面向嵌入式系统的低成本高精度加速度计跌倒检测算法研究及其应用验证

本研究针对全球老龄化背景下老年人跌倒风险增加及现有跌倒检测系统计算复杂度高、成本昂贵的问题，开发了一种基于加速度计的嵌入式跌倒检测算法。该算法融合阈值法与机器学习技术，引入信号与模板相似度新特征，在KFall和SisFall数据集上分别实现99%和97%的准确率，在真实世界FARSEEING数据集达到77.3%准确率，并通过低功耗嵌入式设备验证了实时性能。研究成果为可穿戴医疗设备提供了低成本、高精度的解决方案，显著提升了跌倒检测的实用性与可及性。

　　

随着全球人口老龄化进程加速，老年人跌倒已成为严重的公共卫生问题。世界卫生组织数据显示，跌倒每年导致68.4万人死亡，是仅次于交通事故的第二大意外死亡原因，更有3730万次跌倒需要医疗干预。老年人因生理机能衰退，跌倒后易出现"长躺"现象，引发低温症、脱水、压疮等二次并发症，甚至导致死亡。传统基于环境传感器（如摄像头、红外传感器）的跌倒检测系统存在环境限制、成本高和隐私问题，而可穿戴设备虽更具灵活性，但多数基于机器学习的算法计算复杂、功耗高，需要强大处理器，推高了设备成本，难以普及应用。

为应对这一挑战，卡拉布克大学电气电子工程系的Abdullah Talha S?zer开展了一项旨在开发低成本、高精度嵌入式跌倒检测算法的研究，其成果发表于《Engineering Science and Technology, an International Journal》。该研究聚焦于仅使用加速度计数据，通过创新特征设计和算法优化，实现了高性能与低计算复杂度的平衡。

研究采用的关键技术方法包括：基于公开数据集（KFall、SisFall和FARSEEING）进行算法训练与验证；设计表征跌倒特征的信号模板，通过参数化方程生成适应不同采样频率的模板；开发结合阈值法与机器学习的两阶段检测算法，利用轴特定阈值减少不必要的计算；提取平均绝对偏差（MAD）和信号与模板相似度作为特征，采用粗决策树进行分类；在ATmega328P低功耗嵌入式设备上进行实时离线分析，评估计算复杂性和实际性能。

2.1. Proposed feature

研究提出了一种新颖特征：利用跌倒信号与预设模板的相似度来区分跌倒与日常活动。基于跌倒事件的典型模式（自由落体、撞击和撞击后静止），构建了持续0.7秒的模板，涵盖撞击前0.4秒和撞击后0.3秒。通过计算信号向量幅值（SVM）与模板的点积作为相似度度量，该特征在KFall和SisFall数据集上均显示出最高的互信息准则（MIC）值（0.545和0.378），优于最大值、最小值、范围、标准差等传统特征，分类准确率超过93%，证实其卓越的判别能力。

2.2. A low-cost fall detection algorithm

算法设计为实时处理加速度计样本，结合阈值法和机器学习技术。当加速度值超过轴特定阈值时，计算平方信号向量幅值（SSVM）以检测潜在撞击；确认撞击后，检查时间间隔（避免误检周期性活动如慢跑）和身体方向（通过垂直轴加速度平均值判断是否处于躺卧状态）。若满足躺卧条件，则提取0.7秒窗口信号段，计算MAD和相似度特征，输入三节点粗决策树进行最终分类。该流程显著降低了计算负载，仅在有跌倒嫌疑时激活复杂计算。

2.3. Determination of time intervals and threshold values

时间间隔和阈值基于跌倒的物理特性设定：撞击后1.2秒（time2）开始检查躺卧状态，评估持续1秒至2.2秒（time3）；连续事件间隔超过0.4秒（time1）视为新事件。SSVM阈值设为1.72，轴阈值设为1（水平轴）和1.4（垂直轴），躺卧判断阈值Th4为sin(40)（对应身体与地面夹角小于40度）。这些参数通过分析老年人日常活动数据（如SisFall中的行走和慢跑）优化，以平衡灵敏度和特异性。

2.4. Dataset

算法在多个数据集上验证：KFall（32名年轻人，21种日常活动和15种跌倒类型，100Hz）、SisFall（23名年轻人和14名老年人，19种日常活动和15种跌倒类型，200Hz）以及FARSEEING的22个真实世界跌倒事件（平均年龄69.5岁，采样率20Hz或100Hz）。使用不同年龄段和数据类型确保了评估的全面性和泛化能力。

3.1. Evaluation of the proposed feature

与常用特征对比显示，相似度特征在MIC和分类准确率（LDA、k-NN、DT）上均最优，在KFall和SisFall上的准确率分别达93.4%和87.2%，显著高于最大值、标准差等特征。这表明该特征能更有效捕捉跌倒的独特模式，且通过参数化模板适应不同采样频率，提升了灵活性。

3.2. The performance of the algorithm in detecting falls

与深度学习（CNN、LSTM）和另一低成本算法（LCEA）的比较显示，本文算法在KFall和SisFall上准确率超99%和97%，与深度学习性能相当甚至更优；在老年人数据上（训练于年轻人，测试于老年人），准确率达94.03%，优于文献中的30.67%-92.21%；在真实世界FARSEEING数据上，准确率77.3%，高于文献报告的60%。不同采样频率（40Hz-100Hz）测试表明算法性能稳定，不受频率影响。未检测到的跌倒多因躺卧条件未满足，提示加入陀螺仪数据可能改善方向敏感性，但会增加功耗。

3.3. Validation of the developed method on an embedded device

在ATmega328P微控制器（8位，16MHz）上实现实时离线分析，仅需1.5kB内存，特征提取和检测耗时6ms。虽略高于LCEA的3ms，但整体计算负载更低，因算法仅在阈值触发时激活复杂计算。与嵌入式设备上的深度学习模型（如FFNN耗时25ms、TinyCNN耗时37ms）相比，本文算法更高效，适合低功耗可穿戴设备。

3.4. Computational complexity

计算复杂度分析表明，本文算法平均每样本仅需0.408次加法和0.450次乘法，远低于LCEA（2.9395次加法和1.9401次乘法）。通过条件性计算SSVM、使用MAD替代标准差、粗决策树分类等策略，显著降低运算量。SSVM避免平方根计算，进一步减少嵌入式设备上的软件开销。

研究结论指出，该算法成功融合阈值法和机器学习，通过新颖的相似度特征和优化设计，实现了高精度（数据集准确率超97%）与低计算复杂度的平衡，在嵌入式设备上验证了实时可行性。其意义在于为可穿戴跌倒检测提供了低成本、易实施的解决方案，有望降低医疗成本、提升老年人生活质量。未来工作可探索多传感器（如陀螺仪）的条件性激活以改善性能，同时保持低功耗特性。