基于LoRa 的老人跌倒监护系统设计

罗文志，张自豪

（1.桂林威领电子科技有限公司，广西桂林 541004；2.广西师范大学电子工程学院，广西桂林 541004）

生活水平的显著提升及人口老龄化程度不断加深，社会医疗服务产业得到不断发展。针对老年群体的服务机构数量也随之不断增加，对于老年群体的监护服务形式需要进一步升级[1]。养老机构通过智能设备为老年人提供监护服务，可以减少监护工作的人工成本，有效提高监护质量，具有一定的社会意义和经济价值。跌倒是老年群体面临的意外伤害之一，可能会造成严重后果，需要进行有效监测[2]。如何利用科技手段为老年群体提供跌倒看护是研究的重要问题。

目前，存在很多跌倒检测问题的研究成果，跌倒检测的研究方法有以下几类：一类通过图像处理实现[3-5]，另一类通过感知设备实现[6-8]，还有一类通过穿戴设备实现[9-11]。其中，通过图像和环境感知的检测方法应用场所相对固定，同时监护成本很高。通过穿戴设备检测的成本较低，且不存在泄露隐私的风险，是主流的研究方向。大量学者通过在身体躯干位置放置检测设备，虽然可以有效地实现检测，但是舒适度不高，推广性较差。因此，该文通过穿戴设备设计一种基于腕部的跌倒检测方法并形成一种监护系统，从而为老年群体提供舒适、有效的监护服务，为护理人员提供简单、有效且实用的监护方法。

1 系统总体设计

当前，跌倒检测的研究多是选取少量动作进行分类，但是因运动的复杂性会导致识别率不高。为了提升检测的舒适度和准确率，以及保证监护工作的有效性，该文设计了一种跌倒监护系统，该系统由监测设备和监控设备组成。首先完成跌倒检测算法的研究，并移植到监测设备中进行实现，然后通过LoRa 无线通信技术实现数据传输，最后监护人员利用监控设备及时发现险情，并进一步做出应急处理，从而保证老人的生命健康。监测设备应用于需要监护的老人，将该设备佩带在腕部，实现跌倒行为检测和无线发送功能。监控设备应用于护理人员，实现异常信号报警和异常人员信息显示。在养老机构或者医院等场所中，针对年迈老人或者术后人员，通过该方法可以极大地减少监护人员的工作量，提供及时、可靠的跌倒监护方法。该系统整体结构如图1所示。

图1 监护系统整体结构

2 系统硬件设计

系统的硬件有监测设备和监控设备。两种设备采用相同的主控芯片、LoRa 无线通信模块以及报警模块，监测设备还包括姿态传感器，监控设备还包括OLED 显示模块。因篇幅有限，该文针对主要的模块进行介绍。为了实现良好的腕部佩戴效果，且考虑成本及功耗问题，对各功能模块进行选型。

2.1 主控模块

主控模块是硬件设备数据处理中心，作为系统核心模块，除了保证高性能、满足实时性需求外，还需要具有低成本和低功耗的特点。因此，系统采用主流的微控制器STM32 系利芯片，因时钟频率高的缘故使得功耗得到了良好地控制，STM32F103C8T6具备多种接口，易于扩展各种功能模块。该芯片能够满足跌倒检测和数据传输的处理需求。

2.2 MPU9250运动处理模块

在跌倒数据的采集方面，选择型号为MPU9250的运动传感器。该传感器通过16 位ADC 获取加速度计和陀螺仪的数字量，同时得到三轴加速度和三轴角速度，其中，加速度计量程为±8 g，陀螺仪量程为±256 deg/s。该传感器体积较小，易于集成在可穿戴设备中，在功耗、尺寸、灵敏度等方面具有一定优势。STM32F103C8T6 控制器和MPU9250 运动处理模块通过IIC 接口进行通信。

2.3 LoRa无线通信模块

目前，主流的无线通信技术包括蓝牙、WiFi、ZigBee 和LoRa[12-13]。根据系统设计需求，采用的无线通信技术需具有远距离、低功耗的特点。LoRa 技术满足应用需求，可以同时在各节点间自组网。该系统采用型号为E32-433T20DC 的LoRa 模块。该芯片工作于免费频段410～441 MHz之间，通信距离高达3 000 m，发射功率为100 mW。STM32F103C8T6 控制器和LoRa 无线通信模块通过SPI 接口进行通信。

2.4 OLED显示模块

显示模块应用于监控端，监控端接收数据包后进行实时显示，方便监护人员确定发生意外的老人身份，为后续救援提供支持。显示模块为0.96 寸的OLED 屏，相较于LCD 屏，其厚度、响应速度都更加优越，显示功耗为0.06 W。STM32F103C8T6 控制器和OLED 显示模块通过IIC 接口进行通信。

3 系统软件设计

3.1 姿态特征

该文基于腕部进行跌倒检测方法的研究，在研究中除了分析老年人常见的行为（如行走、慢跑、跳跃、弯腰、坐躺等），还分析其他多种常见行为动作，如上下楼、打电话、开门、举手、鼓掌等生活行为。通过分析腕部运动数据，将上述行为中跌倒、慢跑、跳跃、鼓掌归类为剧烈行为，其他归为普通行为。人体不同活动产生不同的运动信息，其中，三轴加速度、三轴角速度以及姿态角等信息均可用于反映运动行为[14]。

合加速度可以反映人体运动状态变化的剧烈程度，合角速度可以反映人体运动的剧烈程度。合加速度a和合角速度g表示如下：

图2 所示为10 种腕部运动行为的合加速度信号，其中包括跌倒行为。

图2 不同运动合加速度信号

从图2 多种行为的合加速度变化曲线得出，跌倒、慢跑、跳跃以及鼓掌产生的人体合加速度极大值较大；而上下楼、走路、弯腰等运动产生的合加速度极大值较小。因此，合加速度极大值可以有效地区分跌倒和部分正常行为。合加速度极大值表示为：

图3 列举了跌倒、慢跑、跳跃以及鼓掌四种行为的合角速度信号。

图3 不同运动合角速度信号

从图3 中可以发现，跌倒后短时间会处于静止状态，但慢跑等剧烈运动处于持续运动状态。因此，从角速度信号中提取有效特征如区域合角速度均值，可以更好地识别跌倒行为。其中区域合角速度均值表示为：

3.2 跌倒检测算法

上节对跌倒有效特征进行分析，下面主要介绍一种多阈值跌倒检测方法，检测部位位于腕部，该方法通过确定的有效特征及其阈值大小来实现跌倒检测。在确定阈值的实验中采用UMAFall[15]数据集，使用SVM 寻找最佳值。具体步骤：从UMAFall 中取出样本，利用式（1）计算各样本合加速度信号峰值，再采用SVM 算法[16]确定阈值大小，确定特征阈值TH1=3.15 g。信号达到峰值后持续一定时延，再由式（2）计算各样本单位区域合角速度均值，与TH1 求解过程相同，确定特征阈值TH2=29.35 deg/s。

具体流程如下：监测设备首先通过运动传感器获取三轴加速度和三轴角速度信号并计算其合速度。对加速度峰值特征amax进行阈值判断，超过设定阈值后延迟1 s，再计算1 s 时间域内的合角速度均值gmean_1s。对该特征进行阈值判断，小于设定阈值即判定为跌倒，最后系统进行报警的同时利用LoRa模块发送数据包。监控设备工作状态下保持信道检测，当接收到数据后报警，通过主控模块解析数据后利用OLED 屏显示老人信息，及时有效地提醒监护人员进行救援工作。系统软件设计流程图如图4所示。

图4 系统软件设计流程图

4 实验及结果分析

系统选择6 名志愿者模拟老人的四种异常行为和八种日常行为，测试者将设备佩戴于腕部，每种行为进行5 次，通过记录设备的报警次数验证跌倒检测算法的有效性。准确率表示各行为样本预测正确的情况，漏报率表示发生跌倒没有报警的情况，误报率表示未发生跌倒依旧报警的情况。

从表1 中可以得出，跌倒检测的平均成功率为95.8%。从表2 可以看出，存在少数漏报误报情况，但误报率较低。通过实验验证了该系统设计的跌倒检测算法能够较准确地区分跌倒与其他日常行为。在基于阈值分析的研究中，传统方法大多分析加速度信号和姿态信息，但人体变化的多样性使得很多特征无法真正应对。该文通过加速度信号确定异常行为，再通过跌倒发生后的显著特征进行二次判定。摒弃以躯干为分析对象的传统方法，对腕部数据进行分析，找出适合的特征，实现跌倒的实时检测。最后，通过监控设备的辅助，实现对老人的远程监护。

表1 跌倒行为测试数据

表2 日常行为测试数据

5 结束语

该文利用基于腕部的跌倒检测算法实现了一种跌倒监护系统，通过LoRa 技术实现远程报警，设备功耗较小，同时具备良好的舒适度。依托养老院或医院等机构，可以极大地降低监护人员的工作强度，同时减小监护成本，为被监护人提供一种更好的监护服务。通过实验测试，验证了该系统对跌倒行为检测的平均准确率可以达到95.8%，同时测试文中提到的多种日常行为存在较少的误报，证明了该腕部监测设备对跌倒监护的有效性。该系统主要针对老年群体，尽可能全面地分析了多种日常行为。但是系统仍然存在一些问题，人体腕部运动的复杂性仍然存在一些行为无法一一分析，应用于各类人群仍存在难度，后续可以通过多传感器配合使用来设计检测算法，提高系统鲁棒性。