能量高效的传感器网络空间范围聚集

Size: px

Start display at page:

Download "能量高效的传感器网络空间范围聚集"

珍元
7 years ago
Views:

1 佩戴式老人跌倒报警系统的构建与应用王鸿龙, 陈辰, 侯开宇宁波中科集成电路设计中心有限公司摘要意外摔倒或因心脑血管疾病引起的摔倒往往造成老年人严重受伤甚至危及生命, 而如果能够得到及时的救助, 情况会大不相同本文通过对比摔倒检测的几种技术手段的优缺点, 选择使用基于穿戴式传感器和支持向量机 (SVM: suppor vecor mchine) 算法的摔倒检测系统, 并提出一套佩戴在腰部的跌倒报警器终端以及后台数据库管理 LBS( 基于位置的服务 ) 服务构成的老人跌倒报警系统平台系统平台可以对被监护的老人提供跌倒自动报警位置定位事件提醒运动量监测健康知识播报天气预报短新闻周边社区生活信息播报等多种服务, 为家庭儿女社区医院提供了一种三位一体的老人跌倒报警监护解决方案关键词穿戴式传感器 ; 摔倒检测 ; 支持向量机 1 引言我国已进入老龄化社会,65 岁及以上老年人已达 1.5 亿, 跌倒是我国伤害死亡的第四位原因, 而在 65 岁以上的老年人中则为首位, 按 30% 的发生率估算每年将有 4000 多万老年人至少发生 1 次跌倒跌倒严重威胁着老年人的身心健康日常活动及独立生活能力, 也增加了家庭和社会的负担卫生部公布的老年人跌倒干预技术指南 [15], 虽然对老年人跌倒的干预策略和措施做出了指导性规定, 但如何将发生跌倒的事件第一时间通知家人及监护人, 目前的市场未有较好的产品和解决方案现有厂家推出老人手机中有紧急报警健, 事实上, 在老人跌倒失去知觉的情况下, 依靠手动按键进行报警是不现实的本文详细描述了佩戴在腰部的跌倒报警器终端以及后台数据库管理 LBS( 基于位置的服务 ) 服务构成的老人跌倒报警系统平台, 并利用终端进行了人体日常活动与跌倒行为的实验测试研究, 提出了基于人体运动特征参数的跌倒识别算法系统平台可以对被监护的老人提供跌倒自动报警位置定位事件提醒运动量监测健康知识播报天气预报短新闻周边社区生活信息播报等多种服务, 为家庭儿女社区医院提供了一种三位一体的老人跌倒报警监护解决方案 2 跌倒报警检测的基本原理近年来, 随着微电机系统 (MEMS Micro elecromechnicl Sysems) 工艺的发展, 可穿戴传感器器件的性能得到了迅猛的提升, 其质量轻尺寸小能耗低等优点使用基于三轴加速度传感器和陀螺仪构成的跌倒检测器成为可能跌倒检测器的基本原理是通过测量佩戴该终端的个体在运动过程中的三个正交方向的加速度变化和跌倒前后陀螺仪角速度的变化来获知其身体运动的状态, 通过算法分析判断该个体是否发生跌倒情况, 配合 LBS 定位模块和无线通讯模块向平台发送报警求助信息, 经平台信息处理后, 将佩戴者跌倒位置和时间以短信的方式发送给监护人

2 3 系统组成 SIM 卡本系统由跌到检测终端和后台定位服务平台两部分构成跌到检测终端佩戴后台管理平台通过 GSM/GPRS 模块控制按键监护人登录网站, 注册建立跌到检测终端和监护人手机号码的对应关系以及老人和监护人的相关信息系统平台架构图如图 1 所示 : 功放语音合成 MCU 电子陀螺仪加速度传感器图 2 跌到检测终端硬件结构图业务服务器数据库服务器 WEB 服务器短信平台监护人 N 防火墙 Inerne 监护人 2 跌倒报警器监护人 1 被监护人 N 跌倒报警器被监护人 2 跌倒报警器被监护人 1 图 1 系统平台架构图系统工作过程分以下几个步骤 :1 当个体发生跌倒时, 终端能够通过 GPS 和 LBS 定位模块得到跌倒时的经纬度信息或运营商 ID 号 2 终端通过 GPRS 无线发送模块将终端 ID 号定位数据和报警信息发送到指定的报警服务器平台上, 平台服务器经过反地理信息解析或通过数据库中查询无线通讯运营商的地理信息, 获得个体跌到的位置信息, 如具体街道名称或建筑物名称信息 3 平台服务器根据接收到的终端 ID 号在数据库中搜索到与之匹配的监护人的手机号码 ( 监护人的手机号码需要在平台数据库内注册 ) 4 平台服务器通过短信网关发送报警信息和解析过的位置信息到监护人手机号码中 3.1 佩戴式终端硬件部分设计跌倒报警器终端以三轴加速度传感器 ADXL345 电子陀螺仪 MSP430 微处理器 GSM/GPRS 无线通信模块 GPS 模块语音合成等模块构成, 其核心跌倒检测算法运行在 MCU 中, 终端硬件结构如图 2 所示 : 3.2 终端软件部分设计对人体摔倒的判定技术目前主要有三类 : 基于视频的摔倒检测技术 ; 基于压力和声音的摔倒检测技术以及基于穿戴式传感器的摔倒检测技术简单的阈值判别是其中比较有代表性的方法之一,C. Rougier 等人在文献 [1] 和 [2] 中, 通过从视频信息中检测头部的运动速度和身体的形状, 再设定适当的阈值来区分摔倒和非摔倒 E.Auvine 等人在文献 [3] 中从计算机视觉技术方面改进了这一方法, 通过多个摄像头重建 3D 形状的人体, 对竖直坐标轴上的数据分布进行实时监控此外, 数据统计和模式识别的技术也被引入了基于视频的摔倒检测 C. Jung 和 C. Liu 等人分别在文献 [5] 和文献 [6] 利用神经网络和 K 近邻 (KNN: k-neres Neighbor) 算法进行摔倒数据和非摔倒数据的分类 N. Thome 等人在文献 [7] 中则从人体轮廓中提取运动信息作为特征, 然后将特征用来训练隐马尔可夫模型并进行摔倒和非摔倒的分类检测 S. McKenn 等人在文献 [8] 中提出了一种自动提取运动轨迹并给出易于识别的统计特征的方法, 随后检测异于日常活动的异常动作目前的研究中还是更多的使用模式识别方法 Yng 等人在文献 [9] 中使用了朴素贝叶斯分类器并取得了不错的分类精度 Zhng Tong 等人在文献 [13] 中使用了一类支持向量机进行分类 Gumn 等人在文献 [12] 中提出一种在传统 Fisher Discriminn 的基础上增加核函数的 KFD ( Kernel Fisher Discriminn) 算法,Yng 等人在文献 [11] 中改进了这一算法, 并且被 Zhng Tong 等人在文献 [14] 中引入摔倒检测算法作为核心分类器, 并使用一类 SVM 和 KNN 算法分别作为数据筛选和误报消除算法在目前的研究中, 基于视频的摔倒检测技术相比其他方法在检测正确率上略有优势, 它的一个缺

3 点在于实施成本过高另一个缺点在于它只能监控指定区域, 对于空巢老人来说, 就是居所的一间屋子一来这种检测的性价比过低, 二来老人不能一直停留在屋内, 三来部分老年人不能够接受这种长期视频监视的状态, 会认为自己隐私被侵犯而抵制这种检测手段基于压力和声音的摔倒检测技术是通过在环境中铺设压力传感器或者声音捕捉设备来对人体进行监控和跟踪相比基于视频的摔倒检测技术, 基于压力和声音的摔倒检测技术并没有引起过多的关注, 一方面是因为压力传感器的铺设并不比摄像系统的布置更简单, 另一方面也因为基于压力和声音的摔倒检测正确率有所欠缺环境中除了人体以外的其他物体掉落也会引起误报警基于穿戴式传感器的摔倒检测技术是目前摔倒检测技术研究中的热点它的优点一方面体现在成本方面, 另一方面体积较小的传感器能够随身携带不同于基于视频声音压力的摔倒检测, 传感器能够在任何时间任何地点监控目标, 没有盲点算法介绍跌倒报警器终端的核心部分就是判断跌倒情况是否发生的检测算法, 算法能要能有效的区分日常生活中的走跑坐以及上下楼等动作特征避免误报和漏报本设计通过对目标瞬时加速度和角速度的变化来分析目标是否跌倒, 瞬时加速度的数据可由三轴加速度传感器获取, 角速度可由陀螺仪获取算法流程图如图 3 表示三轴加速度传感器可以采集到的数据分别是传感器三个相互垂直的方向 ( x 轴 y 轴 z 轴 ) 上的瞬时加速度 x y 和 z 目标的加速度可由公式计算 : x y z 而目标跌倒前后的角度差可由公式 2-2 计算 : R y d R 公式中, y 代表跌倒过程中陀螺仪 y 轴的角速度分量, 代表跌倒前后三轴加速度传感器在 y 轴方向的角度差 ( 三轴加速度传感器的角度差和陀螺仪的角度差相同 ) 本设计在一个窗口内 ( 根据单片机存储能力, 本设计设定一个窗口大小为 3s) 计算最大瞬时加速 mx 度最小瞬时加速度 min 和最大的角度差 mx 如果同时满足以下四个条件 : mx min mx min A A mx min hreshold mx ( min 是 min 出现的时间, mx 是 mx 的时间 ) 说明在窗口内有一组疑似跌倒的数据, 接下来要做的是对这可疑数据进行跌倒判断, 跌倒判断采用支持向量机算法 (SVM) 支持向量机是分类问题中经常用到的分类方法之一, 在两类别分类中具有很好的效果它利用一个核函数将低维空间里线性不可分的两类样本映射到高维空间上, 从而使样本变得可分本设计使用的支持向量机判别函数的形式如式所示, 由于本设计中涉及到的样本集并非线性可分, 因此就需要将样本映射到高维空间, 使样本集在高维空间里线性可分核函数了这样的映射作用 f ( x) K( x, w) b K( x, w) 起到对于用到核函数的 SVM 算法, 核函数的选取是一个重要问题核函数有很多种,RBF 核函数是比较常用的一个, 而其他的很多核函数实质上可以看做 RBF 核函数的特例为了使本设计中算法具有较高的适应性, 本设计采用 RBF 核函数, 其形式如公式所示 : x w K( x, w ) exp( ) 式与式中,x 代表实际样本,w 代表训练样本,b 是可控参数, 控制报警的灵敏度在 SVM 算法中, 特征向量 ( 即上文所提到的样本 ) 的选取是一个核心问题本设计选取的特征向量如下 : {,,, b, b, b, c, c, c }

4 3-2-5 为了较为客观的体现跌倒的特点, 本设计将跌倒过程分为三个部分 : 失重阶段反应阶段和撞击阶段由于各人反映速度不同, 有些人在失重后会有反映, 并试图自我保护有些人则没有这一反映阶段, 这种情况下, 将相应的特征值取 0 即可式中, 表示失重阶段的时间长度, 表示失重阶段的平均瞬时加速度, 表示失重阶段的瞬时加速度方差, b 表示反应阶段的时间长度, b 表示反应阶段阶段的平均瞬时加速度, b 表示反应阶段的瞬时加速度方差, c 表示撞击阶段的时间长度, c 表示撞击阶段的平均瞬时加速度, c 表示撞击阶段的瞬时加速度方差实验和结果分析图 3 跌倒检测算法流程图由于本文的数据筛选阶段会将一些与摔倒有着明显区别的动作忽略, 因此本文只采集能够通过筛选的数据样本这些样本的来源是 : 走路跑步跳跃坐下突然下蹲弯腰以及将可穿戴的传感器拿起放下等动作本文采用的传感器数据采样频率都是 100Hz 志愿者数据样本的采集方式如下 : 摔倒 :60 次 / 人包括向前向后向左向右的摔倒各 10 次, 出于安全考虑, 使用厚度为 20cm 的海绵垫进行保护下蹲并起立 :20 次 / 人由于日常的普通下蹲动作会因为角度门限被过滤, 因此要求测试人员动作稍微增强, 以便于采集特征向量坐下并起立 :40 次 / 人分别在较柔软的沙发和较硬的座椅上坐下 20 次, 同样, 建议测试人员坐下时上身后仰以超过角度门限走路 :20 次 / 人按照日常行走习惯行走速度不做特殊要求, 但要求测试人员考虑到各种情况下的走路姿态跑步 :20 次 / 人按照日常习惯跳跃 :20 次 / 人包括普通跳跃和上下楼梯时的轻微跳跃弯腰 :20 次 / 人要求测试人员弯腰捡散落在地面的物品, 以及模拟做家务时的各种动作拿起放下 :20 次 / 人将可穿戴的传感器从桌上拿起, 然后放下, 包括轻微的抛掷另外, 本文利用塑料假人模拟严重摔倒情况假人本身高为 170cm, 通过调整绑在假人身上的沙袋重量和位置, 可以模拟不同身高与体重的的人本文分别测试体重为 35kg 45kg 60kg 和身高为 155cm 165cm 180cm 的 9 组数据每组 100 次摔倒, 包括无外力摔倒撞倒中途撞击其他物体的摔倒为了验证 SVM 在检测摔倒行为方面的有效性, 本文对文献 [6] 中所使用的 KNN 算法文献 [14] 中所使用的 KFD 算法以及 SVM 算法的有效性做了对比三种算法都是依赖于训练样本的有监督学习算法, 并均可用于非线性分类 KNN 算法根据训练样本密度提取有效样本, 并根据测试样本与训练样本的欧氏距离进行分类 KFD 采取非线性投影的方式将训练样本对应到一维空间并选取最佳阈值, 从而得到分类模型本文总共采样得到的数据有非摔倒特征向量 3200 组, 摔倒特征向量 2100 组因为本文要比较的三种算法都需要训练样本, 因此需要将数据样本分成训练样本集和测试样本集, 并要求两个集合的交集为空随机抽取非摔倒向量 1000 组与摔倒特征向量 800 组作为训练样本集, 其余作为测试样本集 ( 测试中将测试样本按照不同年龄段分为了 3 组 ) 其中训练样本集中的样本要求从不同动作的

5 数据中随机抽取, 这样可以保证训练样本中没有遗漏本文除了正确率之外, 另外分别测试算法的误报率和漏报率误报率, 指目标没有摔倒, 算法却将其动作误判成摔倒 ; 漏报率, 指的是目标摔倒后算法没有成功检测到的比率相比之下, 本文侧重的是要保证漏报率尽可能低之所以降低漏报率的优先级高于降低误报率, 是因为对摔倒检测的用户来说, 误报最多是虚惊一场, 漏报却可能造成严重的后果表 3.1 不同算法漏报率的对比们正常情况下不会像年轻人这样动作剧烈因此, 测试中的绝大多数误报可以避免 3.3 后台数据库管理及 LBS 应用后台信息处理及 Web 网站由三部分构成系统数据库, 终端服务器,Web 站点如图 4 所示 : 终端服务器网站 KNN 漏报率 KFD 漏报率 SVM 漏报率数据库第一组测试 22.77% 11% 4% 图 4 老人跌倒报警系统后台构成第二组测试 31.33% 12% 6% 第三组测试 18.77% 7% 3% 如表 3.1 所示,KNN 漏报率明显过高, 这一点对于摔倒检测则不可接受 KFD 的缺陷也比较明显, 首先相比于本文测试的基于密度的 KNN 分类算法以及 SVM 算法, 他都没有一个训练样本选择的过程, 这就导致它的训练样本集很大与 SVM 相比 (SVM 的支持向量集只是训练样本的一小部分 ),KFD 的计算效率就低很多了另一方面, 因为不经过样本选择,KFD 的训练样本集中依然保留了一部分噪声在本文的实验中,KFD 算法对所有训练样本都是能够全部分类正确的, 这就有了一定程度的过拟合对于误报率的测试, 20 位测试人员佩戴应用了本算法的报警器, 佩戴方式是将报警器固定在测试人员腰部每人佩戴一周, 每天 5 小时以上佩戴期间正常进行工作生活, 对误报原因及次数进行统计, 结果如表 3.2 所示 : 表 3.2 误报原因及次数进行统计误报原因误报次数随意抛掷或掉落报警器 17 用力坐下 2 户外运动及其他 0 如表 3.2 所示, 平均每人每天发生误报 0.14 次其中大多数是因为测试人员将报警器随意抛掷在桌子上或是掉在地上, 少部分是因为测试人员比较猛烈的坐倒在沙发里测试者年龄都在 20 岁到 35 岁之间, 鉴于, 本设计讨论的目标是老年人, 他系统数据库系统数据库采用 Mircosof SQL Server 2005, 数据库主要包含终端用户表, 位置数据表, 功能配置信息表, 提醒信息表, 对用户终端相关的信息进行存储终端服务器终端服务器使用 C++ 编写, 接收和处理与各个终端设备之间的通信, 并对数据进行处理其主要模块如图 5 所示 : 报警定位数据处理模块协议解析器数据信息推送模块运动数据处理模块网络通信层数据库访问接口 SMS 通信接口 LBS 数据接口图 5 老人跌倒报警系统后台技术架构网络通信层 : 网络通信层实现与终端设备通信, 数据接收部分使用套接字接收终端设备通过 GPRS 发送的数据, 为减少终端 GRPS 连接产生的耗电, 在接收完成后即断开连接协议解析器 : 对终端发送的数据进行解析, 根据预定义的关键字, 将不同类型数据交由不同的业务逻辑模块完成其中协议解析器的机构如下 :

6 协议头协议关键字数据域校验位业务逻辑层, 处理各个业务逻辑主要涉及报警定位数据处理模块, 运动数据处理模块, 数据信息推送模块报警定位数据处理模块对终端设备发送的位置相关信息进行处理, 首先从数据域中截取终端信息,GPS 数据信息, 获得终端识别号, 并将 DDMM.MMMM 格式的 GPS 数据转化为浮点数据其后, 通过 LBS 接口将标准的 GPS 数据转化为地图可用数据, 并对其进行逆地址解析, 获得终端所在位置的省市街道信息, 最后将报警位置信息通过 SMS 接口发送到监护人手机 LBS 数据接口, 基于 Google 的 API 实现对地理信息数据的纠偏, 逆地址解析功能 SMS 模块通信接口, 基于 AT 指令实现短信息读取和发送短信包括发送到监护人的报警短信和发送到终端的提示设置短信数据库访问接口, 通过 ADO 方式提供数据库访问的各个接口, 实现数据的插入, 查询功能 i. 面向终端用户监护人的 Web 管理系为方便终统端用户的监护人实时查看终端使用者的情况以及对终端的配置参数进行调整本平台基于 ASP.NET 开发了面向终端用户监护人的 Web 管理系统该系统主要包含以下功能 : 监护人访问控制功能, 包括终端参数配置功能订制服务开关, 定位功能开关终端用户实时位置监控查询功能, 基于 Ajx 无刷新技术的地图页面实时显示终端用户当前的位置, 并提供历史轨迹查询, 电子围栏报警功能终端用户报警查询功能, 网页中可查询历史报警信息终端用户运动状态统计功能, 记录某段时间内终端用户使用计步器功能情况, 并以图表形式呈现语音提醒设置功能, 设置对终端用户的语音提醒文本信息, 平台推送后, 终端收到文本信息, 经语音合成模块合成自然语言播放给用户 4.1 政府搭建的老人关爱平台应用随着各地政府民心工程和惠民工程的开展, 老人关爱平台被列为重点的建设内容之一传统的关爱平台以提供老年人通过拨打特服号码的热线电话, 提供生活需求服务到家, 如煤气大米食用油等物品的送货上门服务, 以及家政保姆清洁医疗精神慰藉等服务, 而紧急求救的服务, 通常还是依赖于人工手动的方式报警, 整合本系统方案后, 老人跌倒后自动发出紧急报警信息, 平台能第一时间获知, 并由平台自动综合协调各方面的资源对老人实施紧急援救, 能有效提升政府老人关爱平台的服务质量 4.2 家庭应用目前居家养老是我国社会养老的主要方式, 外出上班的儿女最担心独自在家的老人出现意外而无法及时救助老人跌倒报警平台不但能及时通知儿女, 并且具备定位提醒保健信息运动量监测等功能, 让儿女为老年人提供更多服无微不至的关怀 4.3 社区组织的应用社区管理委员会社区居委会社区卫生服务机构物业管理部门等建立社区跌倒报警服务平台, 为易跌倒人群, 尤其是对于有心脑血管疾病骨关节肌肉疾病以及听力视力减退的老年人佩戴跌倒报警终端, 由社区内平台值班人员为老人提供紧急救援服务, 大大减少老人意外跌倒后可能发生的更严重的伤害 4.4 养老院疗养院等机构的应用养老院疗养院等机构建立跌倒报警服务平台, 院方管理人员能实时查询人员信息病史人员的活动位置和轨迹信息语音推送以及紧急救护报警等功能, 进一步提升院方的管理水平参考文献 4 跌倒报警系统平台应用模式探讨跌倒报警终端配合平台服务功衍生出各种不同的应用模式, 有广阔的市场前景 [1] Rougier C, Meunier J. 3D hed rjecory using single cmer[m]//imge nd Signl Processing. Springer Berlin Heidelberg, 2010: [2] Rougier C, Meunier J, S-Arnud A, e l. Fll deecion from humn shpe nd moion hisory using video surveillnce[c]//advnced Informion Neworking nd Applicions Workshops, 2007,

7 AINAW'07. 21s Inernionl Conference on. IEEE, 2007, 2: [3] Auvine E, Mulon F, Sin-Arnud A, e l. Fll deecion wih muliple cmers: An occlusion-resisn mehod bsed on 3-d silhouee vericl disribuion[j]. Informion Technology in Biomedicine, IEEE Trnscions on, 2011, 15(2): [4] Jung C F, Chng C M. Humn body posure clssificion by neurl fuzzy nework nd home cre sysem pplicion[j]. Sysems, Mn nd Cyberneics, Pr A: Sysems nd Humns, IEEE Trnscions on, 2007, 37(6): [5] Liu C L, Lee C H, Lin P M. A fll deecion sysem using< i> k</i>-neres neighbor clssifier[j]. Exper Sysems wih Applicions, 2010, 37(10): [6] Thome N, Migue S, Ambellouis S. A rel-ime, muliview fll deecion sysem: A LHMM-bsed pproch[j]. Circuis nd Sysems for Video Technology, IEEE Trnscions on, 2008, 18(11): [7] McKenn S J, Chrif H N. Summrising conexul civiy nd deecing unusul inciviy in supporive home environmen[j]. Pern Anlysis nd Applicions, 2004, 7(4): [8] B Ugur T, E Birey S, Ibrhim O, e l. Flling Person Deecion Using Muli-Sensor Signl Processing[J]. EURASIP Journl on Advnces in Signl Processing, 2007, [9] Sposro F, Tyson G. ifll: n Android pplicion for fll monioring nd response[c]//engineering in Medicine nd Biology Sociey, EMBC Annul Inernionl Conference of he IEEE. IEEE, 2009: [10] Yng X, Dinh A, Chen L. A werble rel-ime fll deecor bsed on Nive Byes clssifier[c]//elecricl nd Compuer Engineering (CCECE), rd Cndin Conference on. IEEE, 2010: 1-4. [11] Hung S, Yng Y, Liu W. An Enhnced Fll Deecion Approch Bsed on Cos Sensiiviy Anlysis[C]//Sofwre nd Nework Engineering (SSNE), 2011 Firs ACIS Inernionl Symposium on. IEEE, 2011: [12] Lušrek M, Kluž B. Fll deecion nd civiy recogniion wih mchine lerning[j]. Informic, 2009, 33(2): [13] Zhng T, Wng J, Xu L, e l. Fll deecion by werble sensor nd one-clss SVM lgorihm[m]//inelligen Compuing in Signl Processing nd Pern Recogniion. Springer Berlin Heidelberg, 2006: [14] Zhng T, Wng J, Liu P, e l. Fll deecion by embedding n cceleromeer in cellphone nd using KFD lgorihm[j]. Inernionl Journl of Compuer Science nd Nework Securiy, 2006, 6(10): [15] 老年人跌倒干预技术指南 [R]. 北京 : 中华人民共和国卫生部, 2011: 1-2.

YS1.mps

YS1.mps 影视与戏剧特征化妆影视与戏剧特征化妆是化妆艺术范畴内具有代表性的内容, 是掌握了基础化妆的前提下, 进入较深入的造型化妆阶段影视戏剧特征化妆其妆型显著, 效果突出, 既是专业影视戏剧化妆的基本内容之一, 又可以在影视