跌倒后静止时的起始点，ε是一个判断跌倒后静止起始点的阈值；

4)时间T内倾倒方向轴的均值

从静止起始点开始计算之后时间T内的倾倒方向均值来识别各个方向的跌倒，取时间T＝1s，采用频率为50Hz，即倾倒方向轴共有50个的采样点，计算出加速度Z轴或X轴在时间T内的50个采样点的平均值M(a_z)或M(a_x)，根据倾倒方向轴平均值的取值范围，来判断出各种跌倒情况。

2.如权利要求1所述的人体跌倒检测方法，其特征在于，跌倒检测按照以下方法：

根据跌倒过程中的人体运动特征值，分类检测出了四种方向的跌倒情况，分别是向前跌倒、向后跌倒、左侧跌倒以及右侧跌倒，其具体的检测流程通过以下6个步骤实现：

步骤1：不断检测SA的值，当检测到SA的值大于2.5G时，执行步骤2；

步骤2：计算此时的|a_y-a_z|和|a_y-a_x|的值，如果|a_y-a_z|>3G，执行步骤3；如果|a_y-a_x|>3G，执行步骤5；否则返回步骤1；

步骤3：记此时时刻为T₀，计算[T₀，T_s]时间内即一个滑动窗口内SA的方差D(SA)，如果D(SA)<ε，执行步骤4；否则继续执行步骤3；

步骤4：计算[T_s，T_s+Δt]时间内的a_z的平均值M(a_z)，如果0.9G<M(a_z)<1.1G，则判断为向前跌倒；如果-1.1G<M(a_z)<-0.9G，则判断为向后跌倒；否则返回步骤1；

步骤5：记此时时刻为T₀，计算[T₀，T_s]时间内SA的方差D(SA)，如果D(SA)<ε，执行步骤6；否则继续执行步骤5；

步骤6：计算[T_s，T_s+Δt]时间内的a_x的平均值M(a_x)，如果0.9G<M(a_x)<1.1G，则判断为向左跌倒；如果-1.1G<M(a_x)<-0.9G，则判断为向右跌倒；否则返回步骤1；

其中，滑动窗口大小为T_s-T₀＝0.3s，Δt＝1s，阈值ε＝3。