基于MEMS摔倒检测和定位系统设计.docVIP

基于MEMS摔倒检测和定位系统设计 　　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 （ Signal vector magnitude） 、微分加速度幅值绝对平均值MADS （ Mean absolute value of differential） 、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（Kalman filtering）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M