英语原文共 32 页，剩余内容已隐藏，支付完成后下载完整资料

基于安卓的跌倒检测系统的比较与描述

摘要：跌倒是老年人受伤和住院的一个最重要的来源。当跌倒发生时，采用自动落下检测机构可明显减少医护人员或照顾者的响应时间。智能手机正越来越多地被提出作为便携的，经济的和抗干扰的跌倒检测系统。智能手机的开发潜力（尤其是安卓操作系统）可以受益于广泛植入，不断增长的计算能力和这些个人设备的通信接口和嵌入式传感器的多样性。对这件事的最新修订后，本研究开发的实验平台来评估不同的跌倒检测算法的性能，地面的决策对惯性数据通过智能手机的加速度计的注册分析。在一个真实的测试平台与不同的个人的结果表明，该加速度计的精度取决于跌倒方式。进行的测试也显示了难以确定的检测加速度阈值，允许实现一个很好的权衡之间的假阴性（瀑布，继续被忽视）和误报（常规动作，被错误地归类为瀑布）。在任何情况下，电池消耗的演化研究揭示了，当自我评价跌倒检测系统的可行性时，额外的由安卓监控应用程序所介绍的功耗不能被忽略。

关键词：跌倒检测；智能手机；健康促进；Android；加速度计

1.简介

在过去20年中，由于发达国家的社会经济和卫生进步，老年人口大幅增加，特别是随着老化的“婴儿潮”（出生在1946和1964之间）。预期寿命的显著增长增加了老年人的日常生活面临的风险。尽管体育锻炼避免或延缓疾病的发作，但也会导致降低生活质量的主要健康危害，跌倒。来自世界卫生组织的数据[1,2]，通过不同的流行病学研究支持，表明显著比例的超过64岁的老年人（28% - 35%）每年遭受一次跌倒。 超过70年的年龄，这一比例增加至32% - 42%。事实上，跌倒引起的伤害是老年人住院的主要原因之一，经常导致他们无法独立生活甚至死亡。一个快速反应可以显著地减少跌倒对老年人的影响，但如果受伤的人单独生活，受伤会妨害他寻求帮助，紧急援助往往是不可行的。据[ 3 ]，75岁以上的独立生活人群的跌倒发生率每年超过30%，据估计，每年有50%的养老院居民跌倒（每年至少40%的人至少跌倒两次）。此外，多达12%的跌倒导致骨折，而23%的年龄超过65岁（其中34%的85岁以上）的患者死于跌倒相关的创伤（见[ 4 ]为关于这个话题的最新分析）。然而，与跌倒相关的物理伤害并不是唯一必须考虑的负面影响。坠落的恐惧（FOF）已被公认为一个特殊的健康问题，特别是对老年人。FOF，这通常增加神经质和焦虑，常导致患者明显减少或规避体育活动。因此，跌倒导致的心理和情感的影响会降低老年人的独立性。而且，这种自信心的丧失也随着年龄的增长而恶化，导致了他们对社会的隔阂和生活质量的降低。本文提出了一种用于跌倒监测的实验系统的原型。原型结合了一个基于安卓的智能手机作为平台的硬件，一个运动传感器（一个内置的三轴加速度计）和位置服务的智能手机的支持。一个基于手机的系统的选择有明显的优势。一方面，基于手机的应用程序可以随时随地使用，因为手机的普及，成本的降低和移动设备的便携性和移动技术的普及。事实上，智能手机的使用已成为日常生活的基本组成部分。此外，目前大多数智能手机无缝整合所有需要的元件（陀螺仪和加速度计）发展自主自足的跌倒检测应用。在任何健康监测应用程序的设计中的一个重要点是人体工程学。无线通信明显改善患者流动而已经存在的个人装置避免了携带一个单独的跌倒检测小工具的烦恼。因此，智能导向系统不在越来越不愿意承认新的技术来提高其安全性和独立性的老年人的生活中引入任何特定的附加组件。

本文组织如下：本节1介绍后，2节修改相关工作。第3节介绍了开发系统的总体结构和目标。第4节介绍了设计的检测算法进行测试，而全球系统的体系结构和实施的在第5节和第6节。在第7节中，通过在不同的情况下进行的大量的实验，对系统的性能和基于加速度的检测算法的精度进行评估。最后，第8节得出工作的主要结论。

2。相关的工作

在过去的十年，由于在电子传感器领域的进展和广泛的扩展和个人设备成本的减少，对系统的跌倒检测研究猛增。最近的全面工作已经彻底解决了最先进的跌倒检测系统。在这个意义上，已经提出了不同的标准，对现有的建议进行分类。例如，作者在[ 5 ]区分这些研究，只考虑到识别冲击的研究，和也考虑“跌倒后”阶段的研究。另外，佩里分类检测技术取决于用户的加速度测量和用于识别跌倒[ 6 ]。最先进的[ 7 ]提出了区分两种跌倒检测结构：上下文感知系统和方案，使用可穿戴设备的嵌入式加速计和，在某些情况下，针对用户的位置陀螺仪传感。是指这种与身体上的传感器的跌倒检测系统，发展性项目（由欧洲委员会资助的）支持系统的文献复习[ 8 ]的相关文献。这一结论批评，研究缺乏一个方法的共识，以评估建议的系统。最近的研究[ 9 ]提供了一个有趣的分类系统和算法的跌倒检测。进行分类考虑三个一般类别：基于环境的设备，基于视觉的和可穿戴式设备为基础的检测系统。环境为基础的方法提出了结合视听信息和事件感知的捕捉和分析地面振动数据。在用户周围用压力传感器跟踪跌倒。这可能是一个经济的方法，但由于其他对象的杂散下降，它会导致许多虚假的警报。另一方面视觉为基础的辅助系统利用摄像机（甚至麦克风），以评估用户的行为和检测事件（如跌倒），在他/她的例程没有过多的入侵。有不同的策略，从视频图像分析进行跌倒检测，如形状建模使用的时空特征，对姿势的形状变化的研究，三维头部位置的分析，例如，安德森[ 10 ]的系统，cucchiara [ 11 ]，diraco [ 12 ] [ 13，福鲁吉]，hazelhoff赋[ 14 ]，[ 15 ]，扬森[ 16 ]，李[ 17 ]，刘[ 18 ]，咪咪叫[ 19 ]、[ 20 ] Rougier Ni，斯科史密斯[ 21 ]，[ 22 ]，维什瓦卡玛[ 23 ]或于[ 24 ]提出由捕获的图像来监测患者（或用户）的跌倒。然而，这种方法有严重的实际限制。一方面所需的监测环境（通常是有限的如一个密切观察到的房间）是很难实现和维护的。此外，图像的质量（因此，跌倒预测的准确度）可能强烈地确定由房间的照明条件，或因存在的盲区，用户不能被正确地监测[ 25 ]。除了从环境对象的噪声的脆弱性[ 26 ]，另一个问题，大多数现有的视觉为基础的方法是没有灵活性[ 9 ]，因为它们通常情况下，是设计和优化的一个非常特殊的场景。此外，个人的隐私被损害，这直接转化为一个用户缺失的原因。在任何情况下，环境和视觉（或图像和音频处理）为基础的计划适用上下文感知技术，需要定义一个监管环境，用户活动应该采取的地方。以类似的方式，该项目在[ 27 ]描述了跌倒检测架构，通过非侵入性的可穿戴传感节点和固定的微尘，方便分布在监督监测网络基础设施的部署情况。微尘都配备了低功耗的MEMS加速度传感器，当检测到下降，警报转发到基站通过固定的远程网络。这种网络基础设施还允许用户的本地化。检测算法的基础上的变化的角度，这是估计从平均的加速度矢量的点积超过1秒。相反，使用可穿戴式设备的方法，将特定的服装与嵌入式传感器（加速度计）来估计的运动（和，在某些情况下，在任何无监督环境中的用户的身体的位置）。如果可穿戴的服饰也与广域通信接口功能（例如，3G/4G数据连接），用户可以无所不在的监视。大多数智能手机为基础的跌倒检测系统，可以清楚地分类到这个家庭的“无处不在”的检测技术。作为一个主要的优势，智能手机的解决方案不限制用户的移动性，以一个特定的监测区，而他们提供了一个无缝的廉价的技术，已经集成在日常生活中最潜在的用户。如今，智能手机包括一系列广泛的嵌入式传感器，不仅包括加速度计，而且相机、麦克风、数字罗盘、陀螺仪和GPS装置。智能手机的成本迅速降低，促进了这一可穿戴式的技术和测量的加速度为基础的下降检测。因此，在过去的几年中，已经提出了许多智能手机为基础的架构。跌倒检测系统[ 28,29 ]最初的智能手机开发使用（今天已经过时，已停产）Symbian操作系统的诺基亚手机。从这个意义上说，谷歌的安卓是在智能手机行业中最具优势的成员，在2013年底拥有百分之78.1的市场份额[ 30 ]。因而，安卓被选择作为操作系统（操作系统）和编程环境，大量采用的文献基于智能手机的跌倒检测解决方案。相反，有少得多的文献的跌倒检测架构部署在其他操作系统的移动设备，如iOS（在[31,32]，或[ 33 ]，iphone手机接收和处理来自不同外部移动传感器的信号，以提醒用户关于潜在跌倒或估计为中风后患者的跌倒风险）。在[ 34 ]（作品2011）一个通用的跌倒检测java平台软件体系结构（使用外部传感器）是在Symbian手机上实现（诺基亚5800）和Android智能手机（三星Galaxy，HTC Hero）。然而，该系统是没有测试，并没有比较这些操作系统的性能提供。另一方面，在[ 35 ]讨论不同手机操作系统的能力（Windows Phone，MeeGo Harmattan，Symbian和Android）开发的跌倒检测的应用。作者得出结论，最好的选择是安卓的，因为它从APIs提供了更多的支持，并减少了实施时间。perfalld是由[ 36,37理论研究的作者开发的Android架构]。该系统，它是建立在该技术的加速度阈值，已担任第一流的测试在这篇文章中的跌倒检测算法的实施。后来的讨论，perfalld检测决定实施针对电话机身的总加速度值和一定的观察时间窗口期间绝对垂直加速度。一个非常类似的过程是遵循了系统[38 ]。在第二种情况下，该平台还向有关方向的下降通知。为了检测自由跌落，作者在[ 40 ]建议测量的时间，加速度是接近零的用户的净位移。虽然该算法的目的是为安卓设备，检测技术不执行，在实际的智能手机也没有测试。为了最大限度地减少在智能手机中的计算能力和实时处理的要求，其他系统，如建议在[ 41 ]，只考虑一个简单的单阈值算法部署的跌倒检测。在同一作者的另一项工作[ 42 ]，如果加速度是大于2.3g的经验调整阈值假定的影响是只有考虑到下降，如果最终用户方向是横向的。对基于智能手机的跌倒检测另一个Android应用程序如果（跌倒监测和响应的Android应用程序）[ 43 ]，这在谷歌Play商店是可用的。对所采用的检测算法的理论基础是相似的perfalld，为利用算法也是基于相同的加速度阈值技术。不像perfalld，跌倒检测标准被所有唯一取决于全球加速。在[ 44 ]的工作相结合的智能传感器和摄像头，使智能手机能够检测和检查得出下降。当传感器检测到一个坠落事件，实时数据被传送到一个远程监控点，而病人则是亲自尝试接触，以获得一个声音或键盘反馈。在[ 45 ]一个3轴加速度计的Android智能手机再次作为一个远程医疗设备。到远程监护单元的连接是通过TCP / IP通过Wi-Fi插座。在[ 46 ]的文件提出了另一个智能手机为基础的系统，跟踪用户的动作，并自动发送报警信息给一个跌倒者的照顾者。利用多层感知器（即神经网络）来分析用户的移动模式。越南联合认为，从定向传感器和加速度计的智能手机检测到下降的信息。作者认为，用户的姿势之前，必须考虑到优化的阈值，确定检测。基于加速度计的安卓程序的决策阈值和观测时间窗的选择和优化，仍然是开放性问题。Android程序[ 48 ]描述参数化这些值考虑到年龄、性别和体重指数对用户进行监控。作者在[ 49 ]中引入了一个系统，利用一个嵌入式的三加速度计安装在腰部的智能手机。通过分析加速度计的数据，智能手机获得用户的运动信息，这是根据五种不同的模式进行分类。当信号幅值区域（从加速度信号的积分计算）时，假定一个下降，加速度幅值矢量和倾斜角度同时超过相应的阈值。在这种情况下，一个与全球定位系统坐标系的多媒体信息服务（多媒体信息服务）被发送到远程监控点。在[ 50 ]的研究评估的特异性和灵敏度的智能手机来检测跌倒时，把他们的表现与独立加速度计实现相比。结果表明，智能手机是一个有效的选择，用于检测跌倒，精度高。大多数提出的智能手机为基础的解决方案是“智能手机”架构，没有补充组件（除了手机的内置传感器）使用[ 51 ]。在该系统中引入了额外的高分辨率传感器，可以引入一个更高的精度，同时避免在一个固定的位置（在检测过程中被假定为是最佳的）在智能手机上的需要。另一方面，额外的元素增加了系统硬件的成本，以及它可能会减少的下降检测器的可用性（因为更多的设备必须由用户佩戴）。例如，在[ 52 ]中提出的系统结合了智能手机和无线通讯（Chronos ez430手表的数字模型的德克萨斯乐器，它集成了一个三轴加速度计提供）检测下降，以获得急救联系。该平台在[ 53 ]的描述也集成了一个额外的电子设备（从德克萨斯仪器的SensorTag）监测用户的运动。加速度计数据的SensorTag处理，所以如果检测到下降时，一个消息通过蓝牙智能手机发送（这只是作为外部传感装置和远程监测点之间的通信网关）。论文在[ 54 ]实现了一个基于安卓的手表搭载一个三轴重力加速度计的坠落检测系统。该手表不包括任何广域网络通信接口。因此，在检测到一个下降，该设备只发出一个振动报警。它可以从前述的研究，推导出加速度计是目前智能手机最广泛使用的检测方法。加速度计的位置（腰部，手腕，大腿或胸部）已被用来作为一个标准来分类的现有解决方案的基础上三轴加速度计[ 55 ]。在某些系统中，从传感器获得的信息结合惯性传感器和陀螺仪的数据。有2个一般的策略来检测从加速度计获得的数据的下降发生：

bull;运动的基于模式识别方法的分类（PRM），采用数据基地，训练阶段和AI（人工智能）解决方案。在以[ 56 ]和[ 57 ] karantonis提出的系统，为了避免假阳性患者的活动模式的特点。为了这个目的，这些作者提出了一个复杂的“培训”的流动性传感器测得的值，用户进行日常活动的不同性质的值存储在数据库中。一旦完成这个特性，这些值以前捕获的是用来区分一个正常的情况下，从一个警告状态的运动。作者在[ 58 ]采用了一个腰部磨损的跌倒检测系统来比较不同的机器学习分类算法来检测下降模式。研究发现，多层感知器的效果优于其他的分类技术。这种类型的策略允许调整的特定行为的用户的检测算法。相反，需要结合训练阶段，数据库和/或人工智能技术阻碍了他们的硬件和电池有限的多功能设备，如智能手机的实施。

bull;检测基于加速度阈值（阈值检测或待定）：在[ 59 ]年温利用加速度阈值是基于加速度计的测量峰值绝对值。在实验中，该加速度

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[153989]，资料为PDF文档或Word文档，PDF文档可免费转换为Word