1. 引言
世界卫生组织报告称跌倒是最具创伤性的死亡原因之一,尤其是老年人.跌倒事件可能
发生在室内或室外,通常会使受害者出现健康问题,或者使老年人失去方向感、没有足够
的意识站起来或独立行动
[1]
.当人在跌倒后无法自己起立而长时间躺着时,会带来潜在的风
险,例如关节扭伤、骨折、头部创伤和组织损伤
[2]
.事实上,在跌倒事故发生的第一个小时
内缺乏及时治疗是死亡和慢性感染的主要原因
[3]
,因此对于跌倒检测系统的研究具有迫切
而显著的意义.目前跌倒检测的方法主要有视频分析法、环境感知法和穿戴设备检测法.视频
分析法
[4]
监控范围有限且容易暴露隐私.基于环境感知的方法
[5]
适用固定的室内场所,但存
在多种监测设备安装繁琐的不便.而基于可穿戴设备的跌倒检测系统有着随时随地检测和及
时性高的优点,已经成为了主流的跌倒检测方法之一.
现有的可穿戴跌倒检测设备在采集到传感器数据后,一般有两种处理方式.一种方式是
远程处理,例如何坚等
[6]
将加速度计数据通过 Zigbee 传输方式发送到一台电脑主机来进行
跌倒检测,取得了不错的检测精度.然而在实际场景中用户的位置往往不是固定的,且很难
保证网络长期稳定.Yacchirema D 等
[7]
采用了可穿戴设备中的三轴加速度计实时捕捉老年志
愿者的运动数据,并利用集成机器学习的方法取得了 98.72%的准确率,但该系统需要在云
端运行机器学习模型推理.另一种方式是在可穿戴设备单元内处理数据并进行跌倒检测,该
单元通常是资源和功率受限的,因此这类系统的跌倒检测算法均为阈值法或较简单的机器
学习模型.而这类跌倒检测系统精度一般较低,尤其是对躺下、跳跃等类跌倒动作.张杰
[8]
采
用阈值法来判断跌倒,这种方法在志愿者实际测试中的准确率达到了 92%;麻文刚等
[9]
利用
支持向量机分类器检测跌倒行为,并根据人体姿态角,构建融合人体姿态角的 PSO-SVM
特征向量来进行跌倒检测,该检测方法取得了 95.5%的识别率; Aziz O 等
[10]
使用包括决策树
在内的五种机器学习算法对跌倒检测性能做比较,得出综合性能最好的模型敏感度和特异
度均为 96%,最差的模型敏感度仅为 90%.
针对以上问题本文设计了一款基于 Tensor Flow Lite 的可穿戴跌倒检测系统,使用人
工神经网络(Artificial Neural Network,ANN)作为跌倒检测算法,在嵌入式终端本地实现数
据处理和跌倒检测模型推断.该装置不需要借助智能手机和移动网络就能实现高精度跌倒检
测报警,同时具有便携和低功耗的优点.
2. 跌倒检测系统框架
2.1 TensorFlow Lite 机器学习框架
在边缘设备
[11]
上能够以很低的功率实现机器学习,这类设备不需要功能强大的云平台
支持,云平台处理会消耗电力并涉及数据安全和隐私风险.另外,考虑到 MCU 的功率限
评论0
最新资源