刘石雨，王多琎

（1.上海理工大学康复工程与技术研究所；2.上海康复器械工程技术研究中心；3.民政部神经功能信息与康复工程重点实验室，上海 200093）

0 引言

当前，我国人口老龄化问题日趋严重［1］，老年人监护和安全需求也逐年增加。WHO2015《关于老龄化与健康的全球报告》［2］显示，30%的65 岁以上老人和50%的85 岁以上老人每年至少经历一次跌倒，其中4%～15%的跌倒会造成重大伤害，老年人与伤害相关的死亡中有23%～40%是由于跌倒产生的。同时在临床中，跌倒是造成老年人髋关节骨折的重要原因［3］，而且跌倒后的花费不管是对个人还是社会都是沉重负担［4］。近年来，老年人跌倒预测研究逐渐成为研究热点，在老龄化社会，一种能预测跌倒的系统对于独居老人将会有重要意义。

1 研究现状

现有跌倒检测相关研究根据使用的特征数和技术进行分类［5］，一般分为3 种：①基于视频图像的跌倒检测［6-7］，该方法通过高速摄像头进行图像识别，精度高，但使用者隐私得不到保障；②基于环境传感器的跌倒检测［8-9］，该方法通过在特定场景内设置电磁式、声学、光学式传感器进行跌倒检测，但使用不便，且只局限于室内；③可穿戴式的跌倒检测，此方法结构简单、使用简便、成本低，且能适应多种环境，当前研究大多集中在该领域，本文也基于此方法。

可穿戴式的跌倒检测以检测算法进行区分，可分为两种：①基于机器学习、深度学习的检测，该方法通常准确率高，但对数据量的要求也较高，且算法较为复杂，容易造成检测时间长和过拟合等问题；②基于阈值法的检测，该方法通过设置跌倒和日常活动（ADL）的阈值分辨跌倒，该方法简单，较容易实现，且运行速度快，但目前对阈值选择还没有统一标准。

研究表明，主动跌倒持续时间为514±112ms，被动跌倒（当受到外力时）持续时间为713±104ms［10］，而如何在人体跌倒前就作出检测并进行相应干预具有重要意义。因此，从系统检测出跌倒到倒地这段时间PIT（Pre-Impact-Time）将是评价检测系统及时性的重要标准。

Ahn 等［11］采集躯干的加速度、角速度，使用两种不同的阈值法进行研究并作对比；Zhong 等［12］设计一种位于腰部的可穿戴系统，采集加速度计和角速度，使用行加速度和欧拉角计算垂直位移和速度，再设置其阈值，通过多级判断以达到实时检测跌倒目的；Leone 等［13］采集小腿处肌电信号，使用肌肉共收缩指数（CCI）和EEG 信号绝对值之和（IEMG）作为特征值，通过设置4 种不同的阈值进行检测；Shi 等［14］设计一种基于足底压力和位于腰部的惯性传感器的跌倒检测系统，通过设置压力和惯性数据的阈值判断跌倒状态，且也能达到不错的效果；Su 等［15］通过收集腰部和大腿的加速度计信息，使用三级分类器对跌倒和ADL 进行分辨；Shi 等［16］采集位于腰部的惯性数据，并使用基于类激活映射的卷积神经网络（CNN）进行分类；Xiao 等［17］使用位于下肢的四通道肌电信号作为特征值，运用支持向量机（SVM）进行训练；茅莉磊等［18］使用加速度和角度作为特征，基于SVM 设计一个检测方法。各研究表现性能如表1所示。

Table 1 The methods and performance of current researches表1 当前研究方法及性能

从算法类型上看，前4 种采用了阈值法，后4 种使用了机器学习算法。可明显看出，阈值法系统的特异性和敏感性相对较差，但PIT 较高，即算法响应较快，而机器学习算法则相反。

为了能同时保证检测系统的准确率和PIT，本文设计了一种基于加速度、角速度和足底压力的多传感器跌倒检测系统，并且使用了一个三层的BP 神经网络作为检测算法，实现了实时跌倒检测，这样既保证了数据的多样性，又不会因算法的复杂程度影响检测速度。

2 系统设计

整个系统设计结构如图1 所示，包括硬件系统和上位机系统两大部分。硬件系统分为左右脚两部分，均位于鞋体外侧，运行时采集左右脚的加速度、角速度和足底压力信息，随后通过WiFi 模块传给上位机系统，并对数据进行显示和持久化，将数据预处理后传给检测算法，检测算法得到结果并反馈给上位机。

Fig.1 The block diagram of the proposed fall detection system图1 系统结构

2.1 硬件设计

系统硬件包括4个部分：主控芯片STM32F103、姿态采集模块MPU6050、四路薄膜压力传感器FSR402、无线模块ESP8266、电池模块。整个系统只有半个手机那么大，且只有200g，满足可穿戴系统的小型化要求，系统主体如图2所示。

姿态采集模块能采集人体的加速度、角速度，而薄膜压力传感器是一种电阻压变式传感器，其量程可从20g 到10kg 且能对压力变化有快速反应。该系统使用4 路薄膜压力传感器，分别位于足底的大拇指、第一跖骨、第四跖骨、足跟，人体运动时这几个点的足底压力变化最具代表性［19］，如图3 所示。人体的多种活动都离不开足部作用，因此足底压力变化趋势能明显反映人体当前重心变化情况，为跌倒检测提供重要信息。

Fig.2 The fall detection system图2 跌倒检测系统实物

Fig.3 The position of pressure sensors图3 压力传感器摆放位置

系统上电后，主程序对各模块进行初始化，对加速度、角速度和压力信息进行循环采集，并对其进行滤波，随后对数据进行打包，统一发给上位机软件。

2.2 上位机与算法

上位机包括通信模块、主界面、表格数据可视化、数据持久化、给算法传输数据的接口。在通信时上位机作为服务端，不断接受下位机传来的数据，并对数据进行显示，而检测软件能对这些信息进行显示，并为算法提供检测数据。

人的活动是多样性的，为了将跌倒从各种ADL 中区别出来，使用BP 神经网络作为跌倒的分类器。BP 神经网络可以说是目前最成功的神经网络学习算法，其通过前向传播得出结果，再反向传播减小误差，通过对采样数据不断训练，达到一个局部最大的准确率。算法训练和检测流程如图4 所示。

Fig.4 Algorithm training and testing process图4 算法训练测试流程

为了保证检测准确率且不影响检测的PIT 值，使用一种三层神经网络，如图5 所示。该神经网络输入层数为20，隐藏层数为10 并包括一个偏移常量，输出层数为1，算法输出1 为跌倒，0 为日常活动。

Fig.5 The structure diagram of BP neural network图5 神经网络结构

在神经网络的前向传播中，后一个节点和前面节点关系如式（1）、式（2）：

对于一组数据xi={x1,x2…x20},yi={y} 通过网络预测得到预测值为oi，其单个数据代价函数如式（4），求所有数据的平均代价如式（5）。

网络反向传播是为了减小模型的平均代价，求得一个所有神经节点代价最小时的权重，达到一个局部最优解，通常使用梯度下降法更新权重、bn，2＜n，u是学习率，为0～1。

为了作进一步计算，引入一个中间变量，表示网络中第n层第j个神经节点的误差，如式（8），并且误差与权重关系如式（9），将其代入式（6）和式（7）可实现网络权重更新和偏置目的。

2.3 实验设置与特征处理

为了构建模型训练集，本文将人类的行为活动分成了两大类：跌倒和日常活动（ADL）。为了便于区分，又将跌倒分解成了前后左右4 个方向，同时ADL 包括站立、行走、上下楼梯、坐下起立等常见活动，如表2 所示。

Table 2 The classification of human behavior表2 人的行为分类

本文设计实验，选取成年男性为受试者，以确保受试者人身安全，采集人在跌倒和ADL 时各传感器信号。实验时让受试者佩戴检测系统，逐步进行上述活动，每次活动都控制在10s 以内，行走和上下楼梯都以匀速进行，同时告知试验者尽可能地模拟真实跌倒情况，每种活动重复5 次。

系统采集到的原始数据如式（10），其中Accx、Accy、Accz代表3 轴的加速度值，Grvx、Grvy、Grvz代表3 轴的角速度值，F1、F2、F3、F4分别对应第一脚趾、第一跖骨、第四跖骨、足跟的压力值。得到的原始数据并不能直接使用，还需对其做特征处理，首先为保证模型能够快速收敛，将会对原始数据做归一化处理，即每一个数据都会除以其传感器量程。

随后还需对跌倒和ADL 进行标注，这对检测系统性能尤其是PIT 有很大影响。为了找到这样的零界点，本文通过观察足底压力变化，确定4 类跌倒的临界位置，即包括临界点在内的前5 个点都认定为跌倒正在发生，4 种跌倒的标注方法如图6 所示（彩图扫OSID 码可见）。各跌倒的临界位置确定方式如下：①向后跌倒：双足跟压力F4_l 和F4_r 最高点；②向前跌倒：双足大拇指压力F1_l 和F1_r 最高点；③向左跌倒：取左第四跖骨F3_l 和右第二跖骨F2_r压力最高点；④向右跌倒：取右第四跖骨F3_r 和左第二跖骨F2_l 压力最高点前。

Fig.6 The recognition methods of four types of falls图6 4 种跌倒标注方法

跌倒是一个动态过程，用单数据点并不能反映一个完整的跌倒过程，因此使用滑动窗口算法解决该问题［20］。该算法使用一个窗口函数代表一个动态过程的矩形窗口，如图7 所示（彩图扫OSID 码可见）。窗口右边代表当前时间，窗口长度设置为4，代表当前时间的前4 个点。计算这4 个点时间上的平均值作为算法输入数据。

系统采样频率设置为10Hz，这意味着每100ms 窗口就会向前移动一格，并对当前人体状态进行判断，窗体移动过程如图7 所示。为了方便展示，图中只显示了压力数据。

Fig.7 The schematic diagram of system sliding window图7 系统滑动窗口示意图

通过实验采集到的跌倒和ADL 数据比例为100∶1712，虽然数据比例接近于真实情况，但数据比例差距过大会严重影响模型训练效果。为了保证模型准确率和训练方便，对跌倒数据进行过采样处理，即通过统计学中的采样使数据比例达到1∶1，并使用此数据对BP 神经网络进行训练。得到一组权重值使检测性能最好，随后将该模型作为整个系统的检测模块，通过实时输入传感数据，对人体状态进行实时检测。

2.4 实验结果与分析

为了评估本系统的分类性能，使用所有数据对模型进行测试，结果通常有以下几种情况：真阳性（TP）、假阳性（FP）、真阴性（TN）、假阴性（FN），分别代表跌倒且检测为跌倒、非跌倒检测为跌倒、非跌倒检测为非跌倒、跌倒检测为跌倒。以上参数可组成混淆矩阵如图8 所示，其中，1 代表跌倒，0 代表日常活动，表明检测结果真实值和预测值的对应数量。

验证一个模型的分类性能有3 个指标：准确率（Accura⁃cy）表示系统平均分类能力；敏感性（Sensitivity）表明系统对跌倒的敏感程度，敏感性越高代表漏检概率越低；特异性（Specificity）表明对跌倒和非跌倒的区分程度。

由图7 计算得出系统准确度可达99.7%，敏感度和特异性分别为100%和99.3%，可以看出系统检测性能很高，且对跌倒和ADL 有很强的区分能力，检测系统的PIT 值约为400ms。系统在保证检测准确度的情况下，也能达到一个很好的PIT 值，证明本系统能很好地完成跌倒检测要求。

Fig.8 The Confusion matrix of proposed algorithm图8 混淆矩阵

3 结语

为了满足对老年人跌倒的检测需求，本文设计了一种位于足部的多传感器跌倒检测系统。该系统通过采集人体足部的压力、加速度、角速度等信息，经过特征处理后，使用BP 神经网络作为检测模型实现老年人跌倒检测。同时，该系统体积小、重量轻、置于鞋体外侧，满足了可穿戴系统便于穿戴的需求。实验证明，该系统能在较短时间内对跌倒作出反应，且达到很高的检测精度。但该系统只能对人体的跌倒进行实时检测，而如何对发生跌倒进行干预还需作进一步研究。