1、基于惯性传感器的跌倒检测技术研究进展 王莉 赵艳阳 刘雪峰 牛群峰 河南工业大学电气工程学院 郑州大学信息工程学院 摘 要： 近几年, 世界人口老龄化的问题使跌倒检测技术得到了快速的发展;但是商业规模没有发展完善。跌倒检测技术能够迅速检测特殊人群跌倒事件的发生并及时报警, 保护特殊人群的身体健康, 节约社会医疗资源。归纳了基于惯性传感器的跌倒检测技术的主要进展, 包括设备佩戴位置、算法以及综合性能进行了比较研究。讨论了实验对象的选择、实验环境的设置、样本动作的分类、检测指标 4 方面对总体性能的影响。提出了建立更科学的评价标准建议, 在此基础上对该技术的研究前景进行了展望。对该项技术的进一步研
2、究设计以及商品化开发具有一定的参考作用。关键词： 惯性传感器; 跌倒检测; ADLs; 数据样本; 评价标准; 作者简介：王莉 (1973) , 女, 博士, 教授。研究方向:嵌入式测控技术与仪器仪表开发、微弱光电信号检测技术、模式识别与智能系统。E-mail:haut_收稿日期：2017 年 4 月 6 日基金：国家“十二五”科技支撑计划 (2012BAF12B13) 资助The Research Progress of the Fall Detection Technology Based on the Inertial SensorWANG Li ZHAO Yan-yang LIU Xu
3、e-feng NIU Qun-feng College of Electrical Engineering, Henan University of Technology; School of Information Engineering, Zhengzhou University; Abstract： In recent years, the worlds population aging of the population problem that fall detection technology has been rapid development.But there is no d
4、eveloping commercial scale.Fall detection technology can quickly detect the occurrence of falls in a special group of people, alarm in time to protect the health of special populations, and save social medical resources.The main progress of fall detection technology based on inertial sensors, includ
5、ing equipment wear location, algorithm and comprehensive performance study, also some discussion on the four aspects about the choice of the subject, the setting of the experiment environment, sample action classification, detection index which had enormous impact on the overall performance were sum
6、marized.The establishment of a more scientific evaluation standard proposal was proposed, the research prospect of this technology was discussed on this basis.All above would have a certain reference value for the further study of technology designing and commercial development.Keyword： inertial sen
7、sor; fall detection; ADLs; data sample; evaluation criterion; Received： 2017 年 4 月 6 日世界各国, 尤其是发展中的国家, 都面临一个共同的课题:人口老龄化1。根据联合国人口基金执行主任奥索蒂梅因近日表示, 60 岁以上人口的数量在 2015年超过了 9 亿, 占全球总人口的 12.3%, 这一比例到 2050 年将增加一倍, 达到约 21 亿人2。公开数据显示:2014 年中国 60 岁以上老年人占总人口的 14.4%, 根据联合国的预测, 2050 年中国 60 岁以上的老年人将达到 21%, 其中年龄607
8、0 岁以下老年人占 28%35%, 年长 10 岁的老年人占 28%35%, 其余为 80 岁以上3, 老年人的医疗消费问题将会阻碍经济发展4, 所以老年人的健康预测与保护越来越成为焦点, 尤其是在老年人跌倒问题5。随着数字化技术的发展, 个性化医疗服务得到快速的发展, 跌倒检测系统是也越来越受到研究机构和商业界的重视6。目前跌倒检测系统主要有以下几类: (1) 基于图像或视频的跌倒监测系统, 该系统主要是应用智能视频检测技术, 对视觉的目标行为进行分析, 主要是利用背景差分法、帧间差分法以及其他的复合方法实现对目标的检测, 由于该方法需要对检测人体运动数据进行视频采集, 针对人体日常运动位置
9、的具有不确定性, 所以该方法并不适用于人体跌倒检测, 更适用于交通视频检测、机器视觉等领域; (2) 环境式跌倒检测系统, 该系统可分为电磁式、光学式等, 在使用环境中安装所有需要元件设备, 通过标记人体运动信息从而得到该机体的运动状态; (3) 基于惯性传感器的可穿戴跌倒检测系统, 该系统主要是利用惯性传感器对人体运动数据进行采集、滤波、分析等, 对人体运动姿态做出判断; (4) 另外还有一些基于声学的跌倒检测研究26等。由于基于视频、环境、声学等跌倒检测技术受环境制约, 其发展速度缓慢, 发展空间有限, 基于惯性传感器的可穿戴跌倒检测系统具有灵活性强、不受环境制约、移植性强等特征, 发展迅
10、速, 其发展空间巨大27。目前市场上的跌倒产品良莠不齐存在很多问题, 例如误报、识别率低、实用性不强、易损等, 导致该类产品的普及率不高28。过去的跌倒检测研究以及人体姿态数据样本的采集是在实验室的条件下完成29, 大多数实验者都是年轻的志愿者, 在生理结构、体质、动作灵敏度等方面都存在很大差异, 而且在数据样本大小、硬件设计上对跌倒检测识别率的影响存在争议, 该项研究对世界范围都具有非常重要的现实意义, 笔者就该系统的研究进展做出了综合分析以及提出了建设性意见, 对该技术的进一步研究设计以及商品化开发具有一定的参考作用。1 跌倒检测技术的原理跌倒30是人体通常是由站立或者类似站立的动作迅速变
11、为平躺或者其他的姿态, 根据跌倒动作的分析, 跌倒具有脚底压力变化、身体的运动加速度变化、角速度变化、身体重心高度变化等特征。国内外高校、研究所以及商业机构等对基于惯性传感器的跌倒检测研究利用机体日常生活行为 (activities of daily living, ADLs) 数据进行滤波、放大建立多相跌倒模型31或者对跌倒数居进行时域分析、频域分析或时频分析32等通过提取特征、选择特征等算法通过 ADLs 特征来判别是否发生跌倒。基于惯性传感器的跌倒检测技术通常是由传感技术结合无线通信技术等做成传感器节点或者人体局域网嵌入到手机、手表、助听器39等设备中, 其原理如图 1 所示, 在该类设
12、备中最常用的传感器有三轴加速度传感器、气压计传感器、压力传感器、陀螺仪传感器以及复合传感器等。利用卡尔曼滤波、数据归一、K-NN 算法 (K-nearest neighbor algorithm) 、SVM (space vector machine, SVM) 43、小波变换44,45、贝叶斯、BP 神经网络等46对数据进行处理, 提取数据特征, 设置阈值判别是否跌倒47或者用模式识别的方法来判别是否跌倒, 还有研究中用到了数据融合, 不过数据融合更适合异质传感器之间的数据处理48, 在跌倒检测中用的极少。在跌倒检测系统中通常设置紧急报警模块, 在发生跌倒的同时触发报警模块。图 1 惯性传感
13、器的跌倒检测系统基本原理 Fig.1 The basic principle of inertial sensors of the fall detection system 下载原图2 跌倒检测系统的发展现状跌倒检测技术作为可穿戴产品的一个重要组成部分, 伴随着可穿戴产品的发展而发展, 基于惯性传感器的跌倒检测技术满足可穿戴产品传感器集成度高的特点, 将其作为主要发展功能。2011 年中兴测控研制了一款基于惯性传感器的人体跌倒报警器, 亮相于十三届高新技术成果博览会, 该产品能够识别老人摔倒并自动报警, 可以通过移动通信发送报警短信, 并设置有一键式报警按键;2013年中兴测控又研发出新一代
14、产品“I help”功能更加丰富;随后市场上出现了很多跌倒检测产品, 例如多功能手杖、求助手表、手机、运动手环等, 但实际市场消费数据显示, 该类产品商品化程度并不理想。近几年的理论与实验研究中, 李娜等49提出并实现了可穿戴健康监测马甲以获取人体生理特征值和运动参数;并在运动状态实时识别的基础上对生理状态进行诊断。论文主要从人体运动状态识别、跌倒动作识别等几个方面进行了深入研究, 提出了基于单个三轴加速度传感器的人体运动状态识别算法, 利用卡尔曼滤波识别出稳定状态和非稳定状态, 采用自适应的阈值法对稳定状态时的跑步、走路动作惊醒识别, 研究表明准走路的时候算法的识别率达到了 90%, 跑步的
15、时候算法的识别率达到了 94%;同时也提出基于单个三轴加速度传感器的危险性跌倒动作识别算法, 通过提取超重加速度、持续失重时间、倾斜角度、持续静止时间为特征值, 消除传感器坐标系的佩戴相关性并减少计算的复杂性, 算法的准确率能够达到 97.0%, 该算法的识别准确率优于 SVM 和多阈值算法, 该项研究也是此领域内首次利用单节点传感器来判别是否发生跌倒行为, 具有理论创新度。刘勇等50提出了基于加速度和倾角变化的跌倒检测技术, 设计并实现了一种基于 SVM 的识别跌倒检测算法的可穿戴式跌倒检测仪, 主要是对实验人员前倾摔倒、后倾摔倒、左倾摔倒、右倾摔倒以及类似跌倒行为等进行分析判断。利用传感器
16、采集到的加速度数据进行数学运算得到人体倾角, 再将获取的加速度和人体倾角数据提取特征并进行特征标定, 构成特征向量, 对特征向量进行归一化处理, 归一化后的特征向量输入到分类器训练模块, 进行 SVM 数据样本训练, 得到分类器的模型, 可对人体姿态进行检测, 如果检测为跌倒则报警。通过实验数据分析得到, 该跌倒算法的精确度能都达到 96.88%, 该设计对人体跌倒方式进行了详细的分析, 并将跌倒行为分为了 4 类, 也是该领域首次将跌到行为细化的而研究, 但是缺乏其他 ADLs 数据的详细分析。He 等51设计实现了一个远程医疗的跌倒检测系统, 该设备被嵌入到夹克衫中, 利用蓝牙通信方式将数
17、据信息保存到智能手机客户端, 通过 network 将信息传送给健康管理中心或者监护人, 可穿戴设备主要包括的就是三轴加速度、陀螺仪, 利用的是懒惰学习算法中的 K-NN 算法检测跌倒, 跌倒会触发报警系统, 短信给家人或者就近的医疗机构, 该设备的跌倒识别率能达到 95%。Huang 等52也对跌倒检测技术在医疗的应用有所研究, 该系统与医疗系统结合起来, 是该方向研究上的一个创新, 在未来的研究上如果该项技术发展成熟会实现远程专家挂号, 远程医学诊断等多项供能。研究学者提出将跌倒检测技术应用到医疗中, 为可穿戴跌倒检测产品开拓了一个重要发展方向, 该设计的研究价值需要进一步的挖掘。刘楚红等
18、53设计并实现了利用足底压力来判断站立、行走、抬腿、跳跃等动作识别的可穿戴系统, 相对于李娜等、刘勇等提出了更新的研究方向, 该项研究具有一定的开拓性。该设计中将足底划分为了 8 个区域, 通过足底的压力检测器以及 MPU6050 采集足底的数据信息, 该设计应用 MPU6050 本身的 DMP 技术直接得到结算后的姿态, 最后将动态的足底压力数据特征进行识别, 该设计中还对姿态进行过了预算, 姿态的预测率还存在较大的误差, 需要进一步的算法优化, 该项研究补充了其他研究学者并未注意到 ADLs 的足底数据, 并补充实验数据的完整性, 也为以后学者研究提供更为丰富的研究数据采集思路。Yang
19、等54利用半监督学习算法单类支持向量机 (one class support vertor machine, OCSVM) 检测跌倒未遂事件, 预测在高空作业或者钢架结构边缘作业时钢铁工人是否将要摔倒, 该组实验尽可能模拟炼钢厂的环境, 将三轴加速度传感器和陀螺仪佩戴在志愿者的骶骨处, 将采集到的数据, 通过无线通讯方式传输到微控制器、进行数据特征训练, 设置阈值, 帮助钢铁工人识别邻近跌倒事件并阻止跌倒事件发生。Hu 等55跌倒事件进行了预测研究, 但并未指出相关应用领域。将跌倒检测技术应用到特殊工种的作业环境中也是该项技术的一个重要发展方向, 具有一定的突破性, 也为高空特殊作业人员提供了
20、一种保护机制, 但是该方向的研究需要进一步地加深, 具体供能完善需要进一步明确。张金桥等56采用 AXDL345 传感器和 MSP430F149 单片机作为装置的数据采集模块和数据处理模块, 设计中将日程生活中的基本人体姿态、跌倒和类跌倒做出了分析, 一旦发生跌倒, 跌倒检测装置会自动发送跌倒的详细数据和地理位置给求救对象。该论文对典型的跌倒检测算法进行了分析并以基于阈值的检测方法为研究方向, 针对传统的阈值跌倒检测算法存在的不足, 提出的融合加速度和姿态角的多级探测跌倒检测算法, 通过实验数据的分析知道该算法的准确率可达 98%, 该项研究补充了刘勇等50对 ADLs 数据分析不够完善的理论
21、研究。Pierleoni 等57利用 MPU6050、HMC5883L、MS5611-01BA 等 MEAS 传感器设计了一个能够获得姿势以及重心高度的系统, 试验中进行了各种形式的跌倒、跌倒与站立等老人的 ADLs 的试验数据采集, 利用卡尔曼滤波对数据进行处理, 人体加速度数据用 SVM 进行特征提取, 获得四元数, 转化为欧拉角, 从而对人体方位姿态进行检测, 这种设备检测跌倒的灵敏度邻近 100%。该项研究中新加入了气压传感器, 利用重点定位对 ADLs 进行模式判断。王璐等58设计实现了基于 WBAN (wireless body area network) 的人体姿态识别算法, 利
22、用九轴传感器对 WBAN 的数据收集, 建立验证人体姿态识别算法的数据集, 利用预处理方法、矩阵降维方法、BP 神经网络算法和阈值判断方法对数据进行分析、特征信号提取, 完成识别姿态, 识别的基本姿态有走、坐、蹲、弯腰、慢走、跑步等。通过各种算法的复合优化, 经过试验数据分析与比较该算法的识别率为 95.6%, 首次将高级传感器应用到跌倒检测中, 也提出了 WBAM的理论研究对该领域而言是一个思路的创新, 但是相对研究不够深入, ADLs 识别种类不是很丰富。目前跌倒检测技术只在对老人5、高危工作从业者、军事训练、电子游戏、医学应用51,52、机器人59等领域得到了微小发展, 还有很多待开发的
23、价值没有被重视。但是以上研究人员共同忽略了两个重点部分: (1) 数据特征的重复性、复现性的验证60; (2) 该类产品的耗能或者说电池的续航能力问题61。集成传感器程度越高产品的功耗就会越高, 目前纽扣电池或者可循环充电电池具有的限功率性并且该类产品需要长时间穿戴, 导致该类产品穿戴的便捷性低、系统运行性能不佳、续航能力不足等众多性价比问题, 从未来发展的角度上看, 该类产品依然会搭载可穿戴产品系统向小巧舒适、外观精美、超长待机、添加云数据库管理功能、建立个人服务器62等方向发展。3 跌倒检测系统的性能分析3.1 跌倒检测系统佩戴位置分析基于惯性传感器的跌倒检测技术中常用的传感器有三轴加速度
24、传感器、压力传感器、磁力计-加速度的六轴复合传感器66、加速度-磁力计-陀螺仪的九轴复合传感器67或者集成在智能系统中的惯性元件等68, 该惯性元器件佩戴的位置有腰部、足底、头部、胸部、手腕、大腿和脚踝等。根据跌倒动作具有瞬时性、突发性, 又由于人体类跌倒动作特征与人体跌倒特征存在一定的共性, 所以对跌倒检测算法的实时性、复杂性都有很高的要求。在特征提取和算法的识别上有很多种算法, 再根据佩戴位置的不同, 检测到的精度也会有很大的区别。Aziz 等69选取了 12 个年轻人, 7 种人体姿态数据, 分别在左脚踝、右脚踝、腰部、胸部 4 个位置选取了 8 种方式做测试, 测试结果显示“左脚踝+右
25、脚踝+胸部”精度和灵敏最优。Lee70使用 SVM 的方法测定腰间位置的跌倒方向, 提出了腰间加速度优于其他参数, 但并未位置的佩戴作出明确的说明。zdemir 71在 2016 年基于 2014 年的 14 位志愿者的 20 种跌倒数据和 16 种ADLs 实验数据, 利用 6 种算法分析, 对人体头部、胸部、腰部、右手腕、右大腿、右脚踝等 6 个位置, 应用 K-NN、贝叶斯决策 (Bayesian decision making, BDM) 、SVM、最小二乘法 (least squares method, LSM) 、动态时间规整 (dynamic time warping, DTW)
26、 、人工神经网络 (artificial neural networks, ANNs) 六种算法, 做了 14 (16+20) 5 次试验, 通过位置和算法选取做了 6 (C6+C6+C6+C6+C6+C6) 组合, 经过数据分析得:K-NN 算法是上述六种算法中最适合做人体姿态检测的, 另外在实验过程中发现, 腰部时平均精度为99.96%, 单个传感单元精度为 99.87;右手腕时平均精度 94.58, 单个传感单元精度为 97.37%, 可见手腕作为人体姿态首选的位置, 检测精度却不是最高的。除此之外, 对跌倒检测系统佩戴位置研究的学者或者机构并不多见, 大部分学者或者研究机构直接选取腰部
27、、手腕或者胸部等对人体姿态检测有利的位置, 事实上, 在做该项研究时, 对敏感元件的穿戴位置的验证是有必要的。3.2 人体姿态信号处理应用到人体姿态信号处理的模式识别算法有很多种, 也是未来人工 AI 和“互联网+”的发展方向, 常见的人体跌倒数据和 ADLs 数据特征提取及识别算法有KNN 算法、BDM、SVM72、隐马尔科夫模型 (hidden Markov model, HMM) 、BP 神经网络算法以及多层复合算法等73, 如图 2 所示为模式识别系统以及识别过程原理图。3.2.1 信号预处理在惯性传感器进行跌倒检测的时候, 将传感器制作成可穿戴设备并将采集到的数据传至上位机, 由于在
28、姿态识别时, 所采用的传感器的数量、种类、灵敏度、测量方式等因素以及人体姿态加速度的无序性与可预测性低的等特征都会产生不同的噪声数据影响算法的实现, 或者重要特征数据由于数量级被噪声影响而忽略丢失, 从而降低了设备的检测精度, 所以需要对数据的特征序列进行预处理。张操政等74对惯性传感器误差采取了详细分析并提出 Kalman 滤波算法以及其他的误差校正算法消除传感器测量数据中的噪声信号能够提高测量数据的精度。图 2 模式识别系统以及识别过程原理 Fig.2 The identification process of pattern recognition system and the prin
29、ciple 下载原图常见的跌倒检测数据预处理方法如表 1 所示。表 1 中 Xi为预处理后数据, 0Xi1;Xi为原始采集数据;X min为原始数据最小值;X max为原始数据最大值;M 为原始数据平均值;v j为数据方差;i=1, 2, ;j=1, 2, 。数据预处理的方法还包括小波变换、傅里叶变换、希尔伯特黄变换等, 根据研究的方向不同, 选择合适的方法。表 1 常见的跌倒检测数据预处理方法 Table 1 Common fall detection data preprocessing method 下载原表 3.2.2 人体姿态判定常用的算法 等75在研究跌倒检测的发现佩戴在腰部利用朴
30、素贝叶斯、K邻近值分类器检测精度高达 99.96%, 其次佩戴在手腕处能够达到 97.37%, 朴素贝叶斯分类的主要依据为贝叶斯定理, Bayes 公式为式 (1) 中, P (B|A) 为后验概率, P (B) 为先验概率, 其中 A 和 B 均为相关事件。古老贝叶斯分类器的大概有确定特征属性、获取训练样本、计算事件概率、对每个特征划分条件概率、对每个类别进行概率计算、找到事件所属类别。SVM (support vector machine) 是模式识别中最典型的也是应用最广的一种机器算法。SVM 是将无法划分的低维空间向量映射到更高维的空间里, 在高维空间建立最优间隔超平面, 在超平面两边
31、建立与之平行的距离最大的分隔超平面, 可以引进松弛系数或者惩罚系数来减小误差。雒静等76将跌倒设备佩戴在腰部, 判断行走、跑步、跌倒等 11 种人体姿态, 利用 SVM 算法进行了 1 100 次实验活动, 正确判断 1 089 次, 误判 5 次, 漏判 6 次, 进一步利用希尔伯特黄变换改进 SVM 算法, 对 7 种人体姿态进行判断, 随机选择 60 组数据为训练样本, 60 组测试数据, 平均识别率为 96.3%, Renjye 等77提出利用 Smartphone 来验证是否能够检测跌到行为发生, 将设备佩戴在腰部, 用 3 种 SVM 评估方法来预测跌倒行为和检测跌到行为是否发生,
32、 实验数据表明平均灵敏性为 100%, 特异性为 96.1%。在跌倒检测技术中常用到二分类 SVM 算法, 输入训练样本集合:式 (2) 中, x i为特征向量, x iX=R, y iY=1, -1, i 为正整数。选择合适的核函数 K 和参数 N, 内核函数 K 主要包括有线性函数、多项式函数、径向函数、感知器函数等, 最终将问题转化成最优化求解, 求出最优解为然后选择合适的正 a 分量来计算阈值:最后确定决策函数的构造:BP 神经网络、隐马尔科夫模型 (HMM) 78在基于惯性传感器的跌倒检技术中也被广泛应用, 该算法在用作跌倒检测判定之前要对数据样本进行训练, 使其具有记忆和分类的功能
33、, 然后根据预测差值判断是否需要结束迭代, 该算法精度与自身迭代次数有关, 目前依据的数据显示为该算法精度与自身迭代次数有关。Abeyruwan 等79不仅提出了 K-Mean 和 Gaussian 混合聚类算法的半自动特征提取方法, 还提出了 Softmax 和神经网络的混合算法识别跌倒, 准确率达到了100%。Medrano 等80基于智能手机将最近邻点插值法与 SVM 相结合训练人体日常行为样本数据, 将每一组实验都交叉验证 10 次, 经过对训练样本的比较, 最近邻点插值法比 SVM 更有优势, 特性曲线范围分别为 0.986 1 和 0.979 5。能够在跌倒检测上应用到的分类算法还
34、有很多, 还有一些多级算、交叉验证、多级分层算法等都是复合以上算法增加阈值判别或其他判别算法进一步的研究和优化得到的。3.3 跌倒检测系统的数据样本分析对老人的 ADLs 数据样本来言, 每个商业项目组或者说科研组都有自己独立的数据库, 该数据库具有不被公开性以及差异性, 所以在动作样本容量大小、数据样本分类、数据样本的年龄分布等也存在一定的不稳定性。对目前数据可度高的跌倒检测技术研究进行分析, Doheny 等81在站坐测试中选取 39 个老人, 历时两个月采集 19 次跌倒数据, 四次交叉验证, 最终结果显示灵敏度只有 68.7%, 虽然精度很低, 但是选取的实验对象、实验数据以及数据采集
35、环境可靠性高。李娜49利用一阶 SVM 算法, 实验人数 20, 识别姿态 13种, 在数据样本中有 20134 000 组实验数据, 该项技术最终的识别率97.0%;2014 年zdemir 71利用加速度-磁力计-陀螺仪的九轴复合传感器, 实验志愿者 14 人, 识别姿态 20 种跌倒行为和 16 中 ADLs 行为, 2 520 组实验, 378 种人体位置和算法组合, 采用 6 种机器学习的分类算法的识别率均达到 95%以上, 6 种机器学习的分类算法包括有:K 值邻近分类器、最小二乘法、动态时间规整、人工神经网络算法、支持向量机、贝叶斯决策, 其中 K 近邻分类的识别最高, 达到了
36、99%;2016 年在张金桥的研究56采用的实验者有 10 人, 识别人体姿态 8 种, 整个实验样本中仅有 10810 组数据, 采用多集算法检测, 识别率达到了 98%, 训练的数据样本相对较小, 代表性不足。目前只有Abeyruwan 等79对人体姿态数据开放并提供下载 (http:/muenergia.saminda.org) 。4 跌倒检测系统的不足目前, 可穿戴设备的供电是一个很大问题, 直接影响可穿戴设备的便携性, 也是很多学者忽略的一个问题, Sungmook 等61提出了跌倒检测设备中的通过人体运动摩擦不断充电的柔性电池, 该技术在穿戴设备行业都是一个突破性的进展。另外, 在
37、跌倒检测的实验研究中在各方面都没有一个统一的实验检测标准。实验志愿者大多数都是利用年轻健康的青年或者中年人, 在生理结构和心理的都与老年人具有很大的差异性, 导致在试验中采集到的跌倒或者其他的日常行为的数据与实际老年人的异常行为数据存在一定的差异性, 根据目前查阅的文献资料显示, 做跌倒检测试验的数据样本都比较小, 数据样本进一步的扩充对该技术的发展存在重要的意义, 这两个实验因素直接导致了跌倒检测系统准确率的可信度。其次, 实验环境上也存在很大的差异, 大部分实验都是有保护措施的情况下做多次重复试验, 选取可信度高的实验数据进行样本训练, 在实际生活中会遇见各种影响因素、在实验志愿者的保护措
38、施没有具体的标准情况下, 一定程度上降低了实验数据的可靠性, 目前, Chen 等82对特殊环境中的跌倒检测进行了研究, 但 ADLs 数据的采集样本, 并未对外公开。除此之外, 训练样本的试验方法、跌倒检测方法等也没有具体的标准。提出一套具有可行性以及可信度高的实验检测标准, 对于该设备的进一步研究具有重大参考作用。目前该设备的评价标准应有权威机构根据数据样本的容量、实验条件、实验志愿者等进行严密的制定, 或者有相关权威机构公开发布一个具有多样性、涵盖面积广的复杂环境下采集的实时更新数据库并提出相关数据的采集方案。5 结论与展望近几年惯性传感器的跌倒检测技术发展成为了 Smart-Cloth
39、83的一部分, 得到研究机构和商业界的重视, 根据人口的发展趋势预测, 其发展潜力巨大, 但是该类产品的技术发展、商业规模、竞争格局等还在逐渐地形成, 从科学前瞻角度分析, 该产品的发展会趋向微型化、互联化、数据云端化、智能分析化;从生活角度分析, 该产品的发展趋势是向便捷化、个性化、时尚化前进;从技术上角度分析, 功耗和供电是个技术难关, 如何实现芯片的超低功耗和如何实穿戴产品的供电成为跌倒检测技术突破的关键点。在该项技术的应用领域上还需要进一步的发展, 目前跌倒检测技术只在对老人、高危工作从业者、军事训练、电子游戏、医学应用等领域得到了微小发展, 还有很多待开发的价值没有被重视。笔者对该项
40、技术的研究现状做了客观的梳理, 提出了该项技术存在的不足之处以及对该项技术的发展趋势做了方向上的指引, 为惯性传感器的跌倒检测技术的研究提供了一个系统的研究方向, 也为该项技术的商品化提供了有利的参考依据。参考文献 2 United Nations.A concise report on the world population situation in2014:ST/ESA/SER.A/354.New York:United Nations, 2014 3 World Health Organization.WHO global report on falls prevention in older age/ageing and life course, family and community health.Geneva:World Health Organization, 2007
