基于单片机的老人跌倒检测装置设计

设计了一种基于单片机的老人跌倒检测装置，采用加速度、陀螺仪传感器采集原始信号。在进行数据融合时采用自适应互补滤波算法，从频域角度消除噪声。针对该装置设计了一种计算量小的跌倒检测算法，并且加入了GPS定位装置和GSM短信模块。实验证明该跌倒检测算法计算量小、误判率低，并且能够实现精准定位。

研究表明，老年人跌倒发生率高，后果严重，是老年人的首位伤害死因。而且跌倒的发生概率会随着年龄的增长而升高，如果能够及时救助，可有效降低跌倒老人的死亡率。

目前研究开发人体跌倒检测系统方面的技术主要有两种：图像分析法和加速度分析法。基于图像分析法，准确率高，但是检测算法繁琐，成本高，不方便携带。基于加速度分析法，不但成本低，而且不受环境的限制，功耗低，方便携带。

1系统总体设计

本设计利用六轴陀螺仪加速度计MPU6050进行原始信号的采集，采样频率为100 Hz，在进行姿态解算时，利用互补滤波器进行滤波，通过对三轴加速信号进行预处理，引入合成加速度。为了能够排除干扰，准确检测出跌倒，将姿态角和合成加速作为特征量，引入三级跌倒检测算法。一旦检测出跌倒，立即对老人的位置进行定位，同时闪光灯闪烁。等待30 s后，如果用户没有手动取消报警，则蜂鸣器发出声响，同时向目标手机和120发出报警短信。系统还设置了一键报警功能。用户的家人可以通过向本装置发送短信来获取老人的当前位置信息，防止老人走丢。

系统的硬件主要包括惯性测量单元（Inertial Measurement Unit，IMU）、GSM/GPRS模块、GPS定位模块、蓝牙4.0模块、以STM32F103ZET6为核心的控制器、电源模块、按键等。系统的结构框图如图1所示。

惯性测量单元选用的是InvenSense公司的MPU6050芯片，它能够同时检测三轴加速度和三轴角速度，可以输出数字量，并且传感器的测量范围是可选的。加速传感器的测量范围选择为±8 g，陀螺仪的测量范围选择为±1 000 dps，可以满足系统的要求。其外围电路如图2所示。利用芯片内部的数字运动处理器进行姿态解算，大大降低了开发的使用难度。

GPS定位模块选用UBLOX公司的NEO6M模组，该模块体积小、功耗低、搜星能力强，并且可以连接各种有源天线，非常适合应用到便携式设备中。

GSM/GPRS模块选用SIMCOM公司的工业级四频SIM800芯片，可以实现低功耗语音和数据的传输。用户可以通过AT指令进行拨叫号码、接收短信、启动GPRS网络等功能。

蓝牙4.0模块选用HM13系列的蓝牙模块，用蓝牙进行数据传输最有利的一个方面就是功耗低。低功耗蓝牙技术大幅降低了系统的功耗，只需要用硬币大小的电池即可保证系统正常运行几个月，非常适合应用在便携式设备中。

按键的主要功能是提供手动报警和手动取消报警，以降低系统的漏判和误判对用户造成的损失，同时还设置了一键报警的功能。

2跌倒检测算法

2.1特征值预处理

运动过程中加速度传感器测出的X轴、Y轴和Z轴的加速度分别为a2x、a2y和a2z。合成加速度为三轴加速度的平方和再开方。合成加速度的大小可以表征人体运动的激烈程度。

2.2姿态解算

在进行数据解算时通过对角速度积分获得人体姿态角，短时间内精度高，但是陀螺仪存在漂移误差，经过积分运算后会变成积累误差，最终导致电路饱和。相反利用加速度求解姿态角，其测量误差不会随时间的积累而增加。但是加速度传感器在人体运动时会给测量带来白噪声，短时间内精度较低。

通过上述分析可知，加速度传感器低频段动态响应较好，但是在高频段表现不好。陀螺仪动态响应好，但是存在漂移误差。所以在进行数据融合时采用自适应互补滤波算法，从频域的角度来消除噪声，发挥它们各自的优势，输出稳定可靠的姿态角。互补滤波器的原理框图如图3所示。

其中x为实际的姿态角，u1和u2为传感器在测量时引入的高频噪声和低频噪声。加速度传感器引入的高频噪声由低通滤波器F1（s）滤除，陀螺仪引入的低频噪声由高通滤波器F2（s）滤除。两个滤波器在频域上具有互补特性，滤波器的传递函数满足F1（s）+F2（s）=1。

2.3分类过程

通过上一小节的分析，设计了跌倒检测算法，检测参数为合成加速度和姿态角。为了了解跌倒过程中加速度变化规律，将检测装置放于腰间，测试者模仿老人跌倒，并同时记录测试者三轴加速度变化。选取测试过程中具有代表性的一组数据，用Excel进行绘图分析。如图4所示。

从图4中可以看出，当人体静止时，合成加速度在1g左右。当测试者跌倒时，其加速度先减小，然后增大，最后趋于平稳。整个过程持续了2 s左右。由此可以得到，跌倒是一个短暂的过程，这一过程测试者经历了失重、撞击和静止三种状态。

跌倒过程中合成加速度最大值在2.6g上下，且有7个连续的采样点合成加速度都在2.0g以上。并且通过对人体姿态角采样，在跌倒后至少有一个姿态角的绝对值大于45°。

用同样的方法模拟老人正常走、快步走、坐下起立、跳跃、跑步等日常活动，同时对合成加速度和姿态角进行了采样、绘图、分析，结果如表1。

通过上述分析，把连续6个采样点的合成加速度大于2.0g作为分类条件，可将跌倒与正常走等非剧烈运动区分开。同时还可以将跌倒与快步走、跑步等周期性剧烈运动区分开。为了减小误判率，可将跌倒后的类静止状态作为分类条件。最后通过判断人体的姿态，进一步减小误判率。