基于MEMS传感器的老年人跌倒监测方法

摘要

本发明涉及一种基于MEMS传感器的老年人跌倒监测方法，包括以下步骤：步骤S1：提供一跌倒监测装置佩戴于老年人腰部，所述跌倒监测装置包括一MEMS传感器信号采集系统，用以采集人体重心周围的加速度与角速度信号；步骤S2：所述跌倒监测装置包括一无线通信模块，所述无线通信模块通过无线传输方式将所述MEMS传感器信号采集系统采集到信号传输一移动终端上；步骤S3：所述移动终端接根据接收到的信号，采用基于加速度与角速度联合判别的方法，识别老年人跌倒行为。该方法操作简单、使用的硬件设备成本低，对老年人的跌倒行为具有极高的识别率，能够满足老年人跌倒监测的应用要求。

说明书

技术领域

本发明涉及老人监护设备领域，特别是一种绿基于MEMS传感器的老年人跌倒监测 方法。

背景技术

我国老年人口众多，跌倒可导致老年人骨折、软组织损伤和心理创伤等严重后果， 是老年人伤残、失能和死亡的重要原因之一。同时，老年人跌倒带来的伤害及医疗成本不但 和跌倒时撞击的剧烈程度有关，还很大程度取决于救助响应时间的长短。快速有效地发现 跌倒老人并对其实施救治是降低老年人伤亡率的有效手段。对于跌到监测系统而言，其功 能在于区别老年人的日常活动与跌倒行为。目前，老年人跌倒监测算法主要是通过人体的 三轴加速度数据来判别跌倒行为发生，该方法数据来源单一，使得系统的准确率不高，出现 的漏判情况将对用户造成巨大伤害。

发明内容

有鉴于此，本发明的目的是提供一种基于MEMS传感器的老年人跌倒监测方法，该 方法操作简单、使用的硬件设备成本低，对老年人的跌倒行为具有极高的识别率，能够满足 老年人跌倒监测的应用要求。

本发明采用以下方案实现：一种基于MEMS传感器的老年人跌倒监测方法，包括以 下步骤：

步骤S1：提供一跌倒监测装置佩戴于老年人腰部，所述跌倒监测装置包括一MEMS传感 器信号采集系统，用以采集人体重心周围的加速度与角速度信号；

步骤S2：所述跌倒监测装置包括一无线通信模块，所述无线通信模块通过无线传输方 式将所述MEMS传感器信号采集系统采集到信号传输一移动终端上；

步骤S3：所述移动终端接根据接收到的信号，采用基于加速度与角速度联合判别的方 法，识别老年人跌倒行为。

进一步地，所述MEMS传感器信号采集系统包括一MPU6050传感器，所述MPU6050传 感器用以采集人体重心周围的加速度和角速度信号，频率设置为20Hz。由于老年人运动的 频率在10Hz以内，因此将频率设置在20Hz，MPU6050传感器内部已集成的低通滤波器能够满 足系统低通滤波的要求，并且MPU6050传感器解决了以往组合陀螺仪和加速度计组合使用 容易产生的轴间差问题，为监测跌倒算法的实现提供了良好的条件。

进一步地，所述无线通信模块为蓝牙4.0模块，所述蓝牙4.0模块采用CC2541芯片， 所述CC2541芯片通过I²C接口与所述MPU6050传感器连接；所述CC2541芯片上的51单片机对 采集到的信号进行数制转换与值域转换，并将处理过的数据通过蓝牙无线传输至所述移动 终端。

进一步地，所述移动终端对采集到的加速度信号和角速度信号进行处理，将加速 度和角速度三轴信号分别求取其向量的矢量和，采用以下公式求取矢量和：

，

式中A_x，A_y，A_z表示X、Y、Z三个轴向上加速度传感器的输出数据值，ASVM表示合加速度矢 量的幅值；

，

式中G_x，G_y，G_z表示在X、Y、Z三个轴向上角速度传感器的输出数据值，AVSVM为合角速度 矢量的幅值。

进一步地，所述移动终端根据人体跌倒时ASVM产生的失重波谷值与撞击地面ASVM 峰值以及跌倒AVSVM峰值联合判断跌倒事件的发生，具体为：选取阈值A1、A2、A3、t1、t2以及 t；A1表示人体跌倒失重状态下ASVM阈值，A2表示跌倒撞击地面的ASVM阈值，t1，t2分别表示 ASVM值小于A1和大于A2的时间点，A3表示AVSVM阈值，t表示时间阈值；判断ASVM是否低于阈 值A1，在t1+t时间阈内ASVM是否大于阈值A2，在t1+t2时间阈内AVSVM是否大于阈值A3；若以 上条件均成立，则判断跌倒事件发生，所述移动终端启动跌倒报警。

进一步地，所述A1的取值范围为0.4g至0.7g，A2的取值范围为2.5g至3.5g，A3的取 值范围为250°/s至300°/s，时间阈值t的取值范围为0.7s至1.2s。

进一步地，所述移动终端为Android智能手机。

与现有技术相比，本发明同时进行采集数据和数据分析，方法简单且具有实时性， 监测算法能够准确的判断用户是否发生跌倒。系统操作简单，佩戴器件体积小，方便老年人 的使用。

附图说明

图1本发明的系统框图。

图2跌倒过程中的ASVM曲线。

图3跌倒过程中的AVSVM曲线。

图4基于ASVM阈值和AVSVM阈值的跌倒监测算法流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本实施提供一种基于MEMS传感器的老年人跌倒监测方法，如图1所示，包括以下步 骤：

步骤S1：提供一跌倒监测装置佩戴于老年人腰部，所述跌倒监测装置包括一MEMS传感 器信号采集系统，用以采集人体重心周围的加速度与角速度信号；

步骤S2：所述跌倒监测装置包括一无线通信模块，所述无线通信模块通过无线传输方 式将所述MEMS传感器信号采集系统采集到信号传输一移动终端上；

步骤S3：所述移动终端接根据接收到的信号，采用基于加速度与角速度联合判别的方 法，识别老年人跌倒行为。

在本实施例中，所述MEMS传感器信号采集系统包括一MPU6050传感器，所述 MPU6050传感器用以采集人体重心周围的加速度和角速度信号，频率设置为20Hz。由于老年 人运动的频率在10Hz以内，因此将频率设置在20Hz，MPU6050传感器内部已集成的低通滤波 器能够满足系统低通滤波的要求，并且MPU6050传感器解决了以往组合陀螺仪和加速度计 组合使用容易产生的轴间差问题，为监测跌倒算法的实现提供了良好的条件。

在本实施例中，所述无线通信模块为蓝牙4.0模块，所述蓝牙4.0模块采用CC2541 芯片，所述CC2541芯片通过I²C接口与所述MPU6050传感器连接；所述CC2541芯片上的51单 片机对采集到的信号进行数制转换与值域转换，并将处理过的数据通过蓝牙无线传输至所 述移动终端。

在本实施例中，所述移动终端为Android智能手机。

在本实施例中，所述移动终端对采集到的加速度信号和角速度信号进行处理，将 加速度和角速度三轴信号分别求取其向量的矢量和，采用以下公式求取矢量和：

，

式中A_x，A_y，A_z表示X、Y、Z三个轴向上加速度传感器的输出数据值，ASVM表示合加速度矢 量的幅值；

，

式中G_x，G_y，G_z表示在X、Y、Z三个轴向上角速度传感器的输出数据值，AVSVM为合角速度 矢量的幅值。

在本实施例中，所述移动终端根据人体跌倒时ASVM产生的失重波谷值与撞击地面 ASVM峰值以及跌倒AVSVM峰值联合判断跌倒事件的发生，具体为：选取阈值A1、A2、A3、t1、t2 以及t；A1表示人体跌倒失重状态下ASVM阈值，A2表示跌倒撞击地面的ASVM阈值，t1，t2分别 表示ASVM值小于A1和大于A2的时间点，A3表示AVSVM阈值，t表示时间阈值；判断ASVM是否低 于阈值A1，在t1+t时间阈内ASVM是否大于阈值A2，在t1+t2时间阈内AVSVM是否大于阈值A3； 若以上条件均成立，则判断跌倒事件发生，所述移动终端启动跌倒报警。

在本实施例中，如图2和图3所示的分别为人体跌倒实验下的AVSM与AVSVM曲线图， 从图中可以看出人体的跌倒过程分为四个阶段：站立阶段、失重阶段、撞击阶段和跌倒后恢 复稳定阶段。在站立状态下，人体只受到重力和地面对人体的支撑力，此时AVSM值为1g，其 中g表示重力加速度，1g=9.8m/s2；当人在发生跌倒且在撞击地面之前，人体处于失重状态。 该状态下人体不受控制，此时地面对人体的支持力小于人体所受到的重力，此时AVSM小于 1g；当人体撞击地面时刻，人体受到巨大的冲击力，在这一时刻，AVSM值达到峰值。随后，人 体经过振动过程后倒地，此刻AVSM值为1g。由时间轴可以看出，在人体跌倒过程中，AVSM值 的波谷值到波峰值的时间较短，通常在1秒内完成。且在AVSM值达到峰值时刻，AVSVM值也该 时刻附近达到峰值。由于撞击时刻下，人体角速度值已经开始减小，AVSVM在AVSM到达峰值 前一时刻到达峰值。

在本实施例中，如图4所示的基于ASVM阈值和AVSVM阈值的跌倒监测算法流程图。 图中A1表示人体跌倒失重状态下ASVM阈值，A2表示跌倒撞击地面的ASVM阈值，t1，t2分别表 示ASVM值小于A1和大于A2的时间点，A3表示AVSVM阈值，t表示时间阈值。通过接收到经过数 制转换和值域转换处理的数据进行运算处理，所述移动终端判断数据是否满足ASVM出现低 于阈值A1，且在时间阈内是否出现ASVM大于阈值A2和AVSVM大于阈值A3情况。若以上条件皆 满足，则判断跌倒事件的发生，系统启动跌倒报警。

处于保护实验人员参加跌倒实验的安全性，跌倒实验选择在跳高垫上完成，这将 导致人体撞击地面产生的ASVM值比实际情况小。通过跌倒实验和日常生活行为（如直立行 走、上下楼梯、蹲下起立、快速躺下、弯腰等动作）的人体ASVM和AVSVM进行比较，选取合适的 阈值。

当阈值选取为A1=0.5g，A2=3g，A3=300°/s，t=1.1s时，系统精确度为99.45%。在该 阈值选取中，各别跌倒行为出现误判是由于撞击地面ASVM峰值没超过3g而没被监测出来。

当阈值选取为A1=0.6g，A2=2g，A3=200°/s，t=0.9s时，系统精确度为93.21%，该组 阈值状态下虽然没有漏判事件发生，但是出现较高的误判率。该组阈值不可取。

当阈值选取为A1=0.5g，A2=2.5g，A3=250°/s，t=1s时，系统精确度为99.42%，该组 阈值状态下没有发生漏判事件，精确度也达到99%以上。该组阈值适合作为该监测算法的阈 值。

则在图4中的A1的取值范围在0.4g至0.7g之间，A2的取值范围在2.5g至3.5g之间， A3的取值范围250°/s至300°/s之间，时间与t的取值范围在0.7至1.2秒之间。

在本实施例中，通过跌倒产生的失重信号和撞击地面信号，以及人体角速度在跌 倒状态下的信号判断跌倒事件的发生。通过引用加速度和角速度三轴信号的向量的矢量 和，去除跌倒方向的不确定性对系统造成的影响，同时为用户的佩戴提供方便。

在本实施例中，通过大量的实验选取跌倒监测算法中的各项阈值，在应用中能够 有效的区别跌倒行为和日常生活行为，系统达到极高的准确率。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与 修饰，皆应属本发明的涵盖范围。