现在,跌倒检测办法最常见的是视频图画剖析法和穿戴式设备检测法。前者运用视频摄像头,不能确保用户隐私安全;后者是传感器设备,需求基站来服务,外出时易忘掉佩带。运用智能手机进行跌倒检测是一个可行的且有很大发展潜力的技能,智能手机一起结合了跌倒检测体系的两个重要组件:跌倒检测和救助通讯,不只可以下降体系本钱,实时监测人体活动,还可以结合GPS承认用户的跌倒方位。现在,国内外已有运用手机进行跌倒检测的相关理论研究,都是运用移动手机内置的加速度传感器和依据人体运动加速度特征的不同算法来检测跌倒的。可是一些较高强度日常活动如慢跑、快速坐劣等也会发生一个类似跌倒的大加速度值特征。因而,独自运用加速度传感器进行跌倒检测,收集的数据比较单一,不足以彻底反响人体姿势改变,会给跌倒检测带来许多假警报。针对以上问题,本文提出了依据信号向量模和特征量W 相结合的跌倒检测算法。该检测算法一起运用加速度传感器和陀螺仪监测人体姿势改变,有用削减了跌倒检测成果的假阳性和假阴性。
1 跌倒检测办法规划
加速度传感器和陀螺仪别离可以丈量三轴方向运动加速度和角速度巨细信息,本文运用智能手机内置的这两种传感器来收集反映人体首要运动姿势改变的信号数据。经过运用信号向量模(magnitude of signal vector,SVM)阈值法来辨认区别低强度日常日子活动(activities of daily living,ADL)与跌倒,关于阈值法不能辨认的较高强度ADL,则经过对角速度信号向量模数据进一步处理得到的新特征量来判别。
1.1 信号数据
人体活动首要分为以下几种:躺下、步行、坐下—起立、上楼梯、下楼梯、慢跑、蹲下—起立以及跌倒等。人体带着的智能手机,其内置的加速度传感器和陀螺仪输出的信号数据可以反映出人体日常运动姿势改变。图1为智能手机在x、y和z三轴的加速度方向及角速度方向。
图1 三轴方向上加速度丈量和角速度丈量
传感器输出信号中掺杂了很多的脉冲噪声,中值滤波是传统的消除脉冲噪声的办法。中值滤波器是一个非线性信号处理技能,它运用一个给定长度的窗顺次滑过原始信号序列,然后将窗内居中的样本值用该窗所包括信号序列的中值代替,这儿滤波器窗口巨细n设为3。图2为加速度传感器输出信号数据经中值滤波后曲线图。
1.2 信号向量模(SVM)
跌倒发生时的加速度及角速度改变首要体现在某空间方向,由于跌倒事情中无法预知跌倒的方向,所以不宜用某一轴的加速度或角速度数据去判别跌倒的发生,选用信号向量模SVM 特征量可以将空间的加速度或角速度改变集合为一矢量。加速度信号向量模(SVMA )及角速度信号向量模(SVMW )其界说别离如式(1)和式(2)
其间,ax ,ay ,az别离为加速度传感器x、y、z三轴方向输出经中值滤波后信号;wx ,wy ,wz别离为陀螺仪x、y、z三轴方向输出经中值滤波后的信号。
图3 和图4 为人体处于不同运动状况时SVMA及SVMW改变曲线。
A 改变曲线>
图3 不同人体运动SVMA 改变曲线
W改变曲线>
图4 不同人体运动SVMW改变曲线
如图3、图4所示,跌倒具有大加速度和角速度峰值特征,这是由于跌倒进程中由于和低势物体磕碰发生的SVM峰值比日常活动中步行、上楼梯等大多数一般进程要大。可是人体运动行为进程具有杂乱性和随机性,运用单一的加速度相关信息判别人体跌倒行为的发生会带来很大的误判。本文运用SVMA及SVMW相结合的信息阈值法可以区别跌倒与发生SVM 峰值较小的低强度运动。经过对人体跌倒进程及其它日常日子行为进程中试验成果数据SVMA和SVMW进行剖析,本文辨认跌倒的加速度信号向量模阈值取SVMAT =20m/s2 和角速度信号向量模阈值取SVMWT =4rad/s。
可是慢跑等动作也具有大加速度和角速度峰值的特征,独自的SVM 特征量并不能区别跌倒进程与慢跑或手机日用等较高强度运动进程。
1.3 SVMW数据曲线处理
依据人体运动学特征,跌倒进程与慢跑等运动进程的人体俯仰角或许侧翻角改变有很大不同,可是收集人体运动姿势改变信号数据的智能手机在口袋中的放置方位具有随意性,因而无法直接运用陀螺仪单轴方向输出得到的视点改变信息作为跌倒判别的一个特征量。本文对角速度信号向量模数据作进一步处理,来寻觅新的特征量。
这儿界说一个人体跌倒时躯干歪斜的合视点θ,它是经过对角速度信号向量模数据进行积分得到的,如下式
W数据曲线处理>
式中:SVMW ———人体运动角速度信号向量模。下面以慢跑为例,剖析跌倒与慢跑等较高强度运动的合视点曲线改变的不同,图5为跌倒和慢跑两种运动进程合视点改变曲线,从图5中可以看出:跌倒曲线有显着的拐点(图中圆圈所示),而慢跑曲线改变比较均匀陡峭。这是由于跌倒进程中人领会和低势物体发生磕碰,短时刻内会发生较大的SVM 数据值,体现在数据曲线上则有骤变的增量点;而慢跑每次动作根本共同,随时刻发生的数据曲线点增量也根本相同,数据曲线近似一条直线。
图5 跌倒和慢跑时合视点改变曲线
运用智能手机作为跌倒检测体系,易于对数据进行公式化处理,本文中选用数据拟合的办法对合视点曲线数据公式化处理。前面剖析中得知,两种运动进程合视点曲线改变趋势有很大不同,且慢跑运动合视点改变曲线近似一条直线,因而运用直线拟合模型可以杰出两种曲线与各自拟合曲线类似度的不同。这儿运用核算简略的最小二乘法线性拟合,拟合直线表达式为
y=ax+b (4)
式中:a,b———拟合直线的斜率和截距。图6和图7别离为跌倒和慢跑两种运动的合视点改变曲线及运用Matlab线性拟合改变曲线。
图6 跌倒时合视点曲线和拟合曲线
图7 慢跑时合视点曲线和拟合曲线
为了反映出两种曲线与各自线性拟合曲线的类似度,这儿咱们界说一个无量纲量W,也是本文算法的跌倒判别特征量,其核算进程如下式
其间,i=1,2,3,…,500,(处理10s内数据样本点),Ci为合视点数据样本点,Ni为合视点线性拟合数据样本点。特征量W 反映的是合视点曲线与其拟合曲线之间的类似度,W 值越小类似度越高。
由前面的剖析得知,跌倒合视点曲线有拐点,慢跑合视点曲线改变陡峭,而运用的拟合曲线为一条直线,故跌倒时得到的W 值较大,而慢跑时得到的W 值会较小。表1所示为一组试验成果的特征值,调查特征值数据可知简略经过设置一个阈值WT来区别这两种运动进程,本文经过对跌倒进程和慢跑等较高强度运动进程中W 值的剖析取WT =25。
表1 跌倒和慢跑时的特征值数据
2 体系完结
2.1 体系运用程序
Android是一个开源移动操作体系,它有一个强壮的依据java结构的软件开发工具包(SDK),还有SQLite数据库办理体系,本文在Android智能手机渠道开发完结了跌倒检测运用程序。跌倒运用程序由4大部分组成:
(1)FallDetectionService:Android后台服务运用进程,它长时刻运转在手机运用程序进程的主线程内,不会搅扰其他组件或用户界面。
(2)FallAlertActivity:与用户交互的Activity组件,该Activity可以被创立、发动、康复、暂停和毁掉,它是运用程序的可见部分。
(3)SensorManager:”SensorManager”答应运用程序运用手机传感器,运用它来读取手机加速度传感器和陀螺仪的读数。
(4)UserLocationManager:运用UserLocationManager可以答应运用程序运用GPS获取定位数据,紧迫状况下可以承认用户地理方位。
2.2 体系检测流程
本体系跌倒检测算法是依据人体运动加速度和角速度信号规划的,经过剖析人体首要运动进程与跌倒进程的SVMA和SVMW数据,以及对SVMW数据的进一步处理来区别日常日子活动与跌倒。图8为跌倒检测算法流程图:①后台服务监测SVMA数值的改变,假如SVMA大于SVMAT ,进入下一步;②等候SVMA数值康复到正常范围内,再设置延时10s,等候用户安稳,进入下一步;③角速度数据剖析,假如SVMW大于SVMWT ,进入下一步;④对SVMW数据公式化处理得到特征值W,假如W 大于WT ,承认发生跌倒,触发报警处理。
图8 跌倒检测流程
2.3 体系首要内容
体系集成了智能手机的传感功用和信号处理技能,它的首要功用是检测意外状况下跌倒,然后与用户的紧迫联络人经过电话和SMS信息进行联络。该运用程序还可以获得用户的地理方位,此外它有一个一键紧迫救助按钮和紧迫警报撤销机制,可防止假警报。
当体系检测到一个跌倒,会弹出告诉窗口并且有声响警报,用户可以在一个可设置的特定时刻范围内撤销警报恳求。假如没有发生实在的跌倒,用户可以在报警等候时刻范围内简略撤销恳求。假如是一个实在的跌倒,则用户的救助联络人将会当即收到SMS报警信息。
图9为运用程序屏幕截图,主界面有7个首要按钮,“ON/OFF”滑动开关按钮,来操控开端后台跌倒检测服务和中止服务;“紧迫联络电话”按钮,可以增加3个紧迫救助联络人号码;“紧迫联络信息”按钮,用来修改发送的紧迫信息内容;“报警等候时刻”按钮,用来设置检测到跌倒发生与发送报警信息之间的等候时刻;“一键快速求救”按钮,直接触发跌倒报警事情,当用户发生跌倒而手机未检测届时的手动求救按钮; “设置”按钮用来设置敞开GPS服务、设置传感器作业形式以及报警方法、声响挑选等;“退出”按钮,则是彻底退出运用程序。
图9 运用程序屏幕
3 试验与成果剖析
3.1 试验设备及规划
跌倒检测算法测验手机为LGP970,其装备有Android2.3操作体系、德州仪器1GHz的CPU、主屏尺度4.0英寸。日常日子首要活动动作频率都低于20HZ,设置手机内置加速度传感器和陀螺仪的信号采样频率皆为50HZ,以满意试验的需求。本体系为使试验成果契合人们日常带着手机的方法,挑选胸部口袋作为试验进程中手机在人体的佩带方位。检测算法是对传感器输出数据的信号向量模进行处理,故试验中对手机在口袋中的放置方位没有要求。
试验者为20名青年学生:10男10女,年龄在22-30岁,身高155-185CM,体重40-80KG。出于安全考虑未请老年人参加,试验者模仿老年人日常日子中步行、上下楼梯、慢跑、快速坐下、快速躺下、坐下起立、躺下起立和跌倒等活动动作。试验在不一起间段完结,试验进程中地上放置有厚海绵垫,每个试验者被要求重复试验动作2次,且每个动作要求在10s内完结。试验者的动作描绘见表2。
表2 试验者的动作描绘
3.2 成果剖析
为评价检测算法的功能,一般界说以下评价方法:跌倒检测中或许呈现的4种状况:真阳性(TP):跌倒发生,设备检测到。假阳性(FP):设备检测到跌倒,但实践并未发生。真阴性(TN):正常活动,设备并未检测到跌倒发生。假阴性(FN):跌倒发生,但设备并未检测到。敏感性体现了算法辨认跌倒的才能,丈量实在的跌倒被检测到的概率
特异性是日常日子活动被检测到的概率
图10 (a)显现了本文体系算法检测成果敏感性的体现,算法能精确地检测到后向跌倒、左边跌倒和右侧跌倒,前向跌倒假阴性较高是由于向前跌倒时人们下意识曲折膝盖,两手掌去支地缓冲,所以发生的SVM 峰值较小,但这种状况一般损害不严峻,跌倒者大多数坚持清醒,如需救助仍可经过运用程序的“一键救助按钮”。靠墙缓慢跌倒进程动作缓慢且比较随意杂乱,算法检测成果假阴性较高,可是这种跌倒给跌倒者带来的损伤是有限的。从100例记载中得到算法的敏感性是88%。图10 (b)显现了本文算法检测成果特异性的体现,算法可以区别出大多数日常活动,可是快速坐下时带有后仰动作、以较快速度躺下和手机日用有时候会触发假阳性,从180例记载中得到算法特异性为92%。
图10 跌倒检测算法功能
4 结束语
本文规划了一种依据智能手机的人体跌倒检测体系,运用手机内置加速度传感器和陀螺仪监测人体运动时的加速度和角速度信号,对收集到的信号数据进行处理和剖析,提出了依据信号向量模和特征量W 相结合的检测算法,一起对该算法的有用性进行了评价。试验成果表明,该体系可以有用区别跌倒与其它日常日子行为动作,且检测成果的假阳性和假阴性较低。本体系计划具有运用简略便利、本钱低、运用范围广、实时呼应快的长处,此外,体系还可以定位用户跌倒方位及运用报警机制来削减假警报。后续作业中,将会考虑对加速度传感器和陀螺仪信号数据进行数据交融,使算法对人体姿势描绘愈加精确。
