基于特征参数变化量的并行跌倒检测算法

�-��ky�B>�-��ky�v����趋a��>�-��ky�O��h��i�@1>�-��ky������y��x��|ߝZ���"http://www.lysspx.com/p/zongjie/" target="_blank" class="keylink">总结了日常行为与发生跌倒时特征值的数据对比。算法正确率是跌倒后被正确检测并报警的比例，特异性指准确区分不同日常行为活动的比例。本次实验共采集200组日常行为数据、100组跌倒数据与经典阈值算法进行对比，结果如表1所示。

5 结语

本文通过测量人体实时合加速度幅值变化量及人体竖直方向相对于水平地面的角度变化两个特征值，分析角度特征值随人体运动步伐呈现的周期性变化特点，准确区分走路及上下楼梯等日常行为，并通过模仿实验确定不同状态下的危险阈值，在经典阈值算法基础上提出了基于特征参数变化量的并行检测跌倒算法。结合惯性运动传感器及单片机arduino实现跌倒检测，克服了普通系统体积大、不易携带、算法复杂度高、成本高、难以推广普及等缺点，在保证实时性和便携性基础上有效提高了系统准确度和特异性。通过引入Protothread模型，在降低系统开销条件下满足实时多任务需求，算法简便易实现，功耗和成本低，满足了智能医疗需求。

参考文献：

[1] 李新辉， 陈丽丽. 老年人跌倒危险因素及預防研究进展[J]. 全科护理， 2008， 6（31）：2829-2831.

[2] 郑娱，鲍楠，徐礼胜，等. 跌倒检测系统的研究进展[J]. 中国医学物理学杂志，2014 （4）：5071-5076.

[3] VAIDEHI V， GANAPATHY K， MOHAN K， et al. Video based automatic fall detection in indoor environment[C].IEEE International Conference on Recent Trends in Information Technology，2011：1016-1020.

[4] LITVAK D， ZIGEL Y， GANNOT I. Fall detection of elderly through floor vibrations and sound.[C].  International Comgerence of the IEEE Engineering in Medicine and Biology Society， 2008：4632-4635.

[5] 王榮扬， 陆波， 何彦虎，等. 一种可穿戴式无线实时跌倒检测装置设计[C]. 核磁共振技术及应用研讨会，2014.

[6] 王莉， 赵艳阳， 刘雪峰，等. 基于惯性传感器的跌倒检测技术研究进展[J]. 科学技术与工程， 2017， 17（32）：205-213.

[7] 肖明清， 夏锐. 并行测试技术的现状及其发展趋势[C].全国测试与故障诊断技术研讨会，2006.

[8] 刘楚红. 基于FSR和陀螺仪的人体姿态检测及行走趋势分析[D]. 沈阳：沈阳工业大学， 2015.

[9] 巴雷特， 潘鑫磊. Arduino高级开发权威指南[M]. 北京：机械工业出版社， 2014.

[10] 赵英杰. Arduino互动设计入门 [M].北京： 科学出版社，2014.

[11] BARBON G，MARGOLIS M，PALUMBO F，et al. Taking arduino to the internet of things： the ASIP programming model[J]. Computer Communications，2016（4）：89-90.

[12] KANGAS M， KONTTILA A， WINBLAD I， et al. Determination of simple thresholds for accelerometry-based parameters for fall detection[C].  International Conference of the IEEE Engineering in Medicine & Biology Society， 2007：1367.

[13] TARALDSEN KRISTIN F M，SEBASTIEN C， RIPHAGEN I I. Physical activity monitoring by use of accelerometer-based body-worn sensors in older adults： A Systematic Literature  Review of Current Knowledge andApplications[J]. Maturitas，2012，71（1）：13-19.

[14] 陈玮，周晴，曹桂涛. 基于SVM和阈值分析法的摔倒检测系统[J]. 计算机应用与软件， 2017， 34（7）：182-187.

[15] MAARIT KANGAS， ANTTI KONTTILA. Comparison of low-complexity fall detection algorithms for body attached accelerometers [J]. Gait & Posture， 2008， 28（2）： 285-291.

[16] 耿晓中. 基于多核分布式环境下的任务调度关键技术研究[D].长春：吉林大学，2013.

[17] 李坤， 姜萍萍，颜国正. 基于多传感器数据融合的跌倒检测算法[J]. 北京生物医学工程， 2016， 35（5）：483-488.

[18] NOH Y D. Computational algorithm for an m -stage open tandem queue with blocking and feedback operation[J]. Computers & Industrial Engineering，1997，32（2）：124-132.

[19] 冉全. 单片机中基于多线程机制的实时多任务研究[J]. 微型机与应用， 2003， 22（8）：13-15.

[20] SHIBUYA N， NUKALA B T， RODRIGUEZ A I， et al. A real-time fall detection system using a wearable gait analysis sensor and a Support Vector Machine （SVM） classifier[C]. 2015  （ICMU） IEEE Eighth International Conference on Mobile Computing and Ubiquitous Networking.  2015：66-67.

[21] 麻文刚， 王小鹏， 吴作鹏. 基于人体姿态的P SO-SVM特征向量跌倒检测方法[J]. 传感技术学报， 2017， 30（10）：1504-1511.

（责任编辑：杜能钢）