基于MEMS的摔倒检测和定位系统设计.docx

?

?

基于MEMS的摔倒检测和定位系统设计

?

?

翁佩纯++张远海

摘要为解决老年人日常生活中的摔倒检测和定位问题，设计了可穿戴式老年人摔倒检测和定位系统。采用低功耗的STM8S系列芯片，通过MEMS三轴加速度传感器完成人体三轴加速度数据的采集和处理，使用卡尔曼滤波算法进行噪声剔除，实现了三级检测阈值摔倒检测算法，北斗GPS双模定位模块获得地理定位信息，GPRS模块进行远程报警。实验说明系统可以有效地对老年人摔倒行为作出检测，并实时进行定位和报警。

【关键词】摔倒检测算法MEMS加速度传感器北斗定位

随着我国人口老龄化的加速，老年人的照料和养老问题将严重加重未来社会负担。高效、有效、专业的养老产业是解决老龄化社会带来沉重养老负担的唯一途径。在老年人的日常生活中，摔倒[1]是老年人经常发生的意外之一，严重威胁老年人的身体健康甚至生命安全。因此，设计一种针对老年人的摔倒检测和定位装置的需求尤为迫切。

MEMS技术以其体积小，重量轻，耗能低，谐振频率高等优势，近几年得到了快速发展和广泛应用，在加速度检测、状态检测、运动检测等方面的技术已经相对成熟和稳定。本文提出一种基于MEMS三轴加速度传感器的老年人摔倒检测与定位系统，可穿戴并实时检测和卫星定位。三轴加速度传感器采集人体摔倒特征向量，北斗GPS模块判断摔倒位置，通过GPRS模块通知家人，大大提高老年人的安全保障，减轻了子女和社会的压力。

1人体摔倒模型

1.1摔倒检测算法

人体运动的特征向量包括加速度、加速度向量幅值SVM（Signalvectormagnitude）、微分加速度幅值绝对平均值MADS（Meanabsolutevalueofdifferential）、人体姿态角pitch、roll和yaw等[2]。当人体进行剧烈活动时，SVM峰值会变得比较大，其定义为：

（1）

其中：ax、ay、az分别为x、y、z轴的加速度。

人体摔倒时状态变化剧烈，SVM一般会超过1.8gn，因而第一级摔倒检测阈值可选择1.8gn作为衡量准则。但当人体进行一些非摔倒性剧烈活动，如快速跑步，SVM的峰值有时也会超过1.8gn，这时可利用微分加速度幅值绝对平均值MADS来进行第二级摔倒检测。研究表明，人体摔倒期间MADS超过0.36g/s，跑步期间MADS小于0.36g/s，因而选择0.36g/s作为人体摔倒的第二级判决阈值。MADS具体定义如下[3]：

（2）

其中：T为时间周期

为了进一步减少误报，可利用三轴加速度和重力之间的关系，计算人体姿态角yaw，即人体躯干与水平面的倾角θ。将人体姿态角yaw小于40°，作为第三级判断阈值。其定义如下[4]：

（3）

1.2卡尔曼滤波算法

为了降低MEMS加速度传感器的噪声干扰，系统采用卡尔曼滤波算法对数据使用进行降噪处理。卡尔曼滤波（Kalmanfiltering）是一种利用线性系统状态方程，在测量方差已知的情况下观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。

具体算法如下，时间更新方程负责向前推算当前状态向量和误差协方差，为下一状态构成先验估计；测量更新方程负责将先验估计和最新测量构成后验估计。设加速度的离散状态方程和观测方程为[5]：

X（k）=F（k，k-1）·X（k-1）+T（k，k-1）·U（k-1）

Y（k）=H（k）·X（k）+N（k）

其中：

X（k）和Y（k）分别是k时刻的状态矢量和观测矢量；F（k，k-1）为状态转移矩阵；U（k）为k时刻动态噪声；T（k，k-1）为系统控制矩阵；H（k）为k时刻观测矩阵；N（k）为k时刻观测噪声；则卡尔曼滤波的算法流程为：

预估计X（k）^=F（k，k-1）·X（k-1）

计算预估计协方差矩阵：

C（k）^=F（k，k-1）×C（k）×F（k，k-1）+T（k，k-1）×Q（k）×T（k，k-1）

Q（k）=U（k）×U（k）

计算卡尔曼增益矩阵：

K（k）=C（k）^×H（k）×[H（k）×C（k）^×H（k）+R（k）]^（-1）

R（k）=N（k）×N（k）

更新估计：

X（k）～=X（k）^+K（k）×[Y（k）-H（k）×X（k）^]

计算更新后估计协防差矩阵：

C（k）～=[I-K（k）×H（k）]×C（k）^×[I-K（k）×H（k）]+K（k）×R（k）×K（k）

X（k+1）=X（k）～

C（k+1）=C（k）～

1.3算法流程

系统MCU读取MEMS加速度传感器采集的三轴加速度数据，采用卡尔曼滤波算法进行优化之后，通过计算得出SVM、MADS和yaw的值，当SVM1.8gn，MADS0.36g/s，yaw