付慧群1,张秀峰2,刘文涛3

　　（1. 民政部一零一研究所，北京100070； 2. 国家康复辅具研究中心，北京 100176； 3. 哈尔滨工业大学 ,黑龙江 哈尔滨 150001)

       摘要：  针对一些老年人在行走或站立时突发跌倒的情况，开发了一种跌倒检测装置。通过这种检测装置，在老年人跌倒触地前发出电信号触发穿戴式气囊保护装置开关快速充气，以保护要着地的人体部位。研究主要基于ADXL345三轴加速度计构建一单片机系统，通过理论分析、算法研究及实验研究等实现了该检测装置的功能。实验结果表明：该系统灵敏、可靠，可以在人体跌倒0.15 s内发出警报信号，并为穿戴式气体保护装置提供准确的触发信号。

　　关键词：  三轴加速度计；跌倒阈值；防跌倒；检测装置

　　中图分类号：TP216+.3文献标识码：ADOI： 10.19358/j.issn.1674-7720.2017.04.027

　　引用格式：付慧群,张秀峰,刘文涛.基于ADXL345防跌倒检测装置的研制［J］.微型机与应用，2017,36（4）：90-93.

0引言

　　随着我国社会发展，人口老龄化趋势逐渐明显。根据2010年全国第六次人口普查［1］结果，我国60岁以上人口数已经接近1.78亿， 65岁以上人口数接近1.19亿，说明我国早已经处于老龄化社会。在老年人群中摔倒是比较突出的现象，据国内外学者调查研究［25］，65岁以上人群中每年有1/3的人发生一次或者一次以上的跌倒， 80岁以上的老年人群在一年中跌倒的概率甚至会达到50%。在美国跌倒已经成为70周岁以上老年人死亡的第六大原因，在英国跌倒是75岁以上老年人受损伤后的主要死亡原因,在我国每年至少有2千万老年人发生跌倒。跌倒产生的医疗费用极高，如何减少跌倒造成的伤害已经成为国内外研究人员的一个研究焦点。

　　国外防跌倒的相关研究比国内起步早一些［6］，韩国首尔大学的研究人员研究了一款佩戴于人体胸部的跌倒探测系统，它由加速度传感器、陀螺仪、倾角传感器组成。如果人体的胸部角度变化70°，并且加速度变化非常剧烈则认为人体摔倒。实验证明，它对前后摔倒具有较高的敏感性，但对左右方向的摔倒却不够敏感［7］。美国相关人员研制的一款多位置佩戴的监测系统，将三轴加速度传感器和陀螺仪分别佩戴于胸部和腿部，通过阈值算法对跌倒的检测成功率达到了92%［8］。重庆大学相关人员开发了一种基于压力传感器的跌倒探测系统，可以把压力传感装置贴在鞋底，通过对人脚底压力参数进行跌倒判别，对用户非正常步态进行识别，对跌倒的有效判别率达到85%以上［9］。浙江大学的学者研究出了基于加速度传感器和心电检测电极的监测系统，能够根据加速度的变化和心率的变化判断人体的实时状态［10］。从目前的研究来看，跌倒检测系统算法的成功率有待提高，算法的误报情况较严重，保护系统响应较慢、可靠性差。另外，还可以看出三轴加速度传感器是跌倒检测系统中的重要组件，基于三轴加速度阈值检测算法的应用较为普遍。而陀螺仪的应用效果并不好，主要是陀螺仪有严重的零点漂移现象。基于以上分析，本文提出基于ADXL345三轴加速度计设计一个单片机跌倒检测系统。

1设计过程

　　1.1设计方案

　　本设计是基于一个三轴加速度计的预测系统，总体方案如图1所示。

　　1.2元器件选型

　　（1）三轴加速度计选用ADXL345，主要因为：此加速度计功耗超低，分辨率高(13位),可达3.9 mg/LSB； 数字输出，不用考虑A/D转换模块； 非常适合移动设备，可在倾斜检测中测量静态重力加速度，还可以测量运动或冲击导致的动态加速度。

　　（2）系统单片机选用MSP430F149系列单片机，主要因为：此单片机是一款16位的单片机，处理能力非常强,功耗很低， 开发与编程比较方便；片上外围资源比较多，例如集成了A/D转换模块等。

　　1.3算法研究

　　（1）总体方案

　　将三轴加速度计平放于平面上，x、y、z三轴中哪个轴与重力加速度方向重合则该轴的加速度输出值为1个g，其他两个轴的数值为0。本设计采用的算法是基于总体加速度阈值的算法，即：a=a2x+a2y+a2z ，其中ax、ay、az分别代表三个轴的加速度输出值，a代表总体的加速度幅值。阈值法就是基于a的判别方法。

　　（2）跌倒数据特征分析

　　通过ADAMS-LifeMOD软件对人体的跌倒过程进行仿真，仿真过程如图2所示。

　　对应的人体重心的运动加速度幅值变化如图3所示，从图中可看出：测量的人体加速度曲线随着跌倒动作单调递减，在触地瞬间剧增。要实现跌倒的预测，须在触地之前将跌倒的趋势预判出来，并且留出足够的时间驱动气囊保护装置。另外，利用实验装置进行测量的实验数据也支持了上述仿真结果，如图4、图5所示。

　　（3）算法分析

　　步行、跑步时加速度曲线如图6、图7所示。通过与走路、跑步情况对比，发现跌倒数据单调递减时间明显长，递减幅度也较大，这可作为算法设计的一个突破口。基于阈值法的算法可分为以下环节：

　　①加速度阈值判别环节

　　SVM代表总体加速度的幅值。设定阈值为0.9g，如果采样点的SVM值小于0.9g，则进入下一环节进行判断。

　　②时间阈值判别环节

　　连续满足SVM<0.9的采样点数目与时间成正比，对时间T可以设定一个阈值,取其值为0.35 s。如果T>0.35 s，则可以认定该组数据是一组摔倒的可疑数据，进入下一环节进行判定。

　　③均值阈值判别环节

　　在0.35 s内一直满足SVM<0.9的条件已经比较苛刻,经过实验证明，在步行、下楼过程中仍然有一定几率出现误报，于是又加入了第三个环节。即在过去0.35 s内的加速度均值G如果小于0.7，则认为跌倒事件发生。最终算法如图8所示。

2实验研究

　　2.1实验结果

　　实验证明上述算法可以准确区分日常活动和跌倒，对于跌倒检测成功率比较高，走路等日常活动中出现误报的次数比较少。实验结果如表1所示。

　　2.2实验分析

　　（1）误报情况分析

　　误报常发生于把装置由桌面或者地面拿起的过程中，另外在步行过程中如果地面有较大起伏也有误报发生，但次数较少。另外，通过调整三个阈值的大小可有效进行过滤。本设计原则是不允许出现误报，在此基础之上再尽量减少漏报情况。

　　（2） 漏报境况分析

　　漏报常发生于较缓慢的跌倒，例如膝盖弯曲到一定程度后再跌倒可能会出现漏报。针对该情况该算法还有待提高，不过就跌倒造成的伤害而言，这种情况无疑是冲击伤害较小的情况。

　　（3）时间裕度分析

　　对于已判跌倒情况，从报警信号发出到人体接触地面这段时间称为时间裕度，该算法裕度的大小受限于设定的三个阈值大小。另外受限于测量手段的缺失，不能准确测出裕度的大小。根据MATLAB仿真结果，该裕度在0.1~0.2 s之间，如果对阈值进行微调，将有助于该裕度提升，但误报的几率会有所上升。

　　（4）电气性能分析

　　该系统采用3.6 V锂电池供电，平时工作电流在6 mA左右，光耦导通时工作电流在15 mA左右。在电池放电降低到2.5 V以上时都可以正常工作。

　　（5）其他性能分析

　　对于阈值参数的微调，可以通过一个四线的拨码开关来实现，共有16种状态可供选择。该装置保留了EEPROMAT24C256，用于以后继续的实验，该存储芯片的数据可以通过RS232接口传输出到计算机上进行分析。如果以后产品定型，可考虑去掉存储器模块和RS232模块，以减小功耗和体积。

3结论

　　综上所述，本装置无论从算法的提出还是硬件的制作均保证了原创性，是独立、完整的算法体系。该算法能够有效识别跌倒的发生，并且给出了输出信号。该硬件平台可以对程序进行调试，并且可以储存实验数据，为以后的实验及算法的继续优化提供了基础。

　　参考文献

　　［1］ 中华人民共和国国家统计局. 2010年第六次全国人口普查主要数据公报 (第1号)［J］. 中国计划生育学杂志，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］ 佟丽娜. 基于力学量信息获取系统的人体摔倒过程识别方法研究［D］. 合肥: 中国科学技术大学，2011.

　　［5］ 张军. 基于视频的运动人体异常行为分析识别研究［D］. 西安: 西安电子科技大学，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. 基于压力感知步态的运动人体行为识别研究［D］. 重庆: 重庆大学，2010.

　　［10］ 文耀锋. 一种实时的跌倒姿态检测和心率监控系统的研究［D］. 杭州: 浙江大学，2008.