基于可穿戴传感器的秋季检测系统的开发

抽象的

跌倒检测是公共医疗领域的一项重大挑战，特别是老年人作为其身体健康的下降，并且需要及时可靠的监视，以减轻瀑布的负面影响。本文开发了一种基于可穿戴设备的新型落盘检测系统。系统监测人体的动作，通过有效的四元数算法识别出正常日常活动的落后，并自动向照顾者提供患者的位置的帮助。

1.介绍

老年人的瀑布总是导致严重的健康问题，因为他们的身体健康的衰落[1］.骨折是老年人堕落中最常见的伤害，也有一定可能获得昏迷，脑外创伤和瘫痪。在最堕落的情况下，由于高影响力，秋季过程是主要伤害的主要来源。但有时迟到的医疗挽救可能会恶化情况[2］.这意味着救赎者的速度越快，老年人将面临的风险越大。

科技的进步为我们保护老人带来了更多的可能性。低功耗元器件，实现可穿戴式监控设备。MEMS(微机电系统)传感器简化了传感器系统的设计和实现。基于位置的服务(LBS)使得老年人在健康监测中的定位更加方便。此外，移动计算使远程健康监控更容易实现。

在我们的生活中开发或应用了几种秋季检测方法[3.］.其中一个是基于计算机视觉的方法。相机分布在有限空间，以提供人类活动的图片或视频来实现秋季检测算法。诸如运动传感器的外部支架可用于增强基于计算机视觉的坠落检测方法[4.[数据融合算法可以操作两个子系统之间的验证和相关性，以提高坠落检测的鲁棒性能。这些基于计算机的方法有效地在室内环境中工作，但由于摄像机的部署总是有限的，因此它们很难在室外环境中实现。

基于运动传感器的方法也是常用的。加速度计和陀螺仪可以直接提供直线和角速度的运动信息。传感器测量或其适当的融合可以用来区分真正的坠落。运动传感器的构成和检测算法各有不同。第一种检测方法是使用加速度计。一个三轴加速度计可以提供物体在包括重力影响的三个方向上的加速度。当加速度计固定在人体上时，就会建立一个坐标。重力或动态加速度的影响可通过使用低通滤波器或高通滤波器[5.］.还可以基于加速度分量与其向量和的关系来计算一些角度移动信息[6.］.第二种检测方法基于加速度计和陀螺仪[7.］.陀螺可以提供角速度，加速度计可以提供线性运动信息。第三种检测方法也使用磁力计。三轴磁力计可以在三个方向上检测磁强度，并且还可以在水平面中提供角度运动信息。但环境磁场可能干扰地磁场，这减少了磁力计输出的可靠性，例如，在一些钢结构架构中或具有强大电磁的一些物体附近。作为角度信息也可以从加速度计测量中提取，诸如卡尔曼滤波器的状态空间过滤器是常用的技术来组合角运动信息[8.］.除此之外，像气压计这样的传感器还可以辅助纯运动传感器进行人体步态识别[9.］.

但是，实际上，使用更多传感器意味着更多的功耗，并且设计适当的算法来保险为不同类型的传感器是一项挑战。单个三轴加速度计足够足以进行人类坠落检测，因为可以从其测量中提取足够的信息。除此之外，如果只需要总和向量的大小，则不必固定加速度计坐标[10.，这对可穿戴应用非常方便。本文开发了一种基于可穿戴设备的跌倒检测系统。该装置的硬件和软件实现主要基于单一的三轴加速度计和GPS/GSM模块。该设备使用了一种高效的跌倒检测算法，资源和功耗更低，这意味着它是一个适合户外应用的设计。

2.系统设计

所开发系统的体系结构如图所示1．可穿戴设备放置在人类的腰部。系统可以通过加速分析来检测老人的落下。然后它将获得老人的地理位置，并将秋季警报短信发送给看护人。因此，已经堕落的老人可以及时地帮助尽量减少负面影响。

3.落后检测算法

3.1。概述

识别特征的选择对跌倒检测的成功与否具有决定性的意义。线性运动(如位移、速度、加速度)和角运动(如角度、角速度、角加速度)等信息可以直接或间接获得。此外，可以通过FFT和小波等技术从基本传感器测量中提取频域参数[11.那12.］.对于单三轴加速度计的应用，加速度和导出的角参数可以作为识别特征。

FALL检测算法设计基于识别特征的选择。根据识别特征，下降检测算法被分类为基于阈值和基于机器学习的基于阈值。对于基于阈值的方法，在应用程序之前由设计者设置识别特征的阈值，这使得算法具有快速响应和资源消耗较少[13.］.但是阈值的选择需要严格的方案和适当的实验。对于基于机器学习的设计，可以在支持向量机（SVM）和神经网络等技术的帮助下提供秋季和正常活动的分类[14.那15.］.机器学习辅助可以在一定程度上增强系统的鲁棒性，但其算法设计始终是高计算资源，这限制了其在可穿戴设备中的应用。由于紧凑型可穿戴设备需要低功耗并且单轴加速度计可以提供有效信息，因此在该系统中将使用阈值的下降检测算法。

3.2。算法设计

在该秋季警报系统中使用的算法基于总和加速度和旋转角度信息的阈值。当一个真正的堕落发生时，人体和地面之间的碰撞将在总和加速下产生明显的峰值这具有幅度 在哪里那， 和目前加速度计测量三轴。该系统使用总和加速度作为第一步，以区分高强度运动与其他。但正常的运动，如跳跃或坐着，也会产生峰值，这意味着需要额外的检测特征。

这里使用的第二特征是基于加速度测量计算的角度。由于人类的运动具有低加速度，因此通过使用低通滤波器可以在每个轴中获得重力分量是可行的。如果在人跌落之前和之后可以分离重力分量，则可以计算3D空间中的加速度计坐标的旋转角度，这也等同于重力矢量相对于固定坐标的旋转角度。由加速度计和重力矢量构造的坐标如图所示2．在固定坐标中的重力矢量的旋转如图所示3.．

四元素是一种有效的工具，可以描述人类步态变化中的旋转运动，这也包括下降[16.］.可以将四元数描述为 这具有幅度

单位四元素具有幅度可以描述为

如图所示3.，旋转角度等于．旋转轴与旋转平面正交，其方向符合右手螺钉规则。那， 和是单位矢量的三个部件，其描述了固定坐标处的四元数的方向。

除了旋转运动之外，四元数还可以描述3D空间中的矢量，例如重力矢量这可以被描述为四元数 那， 和有三个组成部分它具有四元数级别

单位四元数用于描述人类的下降运动，也可以分为三个旋转四元数那， 和简化计算，如图所示4.．

在人类落下的运动之前和之后的重力矢量信息的帮助下，如图所示3.，这三个分离的四元数都可以使用。

可以表达为 具有旋转角度和旋转轴信息作为

四元素可以计算为 它具有旋转角度

四元素是 以旋转角度和旋转轴信息为

然后可以通过四元管乘法表示秋季运动的旋转 在哪里是共轭四元素．正常基于基础矩阵代数来实现四元数代数[17.］.以上四元数乘法可以通过矩阵乘法来实现，如

整个旋转四元素也可以分解为 那， 和都是基于下落运动前后的重力信息。最后，有可能得到四元数的四个元素根据上面的方程和旋转角度可以计算为

当物体下降时，幅度将接近90°，这也是与大多数正常活动不同的角色。因此，它可以用作旁边加速度旁边的第二检测特征。

所提出的算法的流程图如图所示5.．

可穿戴设备将首先安装在人的腰部，紧密反映人体的运动[18.]，设备将记录虽然老人仍然站在。没有特殊的设备方向要求，但只能在磨损期间保持静止。表示总和加速度幅度的阈值和意味着断裂后振荡时间持续时间的阈值．

当获得三个不同轴中的测量时，总和加速度将计算。当真实的跌倒发生时，总和加速将达到峰值．在实际下降中，加速的波动将在持续时间内停止然后总和加速是因为老人会躺在地上。然后加速度被记录为．四元旋转将根据信息计算和．最后，如果旋转角度，系统会将其视为秋季．

4.实现

4．1.硬件

ADI的数字三轴加速度计ADXL345是该系统中使用的运动传感器。GPS服务和GSM通信功能集成在SIMCOM的SIM908模块中。TI的16位MCU MSP430F1611用于控制整个系统并意味着检测算法[19.］.

加速度计的测量范围可以设定为±2g，±4g，±8g或±16g，最大采样率为3.2 kHz。由于人类的活动通常在低频频段[20.[100 Hz是人类坠落检测的适当抽样率。ADXL345中有一个内部数字滤波器，可以在一定程度上削弱噪音并降低MCU中数字信号处理的负担。测量将通过传感器和MCU之间的IIC（中间电路）总线通信发送。

SIM908可以提供与MCU串行端口通信的GPS和GSM服务，也可以在低功耗模式下工作。

可穿戴设备的每个硬件组件在低电压下工作，检测算法不需要复杂的计算资源，因此整个设备的功耗非常低。3.7V，3.7V聚合物锂电池足以提供可穿戴设备的需要几天。

检测装置的硬件结构如图所示6.， PCB板原型如图所示7.．

4．2.软件

系统的软件设计可分为两部分。其中一个是可穿戴设备中的软件设计，另一个是在照顾者的手机中。

4.2.1。可穿戴设备

可穿戴设备软件的流程图如图所示8.．

在系统初始化之后，在老年人站立时，通过低通滤波器从加速度测量中提取。之后，将应用跌倒检测算法。如果检测到摔倒，可穿戴设备将定位到用户，并立即向护理人员发送报警短信。然后设备会通过振动来提醒老人。如果用户手动按下按钮解除报警，设备将回到跌落检测状态，并发送短信通知护理人员。

4.2.2。照顾者的手机

有一个URL（通用资源定位器），在警报短消息中链接到Web地图。当护理人员打开此链接时，秋季位置信息将在Web地图上突出显示。

5.系统测试

在上述系统设计的基础上，对跌落检测系统进行了系统测试。

5.1。可穿戴设备和跌倒检测算法

加速度计采样频率设置为100hz，测量范围为±16g，最大精度为4mg。单片机将读取传感器内部FIFO的原始测量值并应用检测算法。

测试对象是三个不同的志愿者，年龄分别为23岁、42岁和60岁。根据对这些志愿者实验数据的分析，和分别设置为2 g和2 s。为了得到在秋季站立和撒谎时，总和加速度其中有幅度（）g和（）G将被视为和．考虑到地面的倾斜或老年人的躺姿可能会影响旋转角度、旋转角度之间()°和(）°将推断老年人已经下降了。

系统测试含有五种日常生活活动（即，走路，跳跃，蹲，坐着，休息，四种谬误（即，前进，落后，向左和向右）。

每种志愿者都重复了每种运动20次，以及所提出的算法的检测结果和基于加速阈值的算法[13.]列在表中1．

敏感性和特异性[21.那22.]所提出的系统可以从表中的测试数据中获取1．该算法的灵敏度为97.1%，特异性为98.3%。测试结果表明，基于加速度阈值的算法灵敏度和特异度较低，分别为91.6%和88.7%。

数字9.显示了不同种类的尚待污骤的加速，所有虎嘴正常触发下降警报，相应的旋转角度为91.9°，-100.5°，104.7°和-114.1°。

数字10.在躺下和休息的活动期间显示加速度，其具有-117.0°的旋转角度和与下降相似的波形[23.]但峰值加速度要低得多。此情况尚未触发秋季警报。

数字11.在其他ADL测试中显示加速。它们都没有90°的旋转;甚至有些峰值也相当高，因此没有触发下跌警报。

5.2。基于位置的服务

Caregiver的手机上的报警接收功能也得到了测试。手机已收到包含地图URL的警报SMS（短消息服务），如图所示12.当检测到跌倒时。单击URL将在Web浏览器中打开地图，掉落位置将准确地显示，如图所示13.．

6.结论

本文开发了一种基于单轴加速度计的可穿戴装置的坠落检测系统。没有特殊要求设备的安装方向，因为该算法不要求严格固定加速度计的轴。该系统具有低功耗的硬件设计和高效算法，可以扩展可穿戴设备的服务时间。硬件和软件设计都适用于可穿戴和户外应用。

随着休息的正常活动也具有与下降相似的旋转，当体重击中地面时，它可能会触发坠落警报。所以选择区分堕落的谎言活动非常重要。从具有不同年龄和性别的受试者收集的足够的样本号将提高阈值的可靠性和稳健性。除此之外，SVM和神经网络等技术相当可基于该系统中使用的特征来寻找适当的分类方法。

利益冲突

提交人声明没有关于本文的出版物的利益冲突。

致谢

该研究部分受到卫星申请学院的开放研究基金的支持，授予NO。2014_CXJJ-DH_07，返回华侨学者，州教育部和中国高等教育博士学位专业研究基金的科研基金会。

参考文献

1. M.K.Karlsson，H.Magnusson，T.Von Schewelov和B. E. Rosengren，“预防老年人的审查”，“骨质疏松症国际，卷。24，不。3，pp。747-762,2013。查看在：出版商网站|谷歌学术
2. T. Shany，S. J. Redmond，M. R. Narayanan和N. H. Lovell，“基于传感器的可穿戴系统，用于监测人类运动和跌倒”，“IEEE传感器杂志，第12卷，第2期3，页658 - 670,2012。查看在：出版商网站|谷歌学术
3. M. musbashir, L. Shao, L. Seed，“秋季探测的调查:原则和方法”，神经古脑，卷。100，pp。144-152,2013。查看在：出版商网站|谷歌学术
4. M. Grassi，A.Lombardi，G. Rescio等，“人们对基于3D TOF相机和无线加速度计的数据融合能力进行了综合系统，”第九届IEEE传感器会议论文集(sensor’10)，pp.1016-1019，Kona，夏威夷，2010年11月。查看在：出版商网站|谷歌学术
5. a . K. Bourke, K. O'Donovan, a . Clifford等人，“最佳重力矢量和垂直加速度估计使用三轴加速度计的下落和正常活动，”在IEEE医学与生物学工程学会国际年会(EMBC’11)，pp.7896-7899，波士顿，大众，美国，2011年。查看在：谷歌学术
6. G. Anania, a . Tognetti, N. Carbonaro等人，“开发一种使用可穿戴传感器的人类跌倒检测新算法”IEEE传感器学报，pp.1336-1339，IEEE，LECCE，意大利，2009年10月。查看在：出版商网站|谷歌学术
7. L.羌族，J.A.S.Stankovic，M.A.Hanson，A.T. Barth，J.Lach，J.Lance和G. Zhou，“准确，快速地使用陀螺仪和加速度计的姿势信息”，“第六次国际型材和植入体传感器网络的第6次国际研讨会的载体（BSN '09），pp.138-143，伯伊西，加利福尼亚州，2009年6月。查看在：出版商网站|谷歌学术
8. S. Sabatelli，M.Galgani，L.Fanucci和A. Rocchi，一个双级卡尔曼过滤器，用于在9-D IMU中使用集成处理器进行定向跟踪，“IEEE仪表和测量交易，卷。62，没有。3，pp。590-598,2013。查看在：出版商网站|谷歌学术
9. F. Bianchi, S. J. Redmond, M. R. Narayanan, S. Cerutti，和N. H. Lovell，“气压和基于三轴加速度测量的坠落事件检测”，神经系统和康复工程上的IEEE交易，卷。18，不。6，pp。619-627，2010。查看在：出版商网站|谷歌学术
10. S.-L.Hsieh，K.-r.陈，C.-L。Yeh等，“基于一个未固定的位置智能手机的秋季检测方案”IEEE制度，人物和控制论国际会议的诉讼程序（SMC'14），pp.2077-2081，圣地亚哥，加利福尼亚州，2014年。查看在：谷歌学术
11. S. D. Bersch，C. M.J.Chislett，D.Azzi，R.Kusainov和J.S.Briggs，“使用频率分析和现成设备的活动检测：从加速度计数据中崩溃检测”第五届医疗保健和研讨会普遍计算技术国际会议的诉讼程序（PervasiveHealth '11），pp.362-365，Dublin，爱尔兰，2011年5月。查看在：出版商网站|谷歌学术
12. A. H.Khandoker，D.Lai，R.K.Begg和M. Palaniswami，“一种基于小波的筛选方法，用于筛选老年人使用支持向量机的风险”第四届智能感应和信息处理会议的诉讼程序（ICISIP '06），页184-189，班加罗尔，印度，2006年12月。查看在：出版商网站|谷歌学术
13. A. K.Bourke，J.V. O'Brien和G. M. Lyons，“基于阈值的三轴加速度计掉落检测算法的评估”，“步态和姿势，卷。26，不。2，pp。194-199,2007。查看在：出版商网站|谷歌学术
14. T.张，J.Wang，L. Xu等，“通过可穿戴传感器和单级SVM算法进行崩溃，”信号处理和模式识别中的智能计算：国际智能计算国际会议，ICIC 2006昆明，中国，2006年8月16日至19日，卷。345的控制和信息科学的讲义笔记，页858-863，施普林格，柏林，德国，2006。查看在：出版商网站|谷歌学术
15. S. Abbate, M. Avvenuti, F. Bonatesta, G. Cola, P. Corsini, and A. Vecchio，“基于智能手机的跌倒检测系统”，普及和移动计算，第8卷，第2期6，第883-899页，2012。查看在：出版商网站|谷歌学术
16. A. M. Sabatini，“基于四元的表带集成方法，用于惯性感测到步态分析”，“医学、生物工程和计算机，卷。43，不。1，pp。94-101,2005。查看在：出版商网站|谷歌学术
17. J. Vince，计算机图形学的四分气，春天，伦敦，英国，2011年。查看在：出版商网站|Mathscinet.
18. J. Chen, K. Karric, D. Chang等，“可穿戴传感器的可靠跌倒检测”，在第27届医学和生物学会国际工程国际会议的诉讼程序（embs'05），PP。3551-3554，中国上海，2005年。查看在：谷歌学术
19. F.Wu，C. Hu，H. Zhao和Y. Zhao，“发展基于多传感器集成的秋季报警系统”导航研究所第25届国际卫星部门国际技术会议的诉讼程序（ION GNSS'12），pp.3805-3813，Nashville，Tenn，美国，2012年9月。查看在：谷歌学术
20. C. V. C. Bouten, K. T. M. Koekkoek, M. Verduin, R. Kodde, J. D. Janssen，“用于评估日常身体活动的三轴加速度计和便携式数据处理单元”，生物医学工程的IEEE交易，卷。44，不。3，pp。136-147,1997。查看在：出版商网站|谷歌学术
21. M. Kangas，I. Vikman，J. Wiklander，P. Lindgren，L. Nyberg和T.Jämsä，40岁及40岁以上人民的敏感性和特异性的敏感性和特异性，“步态和姿势，卷。29，不。4，pp。571-574，2009。查看在：出版商网站|谷歌学术
22. P.Jantaraprim，P.Phukpattaranont，C.利马尔和B. Wongkittisuksa，“对各种主题群体的老年人进行评估”，“第三届康复工程与辅助技术公约的诉讼程序（ICREATE'09），pp.1-4，新加坡，2009年4月。查看在：出版商网站|谷歌学术
23. S. Abbate，M. Avvenuti，G. Cola等，“跌落检测系统中的误报识别”消费者通信和网络会议（CCNC '11），第23-28页，拉斯维加斯，内华达州，美国，2011。查看在：谷歌学术

版权

版权所有©2015 Falin Wu等。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。