付慧群1,張秀峰2,劉文濤3

　　（1. 民政部一零一研究所，北京100070； 2. 國家康復輔具研究中心，北京 100176； 3. 哈爾濱工業大學 ,黑龍江 哈爾濱 150001)

       摘要：  針對一些老年人在行走或站立時突發跌倒的情況，開發了一種跌倒檢測裝置。通過這種檢測裝置，在老年人跌倒觸地前發出電信號觸發穿戴式氣囊保護裝置開關快速充氣，以保護要著地的人體部位。研究主要基于ADXL345三軸加速度計構建一單片機系統，通過理論分析、算法研究及實驗研究等實現了該檢測裝置的功能。實驗結果表明：該系統靈敏、可靠，可以在人體跌倒0.15 s內發出警報信號，并為穿戴式氣體保護裝置提供準確的觸發信號。

　　關鍵詞：  三軸加速度計；跌倒閾值；防跌倒；檢測裝置

　　中圖分類號：TP216+.3文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.04.027

　　引用格式：付慧群,張秀峰,劉文濤.基于ADXL345防跌倒檢測裝置的研制［J］.微型機與應用，2017,36（4）：90-93.

0引言

　　隨著我國社會發展，人口老齡化趨勢逐漸明顯。根據2010年全國第六次人口普查［1］結果，我國60歲以上人口數已經接近1.78億， 65歲以上人口數接近1.19億，說明我國早已經處于老齡化社會。在老年人群中摔倒是比較突出的現象，據國內外學者調查研究［25］，65歲以上人群中每年有1/3的人發生一次或者一次以上的跌倒， 80歲以上的老年人群在一年中跌倒的概率甚至會達到50%。在美國跌倒已經成為70周歲以上老年人死亡的第六大原因，在英國跌倒是75歲以上老年人受損傷后的主要死亡原因,在我國每年至少有2千萬老年人發生跌倒。跌倒產生的醫療費用極高，如何減少跌倒造成的傷害已經成為國內外研究人員的一個研究焦點。

　　國外防跌倒的相關研究比國內起步早一些［6］，韓國首爾大學的研究人員研究了一款佩戴于人體胸部的跌倒探測系統，它由加速度傳感器、陀螺儀、傾角傳感器組成。如果人體的胸部角度變化70°，并且加速度變化非常劇烈則認為人體摔倒。實驗證明，它對前后摔倒具有較高的敏感性，但對左右方向的摔倒卻不夠敏感［7］。美國相關人員研制的一款多位置佩戴的監測系統，將三軸加速度傳感器和陀螺儀分別佩戴于胸部和腿部，通過閾值算法對跌倒的檢測成功率達到了92%［8］。重慶大學相關人員開發了一種基于壓力傳感器的跌倒探測系統，可以把壓力傳感裝置貼在鞋底，通過對人腳底壓力參數進行跌倒判別，對用戶非正常步態進行識別，對跌倒的有效判別率達到85%以上［9］。浙江大學的學者研究出了基于加速度傳感器和心電檢測電極的監測系統，能夠根據加速度的變化和心率的變化判斷人體的實時狀態［10］。從目前的研究來看，跌倒檢測系統算法的成功率有待提高，算法的誤報情況較嚴重，保護系統響應較慢、可靠性差。另外，還可以看出三軸加速度傳感器是跌倒檢測系統中的重要組件，基于三軸加速度閾值檢測算法的應用較為普遍。而陀螺儀的應用效果并不好，主要是陀螺儀有嚴重的零點漂移現象。基于以上分析，本文提出基于ADXL345三軸加速度計設計一個單片機跌倒檢測系統。

1設計過程

　　1.1設計方案

　　本設計是基于一個三軸加速度計的預測系統，總體方案如圖1所示。

　　1.2元器件選型

　　（1）三軸加速度計選用ADXL345，主要因為：此加速度計功耗超低，分辨率高(13位),可達3.9 mg/LSB； 數字輸出，不用考慮A/D轉換模塊； 非常適合移動設備，可在傾斜檢測中測量靜態重力加速度，還可以測量運動或沖擊導致的動態加速度。

　　（2）系統單片機選用MSP430F149系列單片機，主要因為：此單片機是一款16位的單片機，處理能力非常強,功耗很低， 開發與編程比較方便；片上外圍資源比較多，例如集成了A/D轉換模塊等。

　　1.3算法研究

　　（1）總體方案

　　將三軸加速度計平放于平面上，x、y、z三軸中哪個軸與重力加速度方向重合則該軸的加速度輸出值為1個g，其他兩個軸的數值為0。本設計采用的算法是基于總體加速度閾值的算法，即：a=a2x+a2y+a2z ，其中ax、ay、az分別代表三個軸的加速度輸出值，a代表總體的加速度幅值。閾值法就是基于a的判別方法。

　　（2）跌倒數據特征分析

　　通過ADAMS-LifeMOD軟件對人體的跌倒過程進行仿真，仿真過程如圖2所示。

　　對應的人體重心的運動加速度幅值變化如圖3所示，從圖中可看出：測量的人體加速度曲線隨著跌倒動作單調遞減，在觸地瞬間劇增。要實現跌倒的預測，須在觸地之前將跌倒的趨勢預判出來，并且留出足夠的時間驅動氣囊保護裝置。另外，利用實驗裝置進行測量的實驗數據也支持了上述仿真結果，如圖4、圖5所示。

　　（3）算法分析

　　步行、跑步時加速度曲線如圖6、圖7所示。通過與走路、跑步情況對比，發現跌倒數據單調遞減時間明顯長，遞減幅度也較大，這可作為算法設計的一個突破口。基于閾值法的算法可分為以下環節：

　　①加速度閾值判別環節

　　SVM代表總體加速度的幅值。設定閾值為0.9g，如果采樣點的SVM值小于0.9g，則進入下一環節進行判斷。

　　②時間閾值判別環節

　　連續滿足SVM<0.9的采樣點數目與時間成正比，對時間T可以設定一個閾值,取其值為0.35 s。如果T>0.35 s，則可以認定該組數據是一組摔倒的可疑數據，進入下一環節進行判定。

　　③均值閾值判別環節

　　在0.35 s內一直滿足SVM<0.9的條件已經比較苛刻,經過實驗證明，在步行、下樓過程中仍然有一定幾率出現誤報，于是又加入了第三個環節。即在過去0.35 s內的加速度均值G如果小于0.7，則認為跌倒事件發生。最終算法如圖8所示。

2實驗研究

　　2.1實驗結果

　　實驗證明上述算法可以準確區分日常活動和跌倒，對于跌倒檢測成功率比較高，走路等日常活動中出現誤報的次數比較少。實驗結果如表1所示。

　　2.2實驗分析

　　（1）誤報情況分析

　　誤報常發生于把裝置由桌面或者地面拿起的過程中，另外在步行過程中如果地面有較大起伏也有誤報發生，但次數較少。另外，通過調整三個閾值的大小可有效進行過濾。本設計原則是不允許出現誤報，在此基礎之上再盡量減少漏報情況。

　　（2） 漏報境況分析

　　漏報常發生于較緩慢的跌倒，例如膝蓋彎曲到一定程度后再跌倒可能會出現漏報。針對該情況該算法還有待提高，不過就跌倒造成的傷害而言，這種情況無疑是沖擊傷害較小的情況。

　　（3）時間裕度分析

　　對于已判跌倒情況，從報警信號發出到人體接觸地面這段時間稱為時間裕度，該算法裕度的大小受限于設定的三個閾值大小。另外受限于測量手段的缺失，不能準確測出裕度的大小。根據MATLAB仿真結果，該裕度在0.1~0.2 s之間，如果對閾值進行微調，將有助于該裕度提升，但誤報的幾率會有所上升。

　　（4）電氣性能分析

　　該系統采用3.6 V鋰電池供電，平時工作電流在6 mA左右，光耦導通時工作電流在15 mA左右。在電池放電降低到2.5 V以上時都可以正常工作。

　　（5）其他性能分析

　　對于閾值參數的微調，可以通過一個四線的撥碼開關來實現，共有16種狀態可供選擇。該裝置保留了EEPROMAT24C256，用于以后繼續的實驗，該存儲芯片的數據可以通過RS232接口傳輸出到計算機上進行分析。如果以后產品定型，可考慮去掉存儲器模塊和RS232模塊，以減小功耗和體積。

3結論

　　綜上所述，本裝置無論從算法的提出還是硬件的制作均保證了原創性，是獨立、完整的算法體系。該算法能夠有效識別跌倒的發生，并且給出了輸出信號。該硬件平臺可以對程序進行調試，并且可以儲存實驗數據，為以后的實驗及算法的繼續優化提供了基礎。

　　參考文獻

　　［1］ 中華人民共和國國家統計局. 2010年第六次全國人口普查主要數據公報 (第1號)［J］. 中國計劃生育學雜志，2011, 19(8): 511-512.

　　［2］ CHUNG P C, LIU C D. A daily behavior enabled hidden Markov model for human behavior understanding［J］. Pattern Recognition, 2008, 41(5): 1589-1597.

　　［3］ NADEEM A, ANDREA C. Multifeature object trajectory clustering for video analysis［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2008, 18(11): 1555-1564.

　　［4］ 佟麗娜. 基于力學量信息獲取系統的人體摔倒過程識別方法研究［D］. 合肥: 中國科學技術大學，2011.

　　［5］ 張軍. 基于視頻的運動人體異常行為分析識別研究［D］. 西安: 西安電子科技大學，2009.

　　［6］ MATHIE M J,CELLER B G, LOVELL N H, et al. Classification of basic daily movements using a triaxial accelerometer［J］. Medical and Bioloigcal Engineering and Computing, 2004, 42: 670-687.

　　［7］ PURWAR A, JEONG D U, CHUNG W Y. Activity monitoring from realtime triaxial accelerometer data using sensor network［C］.International Conference on Control, Automation and Systems, 2007: 2402-2407.

　　［8］ Li Qiang, STANKOVIC J A, HANSON M A, et al. Accurate, fast fall detection using gyroscopes and accelerometerderived posture information［C］. Sixth International Workshop on Wearable and Implantable Body Sensor Networks, 2009: 138-143.

　　［9］ 石欣. 基于壓力感知步態的運動人體行為識別研究［D］. 重慶: 重慶大學，2010.

　　［10］ 文耀鋒. 一種實時的跌倒姿態檢測和心率監控系統的研究［D］. 杭州: 浙江大學，2008.