基于多传感器融合的跌倒检测研究综述

刘瑞佳，周怡

（四川大学计算机学院，成都610065）

0 引言

随着全球老龄化浪潮的到来，我国许多城市已经进入老龄化社会结构。全国出台的《老年人跌倒干预技术指南》[1]提到了，对于65岁及以上的老年人，跌倒是其伤害死亡的首要原因。然而，老年人的跌倒往往不是一种意外，是可以预防和控制的，准确的跌倒检测算法则可以大幅度降低老人摔倒的概率。

目前有许多研究人员使用多传感器融合技术来监测人体的运动情况，该技术能及时获取多向运动数据信息。基于该技术，研究人员采用不同的算法思想，对跌倒行为进行研究与检测实验。

本文将该领域的主要研究按照算法思想分为两个方向：基于阈值分析的跌倒检测研究与基于机器学习分类的跌倒检测研究。同时本文还对近年提出的两类跌倒检测算法进行技术原理的归纳和总结，对两类算法的优势与局限性进行了解释说明，并在此基础之上提出了对未来跌倒检测领域的研究趋势和对需要攻克的难点问题的预测。

1 多传感器融合技术

近年来众多关于跌倒检测的研究都依赖于多传感器融合技术。多传感器融合技术通过多个传感器单元来实现信息获取，最后将采集到的信息进行整合分析[2]。避免了传统单传感器的弊端，多传感器在信息处理和估计方面更加全面。在研究中，采集到的人体“跌倒”数据越全面、准确，最终的跌倒判断就会越可靠、稳健。

研究中较为常用的传感器主要是三轴加速度传感器和三轴振动式角速度传感器（即陀螺仪）。在不同的跌倒检测研究中，研究人员会对这两种传感器有一些取舍和改进。这些传感器在经过简单的可穿戴改造后，即可用于测量穿戴者运动时在X轴、Y轴和Z轴方向上的加速度和角速度。在跌倒检测研究中MEMS传感器MPU6050得到了广泛的应用，该传感器集成了三轴MEMS加速度测量与三轴MEMS角速度测量功能。MEMS加速度传感器所测量的加速度可用于计算载体的速度、位移信息；MEMS三轴角速度传感器的关键性能指标包括灵敏度、动态范围等[3]。除此之外，其他可靠性高、灵敏性高、易于集成的微型传感器在跌倒检测中也十分流行。例如意法半导体LIS3DSH[4]、L3GD20[5]和博世半导体BMA250，分别可以用于检测人体运动时的三轴加速度、三轴角速度和三轴线性加速度。使用多传感器融合技术可以有效地记录人体在行动过程中实时姿态的变化，许多微型传感器既便携性好、不受环境的限制，又价格低廉、可以有效降低成本。

2 基于多传感器融合的两类跌倒检测研究

2.1 基于阈值分析的跌倒检测研究

基于阈值分析的跌倒检测主要处理流程包括设置一个或多个阈值来判断是否出现跌倒行为，传感器接收的数据信号若突破了预设的阈值，则判断为跌倒。依赖于传感器收集到的信息，大多数研究通过设置合加速度ar与合角速度ωr的阈值来进行研究测验，袁铭[6]提出了一个较为基础、普遍的阈值设置方法，检验在一段时间内，传感器采集到的合加速度或合角速度之间的极差adiff或ωdiff，则有：

若adiff≥ar或者ωdiff≥ωr，则突破预设阈值，发生跌倒；若adiff≤ar或者ωdiff≤ωr，则未突破预设阈值，未发生跌倒。类似地，也可以使用合加速度和合角速度的变化率来判断。

李京慧等人[7]提出了在合加速度阈值与姿态角阈值的基础之上加入了时间阈值，研究人员采用了ADXL345三轴加速度传感器采集数据，采用ATKNEO-6M高性能GPS实现全球定位。通过合加速度阈值合时间阈值来检测失重、撞击、静止三个过程是否按顺序发生；通过设定的姿态角阈值来判断人体动作是否还处于正常范围之内。研究人员预设的失重-撞击时间间隔阈值为0.5s，静止持续时间阈值为2s，倾斜角阈值为45°。由于人体从站立变为跌倒时，重心会瞬间下移，极短时间内合加速度会小于重力加速度g，人体与地面的夹角会近似为0°。而人体跌倒时，失重、撞击、静止这三个状态之间切换时间间隔具有有限性。故研究将时间阈值、合加速度阈值、姿态角阈值三者结合起来，可以有效提高判断的准确率。最终模型对跌倒检测判断的准确率达到了97%，且检测系统相当稳定。

秦昉等人[8]提出了一种着重区分跌倒状态和人体日常生活活动的算法。研究数据采集单元采用微型MMA7260Q加速度传感器获取三轴加速度，使用MB95770与传感器直接对接。研究人员考虑到人体活动情况存在多变性，某些相似行为发生后会产生相似的加速度，故引入参数倾斜角TA来加以区分，同时还能减少装置佩戴不正时加速度传感器坐标变化引起的误差。在实验中，弯腰和快速坐下后站起的冲量较小，检测结果显示为未发生跌倒；跑动的加速度信号波动明显，但范围小，检测结果也为未发生跌倒。最终检测模型的平均准确率为94%，正常行为被正常识别的特异度为98%，判断精度较高且具有实时性。

肖巍[9]针对传统跌倒检测研究无法在人体跌倒第一时间及时检测的问题，构建了智能视觉下的人体跌倒检测方法。首先依据智能视觉分析技术判断跌倒行为，通过分析跌倒前后的波形特点，来区分跌倒过程的不同阶段，以此可以解析跌倒行为的全过程。采用加速度传感器获取人体动作的惯性特征，在全过程的基础上对人体跌倒进行判断。研究中采用Karhunen-Loeve Transform方法选取合理特征量，通过该方法，实验的变化方法不会受到模式分布的限制。最终检测模型的准确率达到了97%，检测时间仅为0.3s，远低于其他检测方法，实际应用价值较高。

基于阈值分析的跌倒检测，其研究原理更容易理解。并且在采集到同样的数据后，阈值分析的计算量较小、响应速度快，在现实老人跌倒的紧急情况下其更有实用价值。

2.2 基于机器学习分类的跌倒检测研究

对于基于机器学习分类的跌倒检测方法，在获得原始传感器数据后，通常需要经过滤波去噪、特征向量提取和机器学习分类这三个数据处理流程，才能获得关于被测人员是否跌倒的判断。原始数据中包含了大量的随机噪声与脉冲噪声，若未经处理直接应用，会严重干扰判断，故而必须预处理剔除。预处理后的数据按照一定的设计组合成为特征向量，以作为分类器的输入。在跌倒样本与非跌倒样本之间，好的特征向量会表现出明显的数值差异，有利于降低分类器计算量，提高分类准确率。在对特征向量的设计不同的情况下，研究人员需要比较分析选择最合适的机器学习分类器，以最大程度地获得高准确率、低漏判率和低误判率。

吕艳等人[10]采用Infinite Impulse Response（IIR）滤波器进行数据预处理，由于各个传感器的测量单位不同，数据特征之间的数值差距较大，为了方便输入后续分类器，该文献还利用了Z-Score标准化方法对滤波后的数据再次处理。处理后得到9组特征数据，分别是三轴加速度、三轴角速度和三轴线性加速度，将长度为300的源数据每33组以平均值替代，处理得到的9×9的矩阵即为研究的特征向量，预备输入BP卷积神经网络进行分类。最终的神经网络结构包括输入层、卷积层1、池化层1、卷积层2、池化层2和全连接层。在模型训练过程中采用Adam优化算法，在卷积和池化操作中引入Padding方法，并在全连接层之后使用损失函数衡量模型效果、定义优化目标。最终模型的跌倒判断准确率达到了99.2%，在特征向量不变的情况下，卷积神经网络分类器的效果优于AdaBoost模型与随机森林模型。

裴利然等人[11]采用两级滤波进行噪声去除，第一级是窗口宽度为5的中值滤波，第二级是窗口宽度为7的均值滤波。预处理后得到的数据包括三轴加速度、绕Y轴的姿态角pitch和绕X轴的姿态角roll。基于长度为N的源数据，文献设计提取了5个特征值：合加速度SVA、动态合加速度SVD、Z轴方向的加速度分量BVA、窗口宽度为l的BVA、变化量K和窗口宽度为w的姿态角变化量M。将这五个特征值按序排列即为本方法的特征向量，预备输入SVM分类器进行分类。在确定RBF为SVM分类器的核函数后，再利用PSO算法以做出最优参数选择。经实验，在跌倒与简单日常活动之间，PSO-SVM算法获得的最优参数为C=0.62，g=37.4，此时分类准确率达到100%；跌倒和类跌倒日常活动之间，PSO-SVM算法获得的最优参数为C=0.57，g=88.9，此时分类准确率达到88.9%。

谷志瑜等人[12]采用三项均值滤波器进行降噪处理，预处理后得到的数据包括三轴上加速度和角速度。研究中特征向量由三项内容组合而成：自回归模型系数a、信号幅度SMA和倾斜角度TA。自回归模型是一种可用于预测的线性回归模型，故而其模型系数可用于表示源数据各数据项的变化趋势。自回归模型的数学表达式为：

其中a(i)即为所利用的AR模型系数。一定长度内的数据信号幅度SMA可以良好地区别静态活动与动态活动。倾斜角度TA由一定时间窗内的角速度值求积分得到。自回归模型系数a共9项，信号幅度SMA共3项，倾斜角度TA共3项，顺序排列即为15×1的特征向量，预备输入BP神经网络。BP神经网络的输出层包含两个神经元分别对应跌倒与非跌倒的比值。实验证明该跌倒检测研究的准确率高达98.97%。

基于机器学习分类的跌倒检测发展较为迅速，不同的研究人员基于机器学习算法设计了不同的研究，普遍取得了较高的准确率。

3 研究思考

针对近年跌倒检测领域的各类研究，本文综合了较为流行的阈值分析法和机器学习分类法，并对二者的发展趋势做出了科学合理的展望。

基于机器学习分类的跌倒检测方法将会成为未来该领域的研究热点。在跌倒检测中，机器学习分类算法展现出了强大的灵敏度和准确度，且对外界配置的依赖程度更小，更为灵活可变，研究人员易于在过往的算法上直接进行改进、优化。而阈值分析法虽然原理简单、计算量小，但发展受限较大：该方向的研究都大多依赖于合加速度、合角速度与姿态角的直接组合，可以说，传感器的种类和安装位置很大程度上已经决定了该方向的检测水平。而且在设定阈值时，要求科研人员有较高水平的人体运动学知识，对研究人员的研究门槛限制较大。未来使用机器学习分类法对跌倒检测进行研究时，应在保障一定跌倒判断准确率的基础上，更注重实时性和计算成本。

两类跌倒检测算法将会结合更多的实际应用背景。首先目前跌倒检测研究的数据多源于实验室，是传感器正确佩戴、测试人员人为跌倒的结果，数据信息采集过程极为理想化，脱离实验室环境后难以落地部署。其次当下研究人员鲜少考量到人体日常活动与跌倒之间较为模糊的状态，例如快速蹲下和快速躺下，这类动作既可能来源于人体正常日常活动，也可能来自于跌倒过程，但大部分研究都人为得将其直接归类为“跌倒”或“未跌倒”。人体的运动行为是较为复杂和随机的，只针对部分特征向量来实验，会导致出现大量漏报、误报的情况。在现实生活中，漏报会给老人的生命安全带来严重影响，而误报则会产生不必要的人力、时间资源的浪费。所以未来研究人员应该注重算法在现实老年人跌倒场景下的泛化能力，可以在不同危急情况下得到准确的结果。

4 结语

目前针对跌倒检测的各类研究已经取得许多成果，通过对该领域的文献进行整理，将其分为基于阈值分析法和基于机器学习分类的跌倒检测算法。然而这两类算法发展尚不成熟，无法直接在现实生活中部署。其中阈值分析法虽然计算量小、响应快，但准确率受到诸多外界因素的影响，难以突破。机器学习算法是未来的研究热点，其准确率高、灵活度大，但面临算着鲁棒性低、泛化能力较弱的问题，需要进一步结合实际场景进行改进与优化。意外跌倒对老年人生命健康带来极为恶劣的影响，这两类跌倒检测算法在完善后会应用于更复杂多变的实际生活中来保卫老年人的身体安全。