人體跌倒遠程監測系統設計

2.2 算法設計

依據人體在行走、站立和跌倒所損耗的能量的不同，通過實驗可以得出在不同動作下其能量損耗的閾值范圍。因此在后臺的數據分析方法上提出了引入能量損耗的方法進行分析。能量損耗是動態加速度的平方在特定時間域上的積分，其表達如公式（9）示[7]：

本文a=1，能量損耗的計算以每個采樣窗體為單位進行。

針對老年人的生活狀況特點進行分析，并結合實際設計了相應的跌倒檢測算法。算法流程如圖3所示，流程圖從整體上描述了跌倒檢測判斷的過程。算法從開始到“數據傳輸”這部分的實現都是在用戶終端實現，整個信號的預處理過程都是以一個采樣窗體為基本單位，如果在一個采樣時間內檢測到疑似數據，則將此單位內的數據都傳輸至后臺進行進一步的確認處理，否則，丟棄該數據段繼續采集加速度信號。

在后臺的數據處理階段，主要是利用能量損耗進行分析并輔以特定時間內的人體v、s、Φ計算分析來提高系統檢測的準確性。

3 實驗與結果分析

為了驗證算法的準確性，邀請了10位60歲以上老人進行試驗，但在跌倒實驗環節出于安全考慮沒有讓老人參與而是邀請了學生進行模擬摔倒（在墊子上完成）。實驗的跌倒方式分為：向前/向后跌倒未平躺、向前/向后跌倒后平躺、向左/向右側跌倒。依據這幾種跌倒方式設計了一套如表1所示的動作。每一次實驗的實驗者都隨機從中選出一些動作并結合真正的跌倒組合一套完整的實驗動作。系統以45 Hz的采樣頻率進行樣本的采集，并通過設計的算法進行數據的分析處理。

實驗者從上述的動作中隨機選取動作組合進行實驗，每名實驗者需進行5組實驗，10名實驗者共需完成50組實驗。

實驗統計結果如表1所示，通過實驗數據可知所設計的跌倒檢測方法有較高的準確率，能夠分辨絕大部分的跌倒事件，但在對跌倒后沒有平躺事件和滑倒并迅速回復平衡的情況存在一定的誤報率。

本文構建了基于三維加速度傳感器、微處理器和無線通信模塊為核心的跌倒檢測模塊，通過實驗證明了其有效性，能夠較好地區分日常活動和跌倒事件。在數據預處理上采取了基于1-class SVM的數據分類算法提取可疑數據，并創新性地提出了利用人體活動損耗的能量差異進行跌倒的最終判定，在確保系統的準確性上增加了對特定時域內的人體的姿態分析（對速度、位移及人體傾角的計算分析），取得了一定的成效。但在用戶終端對原始數據的分類處理上還需要對1-class SVM算法做進一步的改進。