1、基金項目：浙江省科技廳公益技術研究社會發展項目(2014c33098)，浙江省科技廳一般科研項目(Y201432273)，浙江機電職業技術學院孵化基金項目(A-0275-14-011)作者簡介：歐志球(1978-), 男，湖南長沙市人，系統分析師，講師，主要從事移動互聯網應用、無線傳感網方向研究 戴堅峰(1975-), 男，浙江臺州市人，副教授，主要從事安全軟件開發、無線傳感網方向研究 王錚(1986-)，男，浙江杭州市人，講師，主要從事復雜物流系統動態調度算法、物聯網移動監測與優化方向研究基于高斯模糊的摔倒自檢測算法設計與應用歐志球1 戴堅鋒1 王錚1（1.浙江機電職業技術學院 計算機工程學

2、院，浙江 杭州 310053）摘要: 隨著智能設備的普及，如何快速準確地檢測、識別人體摔倒已逐漸成為研究的熱點。然而現階段對摔倒動作識別與檢測仍然存在很多問題。為此，以智能設備的傳感器系統采集的三軸加速度與角加速度為基礎，結合經過高斯過濾后形成人體活動的信號幅度向量和陀螺儀信號幅度向量特征曲線與摔倒檢測的模糊隸屬函數特征模型，提出一種基于模糊的摔倒自檢測算法。算法重點針對急速跑動、上下樓梯、手機平拋和自由落體等摔倒檢測中的干擾動作進行了分析與區分，經過實驗測試表明該算法有較快的反饋速度、較好的區分度以及較低的誤判率。關鍵詞: 摔倒檢測；信號幅度向量；陀螺儀信號幅度向量；高斯模糊中圖分類號: T

3、P301.6 文獻標識碼：ADesign and application of fuzzy based auto fall detection algorithmOu ZhiQiu1 Dai JianFeng1 Wang Zheng1( 1. Zhejiang Institute of Mechanical and Electrical Engineering, Hangzhou 310053, China. )Abstract: With the popularity of smart devices, how to correctly identify the elderly fall d

4、etection, has gradually become the research hot spot. However, at present about falling action recognition and detection still exist many problems. Therefore, intelligent equipment of triaxial acceleration and Angle acceleration of the sensor system acquisition, on the basis of combining forming hum

5、an activity after gussied filtering signal amplitude vector (SMV) and the gyroscope signal amplitude vector (GSMV) characteristic curve and fuzzy membership function characteristics of the fall detection model, proposing a fall since detection based on fuzzy algorithm. Algorithm focuses on rapid mov

6、ement, up and down the stairs, mobile phone horizontal cast and a free fall, the interference action of the fall detection are analyzed and distinguish, through experimental tests show that the algorithm has good degree of differentiation and low misjudgment ratio.Key words: Fall Detection; Signal M

7、agnitude Vector; Gyroscope Signal Magnitude Vector; Gauss blur0 引言 隨著老年人口急速增長，老年人的跌倒發生率也呈增長趨勢，若不采取有效的預防和干預措施, 跌倒引發疾病的負擔將越來越加劇1。在我國，根據調查：超過33%的社區老人、養老院老人平均每年都會發生一次摔倒2，且摔倒的發生率隨年齡增長而升高3-4。因此，如何進行有效的摔倒檢測具有十分現實意義和實用價值。 國內外在摔倒檢測方面已有相關研究，其原理是針對人體線性加速度和角加速度進行檢測，然后設定閾值判定是否摔倒5-6，可分為三類79：第一類定點安裝監控攝像頭，采用視頻和圖像處理

8、的方式來檢測人體摔倒7，該方式要求額外安裝設備且容易泄露隱私，僅適用于起居室和看護病房等特定場所；第二類安裝聲學設備，通過聲音震動來檢測摔倒，該方式也要求額外安裝設備且準確性較低，主要作為輔助手段 7；第三類通過穿戴式設備進行檢測510，文獻7提出基于統計學判決分析的檢測算法，特征值是基于三軸線性加速度的運動能量消耗；文獻9提出基于三軸線性加速度數據的固定閾值SMV滑動平均和差分信號幅度域相結合的方法，但只能區分快跑和摔倒，對其他干擾無法區分；文獻11提出融合包括線性加速度以及心跳等數據的檢測系統，但其設備不便且算法較復雜7。除此之外，穿戴式設備也受限于需要額外設備、高端設備價格較貴、低端設備

9、通信、定位弱等因素。 智能手機已經在我國普及，且在軟硬件上具備進行摔倒檢測的能力1213，在節省成本的同時還可通過手機開啟自動通話、定位以及數據通信等功能方便受害者即時救助。但手機進行摔倒檢測與固定穿戴式設備存在區別：智能手機的各向加速度、角加速度并不一定與人體運動加速度、角加速度方向相同；手機加速度更易受到各類擾動發生變化；手機也可能脫離人體進行諸如自由落體、平拋等獨立運動。 針對上述問題，本文根據智能手機采集的加速度和角加速度數據，提出一種基于模糊的摔倒檢測算法，該算法首先設立取樣數據檢測窗口，對窗口采樣數據進行高斯過濾，形成人體活動的信號幅度向量（SMV）和陀螺儀信號幅度向量（GSMV）

10、特征曲線，并建立摔倒檢測的模糊隸屬函數特征模型。該算法能有效針對急速跑動、上下樓梯、手機平拋和自由落體等摔倒檢測中的干擾動作進行區分。1 摔倒檢測算法1.1 人體活動特征量以及檢測窗口 測量人體的活動程度，一般采用身體加速度信號幅度向量SMV衡量14，定義如下： (1) 其中，ax, ay, az為人體在手機X、Y和Z軸方向上的加速度分量。Android系統提供了SensorManager、Sensor以及SensorEventListener等配置和獲取加速度傳感器數值，IOS系統也提供CoreMotion框架以獲取各傳感器數據。利用Android平臺API獲得傳感器數據，分別生成ax, a

11、y, az以及SMV的曲線如圖1所示。雖然手機并非穿戴式設備，但SMV仍然可以較好的體現人體的活動過程。 圖1 加速度變化 類似的，我們引入GSMV表示人體角加速度的變化，其定義如下： (2) 其中，gx, gy, gz為人體在手機X、Y和Z軸方向上的角加速度分量，綜合SMV和GSMV的如圖2所示。圖2 SMV和GSMV變化1.2 采樣數據預處理 人體摔倒時伴隨SMV的急劇變化，可以采用經驗閾值1.8 g作為摔倒判別的閾值14，但人體運動是一個復雜的過程，簡單的使用閾值無法判別其他活動，比如晃動、運動和上下樓梯等產生的噪聲影響9。手機更有可能產生隨機噪聲，為了突出人體運動特征，有必要消除部分噪

12、聲影響，因此可以采用高斯模糊的方式濾波。高斯函數如下： (3) 其中r為模糊半徑, 確定模糊權重。經過測試，取r = 3, = 1.5時，高斯模糊可以較好的消除噪聲和保持各種運動時的采樣數據特征，圖3為一個典型的摔倒過程數據經過高斯模糊處理后的對比圖，其中右圖為左圖摔倒過程的局部放大。此時應采用的加速度閾值為1.5g。 其他運動過程的曲線經過高斯模糊處理后的特征曲線可參考圖4，圖中的兩條橫線，上面的一條代表高斯過濾后的摔倒加速度閾值(1.5g)，下面的一條代表人體靜止時的加速度值，即重力加速度g。1.3 摔倒特征模型 由于手機的特殊性，自由落體和平拋代表使用者隨手放置手機時可能產生的加速度變動

13、。綜合1.2生成的曲線分析如下：慢跑步、自由落體以及上樓梯等活動，可以通過線性加速度閾值較好的區分；下樓梯和快跑步等相對激烈活動，其活動時間比摔倒更長，可以通過擴大觀察窗口，計算高于加速度閾值數量區分；平拋以及自由落體活動，其峰值仍有可能超越加速度閾值，而且通過#2無法區分，但由于手機質量小，其加速度峰值到左右兩邊峰谷的比率要遠大于摔倒活動；在摔倒時，一般伴隨有角加速度變化。 建立摔倒特征模型如模糊隸屬函數(4)、(5)、(6)和(7)所示，其中公式(4)進行線性加速度閾值區分，公式(5)用角加速度進行輔助判別，公式(6)中m代表觀察窗口內曲線與加速度閾值相交數量以及曲線拐點(除定點外)大于加

14、速度閾值數量之和，l和r分別代表觀察窗口內波峰到左右峰谷的距離。公式(7)為某時刻摔倒的概率，w代表權重。 (4) (5) (6) (7)同時定義該特征模型的檢測指標檢測成功率和誤檢率如公式(8)、(9)、(10)所示，公式中為區分概率閾值，p(t)為是否摔倒，real(t)為實際發生次數，fall和nofall代表監測窗口實際摔倒和沒有摔倒。 (8) (9) (10) 使用該模型，所有值通過一次循環掃描獲得，算法復雜度為O(n)。圖3 高斯參數選用2 測試結果為了驗證算法的準確性，本文邀請5位健康成年人進行正常活動、普通上下樓梯、加速上下樓梯、普通跑步、快速跑步、手機平拋、手機自由落體、側摔

15、、前摔、后摔以及用力甩動手機等總計2250組數據，測試時地上鋪有地毯，手機采用三星8150和索尼Z1，測試結果如表2所示。表中檢測成功率代表對于實際的摔倒能否區分，誤檢測率代表不是摔倒但算法誤認為是摔倒。從表1測試數據分析：該算法具備良好的檢測成功率和較低的誤檢率。除檢測窗口在400ms外，其余情況下所有摔倒均能檢測到，且誤檢率4%。結合特征模型和高斯過濾后的采樣曲線分析：對于上樓梯運動，SMV 15，GSMV 2，且m = 0，因此f(t) = 0，可以良好區分；對于平拋運動，SMV 15，m = 0 ，因此f(t) = wgsmv，依賴于GSMV權重和區分概率門限；對于自由落體運動，SMV

16、 15，GSMV 2，m = 2 且 l與r值接近，f(t) 1；表1 測試結果窗口(ms)SMV權重(wsmv)GSMV權重(wgsmv)特征權重(wm)區分概率()檢測成功率()誤檢測率()4000.60.10.30.920 = 300/225 # 0.00 * MERGEFORMAT1.338000.60.10.30.921004.0015000.60.10.30.92100 = 800/225 # 0.00 * MERGEFORMAT3.5620000.60.10.30.92100 = 800/225 # 0.00 * MERGEFORMAT3.5625000.60.10.30.921

17、00 = 800/225 # 0.00 * MERGEFORMAT3.5615000.40.10.50.95100 = 700/225 # 0.00 * MERGEFORMAT3.1115000.40.10.50.96100 = 700/225 # 0.00 * MERGEFORMAT3.1115000.40.10.50.97100 = 500/225 # 0.00 * MERGEFORMAT2.2215000.40.10.50.98100 = 300/225 # 0.00 * MERGEFORMAT1.33在確定檢測窗口為1500ms后，適當的調整各參數的權重以及區分概率門限，可以進一步降低

18、誤檢測率從3.56%到1.33%。其原因如下：對于下樓梯，如圖5中紅色圓圈標識所示，在檢測窗口內，m 2，r l，f(m) 0，f(t)依賴于SMV和GSMV的權重值與區分概率門限；對于慢跑步，偶爾會出現 m = 2的情況（如圖4b 12000 14000區間)，但GSMV 2，f(m) 0，f(t)依賴于SMV和GSMV的權重值與區分概率門限；圖4 人體各種運動特征曲線a仍存在的1.33%誤檢測率，發生在急速上下樓梯或者快速運動結束的某些瞬間出現誤判：由于該情境下SMV總大于閾值，而摔倒的特征曲線能進一步提升判別的準確性。因此減小wSMV并增大wm，同時提高區分概率閾值，可以降低誤判率。系統

19、無法完全消除誤判，因為人們在從事該類活動的某些特定時刻，其特征曲線與摔倒幾乎一樣，如圖6中快跑步的最后一段曲線。圖4 人體各種運動特征曲線brl圖5 下樓梯運動特征曲線放大4 結論 本文采用廣泛使用的智能手機的傳感器系統，提出一種摔倒檢測算法，該算法首先使用高斯過濾清除日常生活中的高頻噪聲，然后建立摔倒特征模型的模糊隸屬函數，用于區分摔倒與其他各種人體活動。通過實際的測試驗證，該算法有較好的檢測成功率和較低的誤檢率。由于智能手機一般還具有拍照、錄音、定位以及通信的功能，因此可以將該檢測算法的結果集成到遠程醫療看護系統中，形成綜合化的智能看護系統。參考文獻：1 曹玲, 佟貴鋒, 楊光,等. 影響

20、老年人跌倒的多維危險因素J. 中國體育科技, 2012, 48(3):96-99. DOI:10.3969/j.issn.1002-9826.2012.03.014.2 楊冬葉, 趙勇. 我國空巢老人的現狀與對策J. 現代臨床護理, 2004(5): 60-62.3 朱月妹, 袁浩斌, 陳雷. 老人跌倒危險因素的調查J. 護理實踐與研究, 2007, 4(10):5-7.4 郝燕萍, 劉雪琴, 靳海如. 老年人跌倒傷殘情況分析J. 護理研究, 2006, 20(8):2017-2018.5 Li Qiang, STANKOVIC J A, HANSON M A, et al. Accurate

21、 fast fall detection using gyroscopes and accelerometer derived posture informationC/Proc of the 6th International Workshop on Wearable and Implantable Body Sensor Networks. 2009: 138-143. 6 BOURKE A K, LYONS G M. A threshold based fall detection algorithm using a bi-axial gyroscope sensorJ. Medical

22、 Engineering & Physics, 2008, 30(1): 84-90.7 金純, 尹遠陽. 一種基于統計學判別分析的老人摔倒檢測算法的研究J. 計算機應用研究, 2014, 31(1): 89-94.8 ROUGIER C, MEUNIER J, ST-ARNAUD A, et al. Monocular 3D head tracking to detect falls of elderly peopleC. Proc of the 28th IEEE EMBS Annual International Conference. 2006:6384-6387. 9 劉鵬, 盧潭城, 呂愿愿等. 基于MEMS三軸加速度傳感器的摔倒檢測J. 傳感技術學報, 2014, 27(4):570-574.10 王榮, 章韻, 陳建新等. 基于三軸加速度傳感器的人體跌倒檢測系統設計與實現J. 計算機應用, 2012, 32(5):1450-1453. 11 薛源, 高向陽. 基于多傳感器信息融合的跌倒監測系統的設計J. 武漢理工大學學報: 信息與管理 工程版, 201l, 3