截至2015年，中国65岁以上的老龄人口已经超过1亿4千万[1]。老年人因为意外跌倒而导致人身伤害甚至死亡的案例屡见不鲜[2]。随着移动网络和传感器技术的发展，基于现有传感器提出一种跌倒检测的算法具有很重要的实用意义和价值。将跌倒检测算法和可穿戴设备相结合后应用到对老年人身体姿态变化的监测中，对降低老年人因意外跌倒造成人身伤害的概率有着较大的帮助。

1.2 抽样原则 黔东南州共有10个县(市)种植烤烟，根据其烤烟种植面积和合同户数确定每个县(市)抽样的抽样数量，具体抽样烟农的分布情况见表1。其中，镇远种植面积最大，为2 840 hm2，合同户数1 538，抽样量108个。

目前针对跌倒的检测方法有2种：视频图像分析方法[3-4]和加速度分析方法[5-7]。文献[3-4]主要研究了视频判别跌倒的方法，视频图像分析方法的主要思路是通过摄像机获取视频图像并根据图像提取身体姿态。尽管视频图像分析方法在判断的精度上优于其他方法，但是这种方法存在着应用场景有限、算法计算量较大、设备成本较高等缺点。文献[5-7]通过加速度分析方法来获取身体的加速度，感知身体姿态的变化情况，当加速度超过特定阈值时，可判定为发生了跌倒事件。这种方法具有计算量较小、不受使用环境限制、成本较低的优点。近年来，基于加速度和角速度传感器摔倒算法的研究在国内外引起了很多学者的重视。其中，国内刘鹏等[5]提出了基于固定阈值的信号幅度向量滑动平均法（signal magnitude vector sliding average，SVMSA），通过对多重数据处理排除了生活中其他行为对跌倒判断的影响；曹玉珍等[6]提出了利用加速度信号向量（signal magnitude vector，SVM）和角度进行多级判断来检测跌倒的算法。两者的方法精度均较高，但是在判断过程中涉及对积分的运算，因此算法的运算量较大。另外一些学者提出了以模式匹配[8-10]的方法来检测跌倒，但整个过程需要数据训练来形成跌倒状态的模板，不具有普遍适用性。

供给情况：氮肥方面，尿素企业检修复产交替，整体开工率基本与上周持平；气头企业开工率略有下滑。磷肥方面，上周二铵企业整体开工率为58%，较上周下降3个百分点，主要原因是湖北兴发装置停车检修。钾肥方面，盐湖基准产品60%粉晶到站价2350-2400元/吨，较上周持平；港口钾流通现货减少，报价出现上涨；边贸钾供给紧俏，低价货源零星成交。复合肥方面，企业开工率为37%，较上周减少4个百分点，北方地区环境综合治理压力较大，企业停产检修增多。

在跌倒检测领域中，通过加速度判断跌倒状态已经取得了比较好的效果，但在判断过程中大多涉及积分运算。因此，本文综合考虑嵌入式的运算能力和实际应用环境，通过分析加速度数据的变异指数来辅助判断跌倒状态。这样可避开判断过程中大量的积分运算，降低嵌入式芯片的运算量，并进一步降低了算法的响应时间。

1 跌倒检测

跌倒在生活中属于一种剧烈活动，当发生跌倒时，人体相对地面的高度会急速变化，该过程中人体受到的加速度也会发生变化。通过SVM值可量化这种变化并反映姿态的变化。为了减少数据采取过程中脏数据的影响，算法对时间窗口T内的x, y, z 3个方向的轴向加速度数据进行五点多次平滑。刘鹏等的研究表明，人体跌落时间为0.3～0.4 s[5]，所以时间窗口T约为10个采样点的时间。针对老年人活动频率低、强度不高的现实情况，结合试验采集数据SVM的阈值设置为1.5 g。跌倒时的数据结果如图4所示。

  

图1 MPU6050模块Fig. 1 MPU6050 module

为了解枢纽模块可能作用，对得到的枢纽模块进行GO富集及KEGG通路分析，结果显示基因显著富集于细胞周期相关生物过程及通路。另外GSEA显示枢纽基因高表达组主要富集于细胞周期及免疫相关通路。许多研究显示肿瘤发生发展与细胞周期密切相关，细胞周期相关通路可能成为肿瘤诊断、预后判断及治疗靶点[28-29]。综上，本研究筛选得到的枢纽基因可能通过细胞周期相关通路来影响肾透明细胞癌进展及预后。

  

图2 人体坐标系Fig. 2 Body coordinate system

1.1 跌倒评估量

在一些情况下，一些外在因素会对传感器采集的加速度造成影响。为了降低噪声可能导致的误判，在一定时间窗口内对采集的加速度ax、ay、az进行五点多次滑动平均，去除偏差较大的脏数据，防止在进行平方运算时扩大脏数据带来的误差；然后用处理后的数据计算加速度幅度值SVM。

 

人体在静止时只在垂直方向受到重力加速度的作用。当身体发生剧烈跌倒时，传感器可以采集到不同坐标轴方向的加速度。通过计算来自x、y、z轴的加速度ax、ay、az得到加速度幅度值SVM。加速度幅度值SVM反映了人体运动的剧烈程度，其定义为

由于质心是物质系统上被认为质量集中于此的一个假想点，表示质量分布的平均位置，故可以据此来确定撒料点在撒料区域中的平均位置，以确保最终撒料能够覆盖到实际需要撒料区域.设撒料区域像素点集合 Ui中的元素是 p（x，y），n 为集合 Ui内像素点总数量，质心坐标 Z（x，y）的求解公式为式（9）.

 

式（2）～（4）中：n为时间窗口中的采样个数；xi为时间窗口内计算出的SVM值；为SVM的平均值；SD为标准方差。

身体跌倒具有突发性、剧烈性和短暂性。在跌倒过程中，人身体倾斜导致角度发生变化，同时也伴随着身体加速度的变化。综合考虑老年人日常活动的频率低、强度不高的特点，可以将加速度和角度的突然变化作为检测跌倒的重要量化标志。建立人体在自然站立状态下的传感器采集方向一致的坐标系，图2所示。

单一的SVM不能屏蔽一些干扰动作，为了更好地判断跌倒状态，引入时间窗口T内SVM的CV作为二级判断。统计学的角度中，CV值越大，表明离散程度越大。在跌倒过程中，SVM变化剧烈，因此离散程度很大，SVM离散的程度大意味着身体姿态发生了剧烈变化。通过试验表明，CV值在跌倒时会超过0.20，而在日常活动中低于0.19。因此，将CV跌倒阈值设为0.20。部分实验结果如表1所示。

式中：Q为填埋场的沼气产量（m3/a）；L0i为填埋场的沼气产生潜力（m3/t）；Ri为填埋场的年平均垃圾接收量（t/a）；ki为填埋场沼气的产生速率常数（1/a）；ti为第i年填埋废物从填埋到计算时的时间（a）。

 

1.2 跌倒算法

日常生活中，人的活动频率一般不会超过20 Hz[14]，在不引入脏数据的前提下，为了更精确地处理采样数据，本文采集的频率设为30 Hz。通过对采集的数据进行分析，在正常活动时每个方向的加速度不会超过1.5 g。而SVM的值主要受Z轴（垂直方向）加速度数值的影响，其大小也不会超过1.5 g。正常行走状态下采集数据的加速度及SVM值如图3所示。

 

  

图3 正常行走下的加速度以及SVM值Fig. 3 Acceleration and SVM value under the state normal walking

MPU6050模块（如图1所示）集合了MEMS（micro electro mechanical system）陀螺仪和MEMS加速度仪构成9轴运动传感器，并搭载了数字运动处理器DMP（digital motion processor，数字运动处理器）和ADC（analog-to-digital converter，模数转换器）模块，通过这些模块将采集的数据通信号经ADC转化为数字信号并通过IIC（inter-integrated circuit，集成电路总线）接口发送。与传统运动传感器相比，MPU6050具有良好的抗干扰能力和更低的功耗，并且在设计上尽量降低陀螺仪、加速度仪间的相互影响以及加速仪的漂移[11]影响，以便提高测量精度。因此，MPU6050模块可以满足本文研究的需要。

当身体处于行走或其他非剧烈运动状态下，计算出来的SVM序列比较平缓而且离散程度小；如果发生了跌倒事件，SVM会发生剧烈的变化。因此，在一定的时间窗内，SVM的离散程度越大，变异指数[12]（coefficient of variation，CV）越高。变异指数CV定义如下：

  

图4 跌倒时的SVM值Fig. 4 SVM value in the falling process

在跌倒时人体角度会在x、y轴发生变化[13]，因此引入角度变化ω来反映跌倒过程中角度变化的范围。ω的值越大，表示身体角度变化范围越大，因此角度可作为跌倒判断的一个参量，其定义为

 

表1 不同情况下的CV实验结果Table 1 Experimental results of CV in different cases

  

行走情况下的CV跌倒情况下的CV 0.174 0.119 0.063 0.087 0.129 0.078 0.278 0.339 0.299 0.282 0.250 0.292

为了保证判断的准确性并过滤持续剧烈运动，当CV在3个时间窗口T内持续超过阈值且角度ω未超过阈值，则认为当前是持续剧烈活动不是跌倒；如果CV在规定的时间窗口内的值超过阈值并且先前存在未超过阈值的CV，则认为发生了跌倒事件。

角度作为辅助判断，用于以确认来自上一级的跌倒判断。如果角度ω超过预设阈值并且在30个采样点内连续超过阈值，则认为跌倒事件一定发生；否则认为跌倒事件没有发生。

根据上述分析，提出了先行平滑加速数据计算SVM，根据SVM、CV固定阈值多级判断，角度辅助判断的跌倒判断算法。算法未涉及积分运算，计算量小，算法容易实现，其基本流程图如图5所示。

  

图5 跌倒判断算法流程图Fig. 5 Algorithm flowchart of fall detection

2 实验分析

根据先前收集的数据设定了阈值，并模拟老年人在日常生活中的活动，设计了相关的验证实验。实验在室外草地由多名22～26周岁的6名志愿者完成。实验主要模拟了老年人行走、跌倒的情况；另外在教学楼里模拟老年人上楼和下楼的情况。实验过程中使用了MPU6050传感器采集加速度的变化，每组试验50次，所得实验结果如表2所示。

 

表2 实验结果Table 2 Experimental results

  

实验项目确认为跌倒的次数未确认为跌倒的次数准确率/%行走下楼上楼跌倒00 04 01 48 50 46 49 02 100 092 098 096

表2的数据表明，判断算法的准确度基本达到预期效果。算法能很好地区分正常行走和跌倒的情况，并且能过滤掉一些高强度运动带来的误判数据。在实验数据中存在对于上下楼误判的情况，因为在实际的运行环境中存在不可预见的运动情况，所以SVM会超过阈值并且角度也发生变化，最终导致算法误判。

3 结语

本文提出了先行平滑加速度数据而后计算SVM，通过SVM阈值、CV阈值、角度阈值多级判断跌倒状态的算法。通过CV反映SVM的离散程度继而反映身体姿态变化，省去了文献[5-6]对SVM或者对加速度的积分运算，减轻了控制单元的运算压力。考虑到老年人剧烈运动的强度不高，通过持续观察时间窗口内的CV值可以很好地过滤持续时间长的剧烈运动带来的误判。本文算法对活动强度不高的老年人适用性好，判断准确率高。实验结果验证了其准确性。

参考文献：

[1]姜春力. 我国人口老龄化现状分析与“十三五”时期应对战略与措施[J]. 全球化，2016（8）：90-105.JIANG Chunli. An Analysis of the Present Situation of Population Aging in China and the Strategies and Measures in the Thirteenth Five Period[J].Globalization，2016（8）：90-105.

[2]郑华光，鞠 奕，沈东超，等.老年人意外伤害的首要病因：跌倒的评价和预防[J]. 中国卒中杂志，2013，8（12）：1003-1008.ZHENG Huaguang，JU Yi，SHEN Dongchao，et al.Evaluation and Prevention for Falls in Elder People：A Leading Cause of Unintentional Injuries[J]. Chinese Journal of Stroke，2013，8（12）：1003-1008.

[3]MERROUCHE F，BAHA N. Depth Camera Based Fall Detection Using Human Shape and Movement[C]//Proceedings of 2017 IEEE International Conference on Signal and Image Processing（ICSIP）. Beijing：IEEE，2017：586-590.

[4]薛冰霞.基于多模特征融合的人体跌倒检测算法研究[D]. 济南：山东大学，2015.XUE Bingxia. Research on Multimodal Feature Fusion for Human Fall Detection[D]. Jinan：Shandong University，2015.

[5]刘 鹏，卢潭城，吕愿愿，等. 基于MEMS三轴加速度传感器的摔倒检测[J]. 传感技术学报，2014（4）：570-574.LIU Peng，LU Tancheng，L Yuanyuan，et al. MEMS Tri-Axial Accelerometer Based Fall Detection[J]. Chinese Journal of Sensors and Actuators，2014（4）：570-574.

[6]曹玉珍，蔡伟超，程 旸. 基于MEMS加速度传感器的人体姿态检测技术[J]. 纳米技术与精密工程，2010，8（1）：37-41.CAO Yuzhen，CAI Weichao，CHENG Yang. Body Posture Detection Technology Based on MEMS Acceleration Sensor[J]. Nanotechnology and Precision Engineering，2010，8（1）：37-41.

[7]卓从彬，杨龙频，周 林，等. 基于MPU6050加速度传感器的跌倒检测与报警系统设计[J]. 电子器件，2015（4）：821-825.ZHUO Congbin，YANG Longpin，ZHOU Lin，et al.Design of Fall Detection System Based on MPU6050 Acceleration Transducer[J]. Electronic Devices，2015（4）：821-825.

[8]陈艳玲. 基于统计模式识别的跌倒检测算法研究[D].武汉：武汉理工大学，2012.CHEN Yanling. Research of Fall Detection Algorithm Based on Statistical Pattern Recognition[D]. Wuhan：Wuhan University of Technology，2012.

[9]武东辉，王哲龙，陈 野. 基于HMMs和SVM的人体日常动作序列分割识别研究[J]. 大连理工大学学报，2015（4）：411-416.WU Donghui，WANG Zhelong，CHEN Ye. Research on Segmentation Recognition of Human Daily Action Sequences Based on HMMs and SVM[J]. Journal of Dalian University of Technology，2015（4）：411-416.

[10]HE Jian，HU Chen. A Portable Fall Detection and Alerting System Based on K-NN Algorithm and Remote Medicine[J]. China Communications，2015，12（4）：23-31.

[11]宋丽君，秦永元. MEMS加速度计的六位置测试法[J].测控技术，2009，28（7）：11-13.SONG Lijun，QIN Yongyuan. Six-Position Testing of MEMS Accelerometer[J]. Measurement & Control Technology，2009，28（7）：11-13.

[12]金 纯，尹远阳. 一种基于统计学判别分析的老人摔倒检测算法的研究[J]. 计算机应用研究，2014，31（1）：89-91.JIN Chun，YIN Yuanyang. Old Man Fall Detection Algorithm Research Based on Discriminant Analysis of Statistical[J]. Application Research of Computers，2014，31（1）：89-91.

[13]朱 勇，张 研，宋 佳，等. 基于倾角的跌倒检测方法与系统研究[J]. 生物医学工程学杂志，2013（1）：95-99.ZHU Yong，ZHANG Yan，SONG Jia，et al. Study on the Method and System for Falling Detection Based on the Inclinometer[J]. Biomedical Engineering，2013（1）：95-99.

[14]KHAN S S，HOEY J. Review of Fall Detection Techniques：A Data Availability Perspective[J]. Medical Engineering & Physics，2016，39：12-22.