基于智能手机的人体跌倒检测系统

作频率都低于20HZ，设置手机内置加速度传感器和陀螺仪的信号采样频率皆为50HZ，以满足实验的需求。本系统为使实验结果符合人们日常携带手机的方式，选择胸部口袋作为实验过程中手机在人体的佩戴位置。检测算法是对传感器输出数据的信号向量模进行处理，故实验中对手机在口袋中的放置方位没有要求。

　　实验者为20名青年学生：10男10女，年龄在22-30(＄13.4814)岁，身高155-185CM，体重40-80KG。出于安全考虑未请老年人参与，实验者模拟老年人日常生活中步行、上下楼梯、慢跑、快速坐下、快速躺下、坐下起立、躺下起立和跌倒等活动动作。实验在不同时间段完成，实验过程中地上放置有厚海绵垫，每个实验者被要求重复实验动作2次，且每个动作要求在10s内完成。实验者的动作描述见表2。

　　3.2 结果分析

　　为评估检测算法的性能，通常定义以下评估方式：跌倒检测中可能出现的4种情况：真阳性（TP）：跌倒发生，设备检测到。假阳性（FP）：设备检测到跌倒， 但实际并未发生。真阴性（TN）：正常活动，设备并未检测到跌倒发生。假阴性（FN）：跌倒发生，但设备并未检测到。敏感性体现了算法识别跌倒的能力，测量真实的摔倒被检测到的概率

　　特异性是日常生活活动被检测到的概率

　　图10 （a）显示了本文系统算法检测结果敏感性的表现，算法能精确地检测到后向跌倒、左侧跌倒和右侧跌倒，前向跌倒假阴性较高是因为向前跌倒时人们下意识弯曲膝盖，两手掌去支地缓冲，所以产生的SVM 峰值较小，但这种情况一般损伤不严重，跌倒者大多数保持清醒，如需救助仍可通过应用程序的"一键救助按钮"。靠墙缓慢跌倒过程动作缓慢且比较随意复杂，算法检测结果假阴性较高，然而这种跌倒给跌倒者带来的伤害是有限的。从100例记录中得到算法的敏感性是88%。图10 （b）显示了本文算法检测结果特异性的表现，算法可以区分出大多数日常活动，然而快速坐下时带有后仰动作、以较快速度躺下和手机日用有时候会触发假阳性， 从180例记录中得到算法特异性为92%。

　　4 结束语

　　本文设计了一种基于智能手机的人体跌倒检测系统，利用手机内置加速度传感器和陀螺仪监测人体运动时的加速度和角速度信号，对采集到的信号数据进行处理和分析，提出了基于信号向量模和特征量W 相结合的检测算法，同时对该算法的有效性进行了评估。实验结果表明，该系统能够有效区分跌倒与其它日常生活行为动作，且检测结果的假阳性和假阴性较低。本系统方案具有使用简单方便、成本低、使用范围广、实时响应快的优点，此外，系统还能够定位用户跌倒位置及使用报警机制来减少假警报。后续工作中，将会考虑对加速度传感器和陀螺仪信号数据进行数据融合，使算法对人体姿态描述更加准确。