基于加速度传感器的人体跌倒检测方法*
孙子文,孙晓雯
【摘 要】针对人体跌倒检测阈值算法在由于阈值设定不当而引起的检测精度下降问题，采用支持向量机方法决定跌倒检测的阈值大小。从加速度传感器中获取人体运动信号，提取合加速度以及倾角作为分类特征，根据人体在跌倒时经过的失重、撞击地面和平稳三个阶段，建立基于阈值的跌倒检测模型。采用所建立的跌倒检测模型，分别用支持向量机方法以及人工方法设定阈值，仿真结果显示采用支持向量机设定阈值的检测效果优于对比算法，结果表明本文方法能有效识别跌倒。
【期刊名称】计算机工程与科学 【年(卷),期】2017(039)002 【总页数】6
【关键词】跌倒检测；阈值算法；支持向量机；加速度传感器
1 引言
当今意外事故约有29%由跌倒直接或间接导致，为了减少跌倒对人体造成的危害，国内外许多学者围绕跌倒检测方法展开了研究。目前跌倒检测系统主要有基于室内传感器方法(照相机[1]、振动传感器[2])以及基于可穿戴式传感器方法(压力传感器[3]、加速度传感器[4])两种。基于室内传感器方法仅限于特定室内范围，且对设备要求较高，算法较复杂。可穿戴式传感器可佩戴在人体上，直接测量人体运动信息，其中加速度传感器凭借其灵敏度高、能耗低、稳定性好的优势得以广泛应用。近来有一个新趋势，即现在的智能设备(智能手机、智能腕表等)内置加速度传感器，使用智能设备获取人体运动加速度信息[5]，用户不
必额外佩戴其他传感器装置，增加用户的舒适度。
基于加速度传感器的跌倒检测算法主要有机器学习法与阈值法两种。使用机器学习法检测跌倒主要有支持向量机SVM(Support Vector Machine)[6]、隐马尔可夫HMM(Hidden Markov Model)[7]、决策树(Decision Tree)[8]等，机器学习法虽然精度较高，但计算复杂，对硬件平台要求较高。Jantaraprim等人[9]通过对合加速度在1.5 s滑动窗口内的失重阶段以及撞击地面阶段分别设定阈值，判断是否为跌倒行为，算法简单，但没有将跑步、跳与跌倒区分。刘鹏等人[10]提出了对合加速度滑动平均值以及差分信号幅度域设定阈值，检测跌倒行为，并着重分析了快速跑步等剧烈运动对跌倒检测的影响。阈值法易于理解，容易实现，计算量小，是目前最普遍的研究方法。但是，阈值的选择往往取决于个人经验或实验数据上，阈值的设定是检测精度最为关键的影响因素，因此采用适当方法对阈值进行选择引起学者关注。佟丽娜[11]建立了基于加速度数据阈值方法的跌倒检测模型，其阈值大小由支持向量机方法决定。Aguiar等人[12]对阈值方法加以改进，利用腕表内置的加速度传感器获得人体运动数据，首先分别采用K近邻KNN(K Nearest Neighbors)、决策树、朴素贝叶斯三种分类器对跌倒行为进行识别，其中决策树可达到的识别率最高。其次，采用决策树训练人体运动不同状态转换的阈值大小，建立基于阈值的跌倒检测模型。
本文采用成本低且灵敏度高的三轴加速度传感器获取运动信号，并且提取对人体区分度高的合加速度、倾角反映人体运动剧烈程度以及运动姿态；根据人体在跌倒时依次经过失重、撞击地面和平稳三个阶段的特点，对相应特征设定阈值，建立基于多重阈值的跌倒检测算法；并针对人工设定阈值的误差问题，借
鉴了佟丽娜的方法，采用对小样本集二分类效果较好 [13] 的支持向量机离线设定阈值。将本文方法与人工设定阈值以及佟丽娜[11]的检测模型对比，结果表明本文方法在保证计算开销的同时提高了检测精度。
2 人体跌倒检测模型
本文使用智能腕表获取人体数据，提取对人体行为区分度高的特征，建立基于阈值的跌倒检测算法。
2.1 加速度数据获取以及预处理
智能腕表佩戴位置在很大程度上影响着检测的准确度，考虑到腰部是人体重心，能更好地反映人体运动信息，因此选择将智能腕表佩戴在腰部[14]。一般情况下，人体运动时的加速度频率不会超过20 Hz，本文采用的采集数据频率为50 Hz，既满足奈奎斯特采样定理，又能降低资源消耗[15]。以佩戴位置为原点，三轴加速度方向如图1所示。设t时刻的三轴加速度值分别为ax(t)、ay(t)和az(t)，当人体处于站立静止时，ax(t)、ay(t)和az(t)的值分别为(0，G，0)，其中G为常量。
原始加速度数据包含大量噪声，采用三阶滑动平均滤波器[16]对原始加速度数据进行预处理，能起到较好的平滑效果，降低了噪声干扰，同时能保留原始数据所包含的人体运动信息。以站立跌倒为例，滤波前后的x轴加速度变化波形如图2所示。
2.2 人体加速度信号运动特征
跌倒是人体在无意识情况下发生的方向未知短暂剧烈运动，为此首先引入合加速度用于反映身体运动的剧烈程度。该特征的优点在于将三维加速度合为一个矢量对人体行为进行分析时，可以忽略人体运动的方向，避免了采用单轴加速
基于加速度传感器的人体跌倒检测方法
