电子科技

Electronic Science and Technology

ISSN 1007-7820,CN 61-1291/TN

《电子科技》网络首发论文

题目： 基于机器学习的助行机器人用户跌倒检测算法
作者： 胡佳炜，王亚刚
DOI： 10.16180/j.cnki.issn1007-7820.2025.04.006
收稿日期： 2023-10-04
网络首发日期： 2024-07-15
引用格式： 胡佳炜，王亚刚．基于机器学习的助行机器人用户跌倒检测算法[J/OL]．电子
科技. https://doi.org/10.16180/j.cnki.issn1007-7820.2025.04.006

网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定；学术研究成果具有创新性、科学性和先进性，符合编
辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、
出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，
只可基于编辑规范进行少量文字的修改。
出版确认：纸质期刊编辑部通过与《中国学术期刊（光盘版）》电子杂志社有限公司签约，在《中国
学术期刊（网络版）》出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊（网络版）》是国家新闻出
版广电总局批准的网络连续型出版物（ISSN 2096-4188，CN 11-6037/Z），所以签约期刊的网络版上网络首
发论文视为正式出版。
网络首发时间：2024-07-15 15:10:12
网络首发地址：https://link.cnki.net/urlid/61.1291.TN.20240712.1030.001

第 38 卷 第 6 期 Vol.38 No.6
2025 年 6 月 15 日 Electronic Science and Technology 6.15,2025

基于机器学习的助行机器人用户跌倒检测算法
胡佳炜，王亚刚
(上海理工大学 光电信息与计算机工程学院，上海 200093)

摘要：为了预防用户跌倒，提高助行机器人的安全性，文中提出了一种基于改进支持向量机(Support Vector Machine,

SVM)模型的助行机器人用户跌倒检测算法。通过安装在助行机器人上的压力传感器和超声波测距传感器获取位移
和速度数据集，采用改进卡尔曼滤波进行数据融合来获得用户运动意图，并进行加速度数据特征。基于改进支持
向量机模型进行输出概率化以及风险函数最优化，从而提高分类阈值精度。仿真实验结果表明，所提算法的正确
率为 98.68%，灵敏度和特异度分别 96.66%和 90.34%，具有较好的综合性能指标，能在 500 ms 内触发防御保护机
制。
关键词：助行机器人；跌倒检测；卡尔曼滤波；数据融合；加速度特征；机器学习；支持向量机；风险函数
中图分类号：TP249 文献标识码：A

doi: 10.16180/j.cnki.issn1007-7820.2025.04.006

The User Fall Detection Algorithm for Walking-Aid Robot Based on

Machine Learning
HU Jiawei, WANG Yagang
(School of Optoelectronic Information and Computer Engineering, University of Shanghai for Science and Technology, Shanghai
200093, China)

Abstract: In order to prevent users from falling and improve the safety of walking robot, a fall detection algorithm of
walking robot based on improved support vector machine model is proposed. The displacement and velocity data sets are
obtained by the pressure sensor and ultrasonic ranging sensor installed on the walking robot, and the user's motion intention is
obtained by data fusion using improved Kalman filter, and the acceleration data features are extracted. Based on the improved
support vector machine model, the output probability and risk function optimization are carried out to improve the accuracy
of classification threshold. The simulation results show that the accuracy of the proposed algorithm is 98.68%, the sensitivity
and specificity are 96.66% and 90.34%, respectively. The proposed algorithm has a good comprehensive performance index
and can trigger the defense protection mechanism within 500 ms.
Keywords: walking-aid robot; fall detection; Kalman filter; data fusion; acceleration characterization; machine learning;
support vector machine; risk function

随着生活质量不断提升，全球人均预期寿命也 走或进行康复治疗训练时，在对其活动不产生影响
在提高，但产生了人口老龄化问题。下肢不便患者 的先决条件下，通过软件和硬件结合来科学预测用
的日常行动健康开始备受关注，尤其是跌倒防护安 户跌倒风险并依靠保护机制减少伤害，同时提高了
全问题，需使患者在无人看护状态下的跌倒风险降 用户的健康水平且降低了医疗资源的利用率[4-5]。
为最低[1]。目前，针对康复器械的跌倒检测防护算 跌倒检测算法分为基于穿戴式设备和基于环境
法研究较多，从居家行为防护到出行移动安全，不 设备两类，其中基于穿戴式设备算法通过人体佩戴
同算法运用的实际场景不同[2-3]。本文对运用于助行 相关检测装置来采集肢体加速度和姿态角速度[6-7]。
设备的跌倒检测算法进行研究，当用户使用辅助行 文献[8]引入决策函数，采用一种序贯概率比检验算
-2-
法判断用户跌倒模式，证明了该算法的有效性，但 式中，q 为碰撞系数，由接触环境决定；m 为
没有给出算法的具体评价指标。文献[9]提出了一种 人体质量；v 为人机碰撞时刻的速度；⊿t 为冲击时
基于三轴加速度计的跌倒检测混合框架，将高斯分 刻；a 为人的加速度。人机作用力 F 可分类摔倒状
类器与基于阈值的方法相结合。该算法的敏感性和 态和正常状态，m 和 q 在不同用户与环境下均会变
准确性分别为 80.71%和 84.62%，跌倒检测的漏报 化。为了使研究更有普遍适用性，选择更具有代表
率和误报率均较高。文献[10]提出了一种基于智能 性且不受限于个体特征的加速度作为数据集。
手机的跌倒检测系统 FallDroid，利用阈值法和多核 人体在失去平衡时易发生意外跌倒现象，在该
学习支持向量机相结合的两步跌倒检测算法来识别 过程中经历跌倒前状态、失衡状态、跌倒时状态和
跌倒事件。虽然强化了算法敏感性，但其特异性小 跌倒后状态 4 个运动状态，如图 1 所示。跌倒前状
于 60%。基于环境设备算法将传感器安装在被测对 态是人体开始失去平衡点的时段，在失衡状态发生
象四周来分类和预测用户行为[11-15]。文献[16]和文 后，人体重心出现偏移产生短暂的失重效果，加速
献[17]使用光流法处理人体姿态图像，采用卷积神 度值接近于 0。在跌倒过程中，人体加速度值开始
经网络算法对图像进行跌倒识别，但特征提取结果 逐步增大达到一个峰值点即跌倒点[20]，随后开始逐
较单一，易受外界光照干扰影响，从而影响算法精 渐减少并具有一定波动。在跌倒发生后，加速度值
度。文献[18]提出了一种基于支持向量机的红外-超 变为稳定状态且趋于初始值。4 个状态阶段的加速
声传感器融合方法，用于老年人跌倒检测。其不仅 度均存在明显特点，尤其是在跌倒发生状态过程中
评估和比较了基于支持向量机算法的不同特征集， 存在跌倒点，可以将加速度作为评判标准与跌倒风
而且丰富了特征向量来减少算法的干扰误差。文献 险值对应进行预测评估。
[19]结合阈值和支持向量机多分类来实现跌倒识
别，阈值法确保了算法灵敏度，多分类保障了特征
向量的多样性。跌倒检测防护算法在跌倒区分率和
特征向量选择上存在不足。由于特殊的运用背景，
该算法必须确保较高的敏感性。结合助行器为辅助
设备综合考虑，本文运用混合框架[9]和传感器融合
的思路[18]，从数据集特征值和算法判断阈值的角度
对跌倒检测算法进行优化，从而提供高质量的跌倒
检测结果。
本文跌倒检测预防算法需要在用户周围的机体
安装数据采集设备，因此属于基于环境的人机交互
算法。为了提高数据集的准确性，采用最小二乘法 图 1 跌倒发生时加速度数值变化
改进后的卡尔曼滤波融合获得用户的运动意图，并 Figure 1. The acceleration value changes when a fall occurs
进行加速度解算获得分类器输入数据。跌倒检测的
1.2 改进卡尔曼滤波数据融合算法优化
特征值分类通过对输出概率化和风险度函数最优化
人体在使用助行器移动过程中，身体各部分的
来改善 SVM 模型跌倒检测的特征值分类，仿真实
加速度值均不同。为了提高采集数据的精度并加强
验输出跌倒概率值曲线，该方法准确率为 98.68%。
算法的准确率，将通过导纳模型求得的速度量与腰
实验结果表明，该算法能基本识别用户跌倒行为，
部采集的位移量进行基于最小二乘法改进后的卡尔
并触发辅助姿态恢复的防跌倒保护控制，有利于研
曼滤波数据融合，从而得到处理优化后腰部位移变
究助行器人机交互。
量。
1 数据融合与加速度特征提取 设备运动系统方程和超声波传感器量测方程为

1.1 跌倒过程加速度分析  X t  AX t 1  BU t 1

 (2)
在用户使用助行器行走的场景下分析跌倒过 
 Xˆ t  AXˆ t 1
程，跌倒在一定高度向下发生一段位移，所以人在 预测协方差为
跌倒时对机体产生一定冲击力 F，如式(1)所示。 Pt   APt 1A T  Q (3)
F q
mv
 ma  q (1) 更新卡尔曼滤波增益为
t
 胡佳炜，等 基于机器学习的助行机器人用户跌倒检测算法 -3-

1 式为
Kt  (4)
Pt H (HPt H T  R )
T
n

更新目标状态方程为
(y i  f ( xi )) 2
Q i 1
f ( xt ) (10)
Xˆ t  Xˆ t  K t (Z t  HXˆ t) (5) t
更新误差协方差方程为 代入式(3)可得优化后的预测值矩阵如式(11)所示。
Pt  (I  K t H )Pt 
n
(6)
 (y i  f (x i )) 2
式中，Xt 为 t 时刻目标状态向量；Xt-1 为 t-1 时刻经 Pt  APt -1 A T  i 1
f (x t ) (11)
过卡尔曼滤波处理后的最优状态向量；Ut-1 是 t-1 时 t
刻超声波传感器输出向量；A、B 分别为转移矩阵 1.3 加速度特征提取
和输入矩阵；Zt 为观测值，即通过传感器解算出的 分析在一段时间内的人体跌倒行为，可以得出
位移量；X̂ t́ 为 t 时刻预测目标状态向量；X̂t-1 一个加速度变化的显著特征。在跌倒发生时其加速
为前一时刻预测目标状态向量；Pt́ 为 t 时刻预测协 度快速上升达到最大值，再逐步减少，最后趋于平
方差矩阵；Q 为状态转移协方差矩阵，即预测模型 缓。对此，通过滑动窗口法对观测部分数据序列提
自带的噪声；Kt 为滤波增益矩阵即卡尔曼增益；H 取离散化特征过程如下所示：
为状态变量到测量的转换矩阵；R 是测量噪声方差 设 加 速度 数据 集 为{xi}(i=1,2,3…n 为采 样 次
矩阵，为滤波已知量；I 为单位矩阵。 数)。其中，存在加速度最大值 xmax 和加速度最小值
常见的卡尔曼滤波算法通过对测量值和预测值 分别 xmin，发生的时间间隔为 ta，加速度均值为 Ma，
的权重比例来不断调节，经过迭代得出真实值，但 采样周期为 T，对截取时间段内的加速度斜率 V 取
存在更新滞后和稳态误差过大问题[21]。对此，将 t 均值求斜率的平均斜率值 Mv，如式(12)所示。将以
时刻前采集的腰部位移历史数据利用最小二乘法拟 上所求值作为样本分类特征进行提取，构建特征向
合函数曲线预测 t+1 时的状态值，即使用拟合函数 量集为{xi}。
1 n
值替代预测值。物体在短时间内可以近似为匀速直 M a   xi
线运动，所以假设系统输入和输出分别为 xi 和 yi， n i 1
其中 i=1,2,3…n，拟合线性方程 f(xi)=axi+b。系统总 x  xi 1
V i (12)
误差值 ε 为 T
n V
   (axi  b  yi ) 2 (7) Mv 
n
i 1
由于本文分别将向前、向左右跌倒的数据集输
误差值 ε 越小，拟合度越高。分别求 a、b 对应的偏
入到模型进行训练，所以对特征向量集进行标签划
导数，并令偏导数值为 0，有
分，只需分为正常状态“-1”和跌倒状态“+1”两类标
  n

 a

 2 
i 1
(axi  b  yi ) xi  0 签，并将其作为后续训练结果验证的标准。
 (8)
2 基于改进 SVM 模型的用户跌倒检测算法
   2 (ax  b  y )  0
n

 b  i i
i 1 2.1 SVM 概率输出分类器
求得 a、b 值如式 (9)所示，带入拟合线性方程 支持向量机模型最初适用于样本为线性条件下
f(xi)=axi+b 可得前 n 个测量值后第 n+1 个预测值。 的分类训练，本文使用的加速度数据集为非线性且
 n n
被分为两类。对该分类问题，采用一个高低维度映
  y i  xi yi
射转化的方法，将样本从低维度非线性可分数据转
a  i 1
 i 1


n
n 1 化为高维度线性可分，然后在分类界面寻找满足样
 ( n  1) i 1
xi
本分类间隙最大解即最优解。假设加速度特征向量
 (9)

n n
为 X={x1,…,xn}，其中 n 为样本个数。由于样本分
n yi  y
 i
为两类标签，所以对应的类标为 yi∈{-1,+1}。最优
b 
i 1 i 1
n
n 1 分类界面的目标函数为
 (n  1) xi2
 i 1

改进后状态转移协方差矩阵 Q 在 t 时刻的计算
-4-
w
2
1 分类器的输出进行改进，不再是单一的输出分类结
min  (w )   (w w ) 果，而是将样本类别的概率大小作为结果输出，为
2 2 (13)
s.t.y i [(w  x i )  b ]  1  0, i  1, , n 判断阈值优化做铺垫，减少算法的代价损失，提升
其中，xi 是分类目标对象；w 是分类界面法向量。 分类器的灵敏度。
通过求得满足||w||2 为最小值的 w 和 b 获得最优界面 Sigmoid 函数具有连续单调性，能够将输出值
g(xi)，如式(14)所示。 转化为后验概率。假设存在参数 A 和参数 B，概率
g ( xi )  w  xi  b (14) 输出值 ti 取值范围为(0,1)，c 为样本类别，通过对训
练加速度样本建立负对数似然函数，如式(20)所示。
运用拉格朗日求极值方法，首先定义函数
因为期望似然估计越大模型越精确，所以负对数似
min L (w , b ,  ) 
然函数进行极小化。
1 (15)
(w w )   i 1 i { y i [(w  x i )  b ]  1} min F (A , B ) 
n

2
式中，α 为非负拉格朗日系数。将 w 和 b 两数的偏 
 t i log p (c x i )   (20)
min   
微分取值为 0 来得到极值，可将原问题转化为对偶  i  (1  t i ) log(1  p (c x i ))  
 
问题，其目标函数如式（16）所示。 其中，概率模型 p 为
1
K ( )   i 1 i   i , j 1  i j yi y j ( xi  x j )
n n
1
p(c xi )  (21)
2 (16) 1  exp( Af ( xi )  B)
s.t. i 1 yi i  0,  i  0
n
由于 Sigmoid 函数实数轴两端收敛缓慢，对数值变
支持向量指离数据划分边界面（超平面）最近的 化不敏感，为了提高对目标值的拟合度，对 ti 采用
点，假设跌倒检测问题存在最优解 αi*，当样本属于支 平滑处理
持向量时 αi*≠0，当样本不为支持向量时 αi*=0。因此，  N  1
通过以上约束条件可以得到最优解，如式(17)所示。  N  1 , yi  1

w*   i 1 yi i* xi
n ti    i  1, ,n (22)
(17)  1 , y  1
b*  y j   i 1 yi i ( xi  x j )
n
 N   1 i
为了解决本文加速度样本数据为非线性问题， 其中，N+为标签“+1”正样本数，N-为标签“-1”负样
假设样本在低维空间对于高维空间的映射为 本数。
x´=φ(x)，选择适用于高维度空间数据映射的高斯核 2.2 构造与最优化风险函数
函数来代替点与点之间的内积，如式(18)所示。 由于真实采样到的防跌倒测试数据无法保证各

 x  x 
2
 类样本的数量相同，所以样本的不平衡性使模型着
K ( x, x)   ( x)   ( x)  exp   (18) 重训练样本数量占比较多的类别，从而忽略了样本

  2


数量占比较少的类别，最终影响模型的泛化能力。
根据希尔伯特-施密特独立性准则得到最优超
从算法层面出发，根据已获得的概率输出结果，将
平面计算式，如式(19)所示。使在低维空间向高维
风险矩阵与模型评判指标相结合构造风险函数，对
空间映射数据的同时计算了在所映射维度的数据点
其进行最小化，均衡分类器的误报率与漏报率，总
内积，一定程度上减轻了回归量级的计算成本。
体上提升跌倒检测算法的性能。
f ( x)  sgn
风险矩阵是一种对分类结果的定性表达，将不
 
 i 1 yii* K ( x, xi )   y j   i 1 yii K ( x, xi )
n n (19)
同的类别赋值相应的风险因子，α1 和 α2 为预测正例
样本和预测负例样本，λ1 和 λ2 为实际正例样本和实
分类器的正确率(Accuracy)越高，分类效果越
际负例样本。本文跌倒算法两类问题的风险矩阵如
好。若分类器由于数据分布不均将跌倒状态判定为
表 1 所示。
正常状态，导致用户在使用过程中意外发生，则误
表 1 跌倒算法风险矩阵
判代价损失较大。分类器的灵敏度(True Positive
Table 1. Fall algorithm risk matrix
Rate ,TPR)和特异度(False Positive Rate ,FPR)也是
实际正例 实际负例
重要的衡量标准，即跌倒状态能够被正确识别的概
预测正例 C(α1|λ1) C(α1|λ2)
率和非跌倒状态能够被正确识别的概率。对 SVM 预测负例 C(α2|λ1) C(α2|λ2)
 胡佳炜，等 基于机器学习的助行机器人用户跌倒检测算法 -5-

C(α1|λ1)和 C(α2|λ1)为正例样本被正确分为正例   P (1 )C  2 1  p  x 1  

样本和被错误分为负例样本的风险因子，C(α1|λ2)和    dx 
R
  P (2 )C 1 2  p  x 2   (25)
C(α1|λ2)为负例样本被正确分为负例样本和被错误
分为正例样本的风险因子。当预测正确的情况下不 P (1 )C 1 1    0
会产生风险，所以 C(α1|λ1)和 C(α1|λ2)通常为 0。在 其中，λ 为拉格朗日乘子；P(λ1)和 P(λ2)为两类样本
跌倒检测算法中，跌倒状态被误判为正常状造成的 的先验概率。
风险大于正常状态被误判为跌倒状态，所以 C(α2|λ1) 优化目标是为了求使风险函数最小的决策边
大于 C(α1|λ2)。 界，因为风险函数极值处 λ 和 x 关于式(25)的导数
为了对算法中的代价敏感度进行量化，需结合 为 0，所以决策边界上应满足
风险矩阵构造风险函数，本文选择对整个样本的测  P(1 )C  2 1    p  x 2 
试集建立总风险函数。由于风险与后验概率相关，  
将分类器输出的概率代表这部分概率，对于两类分  P(1 )C 1 2  p  x 1  (26)

类问题可以设两类样本的先验概率部分为 P(λ1)和  R1 p  x 1 dx   0
P(λ2)，第 1 类错误率 e1 和第 2 类错误率 e2 为风险评 似然函数可以用来当已知随机变量的输出结果，以
估标准即 TPR 和 FPR，得到总风险函数如式(23)所 此来求取未知参数的可能取值。将似然函数作为式
示。 (26) 的 输 出 结 果 建 立 计 算 式
  P(1 ) e1C (1 1 )  (1  e1 )C ( 2 1 )    P  1  C  2 1    p  x 2 
(23)   且l ( x ) 
P(2 ) e2 C ( 2 2 )  (1  e2 )C (1 2 ) 
 P  1  C 1 2  p  x 1  (27)

e1   p  x 1  dx   0

第 1 类样本正确分类的总风险与被错误分类的
 
总风险的和与第 2 类样本正确分类的总风险与被错
误分类的总风险的和相加，就是当前算法所有测试 假设 l(x)=Ф 的解为 φ，可以间接求得满足函数最小
集的总风险值计算式。先验概率是样本可估计的概 化的边界值 λ*和 x*。
率分别与后验概率结合进一步减少出现低概率事 正态分布是对模型加入的先验知识量最少的分
件，其所占的风险比例也相应减少，使风险函数对 布，将样本分别近似为正态分布 p(x|λ1)~N(μ1,σ1)和
结果的评估更完善。 p(x|λ2)~N(μ2,σ2)，则有式(28)可求得 φ 和 Ф 值。
从理论层面分析，求测试数据集总风险的最小
  1    x  1    x  1 T 
值只需要单个类别的风险值为最小即可，但后验概   exp  dx   0
 
2π 1  2 12 
率和风险因子与实际情况肯定存在一定误差。同时，  
 (28)
   22  x  1    x  1    12  x  2    x  2 T
T

在人体运动过程中会随机发生跌倒，数据集分布存 l ( x)  exp  
2 12 22 
在不平衡的可能性较大，所以常规最小化方法存在   

误差。本文算法目的是保证漏报率在某一数值以下，
最终使得一类错误率为限定常数，而另一类错
即第 2 类错误率 e2 不得低于某一数值 ε0，并且尽可
误 率 最 小 的 决 策 规 则 如 式 （ 29 ） 所 示 。
能减低误报率，对第 1 类错误率 e1 最小化。分别设
第 1 类错误率和第 2 类错误率概率密度函数为 p(x|λ1) p  x 2  P  2 x  P(2 )  
若  , 则x   1 (29)
和 p(x|λ2)，R1 和 R2 分别是第 1 类和第 2 两类的决策 p  x 1  P 1 x  P(1 )  2
域，得到错误率函数为
 e1  p( x 1 )dx
 R1 3 仿真实验与实际应用
 (24)
e2  R p( x 2 )dx 为了证明改进后腰部位移数据的准确性，将上
 2
肢力传感器通过导纳模型求得的速度量与腰部采集
通过拉格朗日乘子法将式(24)代入式(23)，将有约束
的位移量，使用 MATLAB 进行仿真实验。以人体
极值问题进行转化。根据概率密度函数相加为 1 的
为中心建立坐标系，Y 轴为运动前进位移方向，X
性质，可得总体风险函数 γ 为
轴垂直于 Y 轴，即平行于人体肩膀，经过改进融合
算法处理后的结果图如 2 所示。为了模拟使用助行
器前进状态，当人刚起步 1 s 内位移为 0，随后位移
-6-
逐渐增大，上肢力传感器通过导纳模型求得的速度 表 2 算法性能比较
量与腰部采集的位移量为观测值，分别输入改进前 Table 2. Performance comparison of algorithms
的卡尔曼数据融合算法和改进后的卡尔曼数据融合 分类算法 正确率/% 灵敏度/% 特异度/%
算法。从图 3 可以看出，改进后的预测值更接近真 文献[9]算法 81.71 89.17 84.62
实值，误差值较小并且逐步趋于 0。由此可见，通 文献[18]算法 90.30 89.30 89.60
本文算法 98.68 96.66 90.34
过最小二乘法改进后的算法所运算得到的数据集取
得了优化，有利于提升精度模型。 由表 2 可以看出，文献[9]算法的正确率、特异
度和灵敏度均较差，说明误报率较高。将文献[9]算
法与文献[18]算法相结合运用在本文算法中，判断
阈值取值为 0.03，能够在跌倒识别率基本保障的情
况下，即正确率为 98.68%的情况下降低算法的漏报
率。相较于文献[9]算法，其灵敏度和特异度分别提
高了 7.49 百分点和 5.72 百分点。虽然本文算法的特
异度与文献[18]算法近似，但衡量跌倒算法风险可
知，跌倒漏报相较误报的危害更大，所以本文算法
总体性能是得到了优化，更符合应用助行器防跌倒
场景需求。
为了更加直观的验证模型分类的正确性，绘制
图 2 改进卡尔曼滤波融合后前进方向位移对比 了跌倒风险值曲线，如图 4 和图 5 所示。观察加速
Figure 2. Comparison of forward displacement after improved 度观测数据与所训练模型的匹配程度，将跌倒的输
Kalman filter fusion 出概率值作为人体状态的评估标准来预测跌倒风
险。由图 4 可知，跌倒预测的时间轴突变区域在
3000~4 000 ms，其原因是在采集数据时要求志愿者
在 3 000~4 000 ms 时做出跌倒动作，在实际场景中
随时会发生跌倒，整个跌倒过程大致为 1 s。本文设
计的跌倒检测算法在检测到跌倒时在 500 ms 内完
成响应，能够满足实时性要求。经过实验可知，设
定跌倒输出概率最小值 Pfall 为 51.6%能够保证跌倒
检测算法的性能。在状态判断中，输出概率值大于
Pfall 为跌倒状态，反之为正常状态。

图 3 改进卡尔曼滤波融合后位移误差值对比
Figure 3. Comparison of displacement error value after
improved Kalman filter fusion

在采样数据时，设滑动窗口时间为 0.50 s，窗

口步长为 0.01 s，提取满足加速度特征的数据，并
将数据作为输入训练模型。根据本文跌倒检测算法，
选取跌倒状态与正常状态比值为 1:10 的测试集作
为输入数据，在跌倒检测中，将跌倒状态判定为正
常状态的风险损失大于将正常状态判定为跌倒状
态，故风险因子 C(α2|λ1)值大于 C(α1|λ2)值， 但 C(α1|λ2)
较大将扩大错误率，在经过多次调试后发现风险因 图 4 向前方跌倒预测风险概率
子 C(α2|λ1):C(α1|λ2)取值为 40 时实验效果最好。通过 Figure 4. Probability of predicted risk of falling forward
计算得出文献[9]算法、文献[18]算法与本文算法分
类器之间的各项指标比较结果如表 2 所示。
 胡佳炜，等 基于机器学习的助行机器人用户跌倒检测算法 -7-

法能基本识别用户跌倒行为，并触发防跌倒保护控
制。未来将对人体全方位跌倒进行算法和防优化研
究，进一步完善助行器跌倒检测算法。
参考文献
[1] 丁志宏,杜书然,王明鑫.我国城市老年人跌倒状况及其
影响因素研究[J].人口与发展,2018,24(4):120-128.
Ding Zhihong,Du Shuran,Wang Mingxin.Research on the
falls and its risk factors among the urban aged in China[J].
Population and Development,2018,24(4):120-128.
[2] Zhao X Y,Zhu Z,Liu M S,et al.A amart robotic walker with
intelligent close-proximity interaction capabilities for
elderly mobility safety[J].Frontiers in Neurorobotics, 2020,
图 5 向左右方跌倒预测风险概率
14(10):1-17.
Figure 5. Probability of predicted risk of falling to the left and
right [3] Zhao D,Yang J,Sun Y.A novel auxiliary strategy with
compliance and safety for walking rehabilitation training
结合图 4 和图 5 可知，当人即将发生向前跌倒 robot[C].Fushun:International Conference on Robotics and
时，通过模型所得的风险概率值逐渐增大并超过 Rehabilitation Intelligence,2020:93-104.
Pfall 会触发助行器保护机制，随后人体姿态得到辅 [4] Munsuck J,Woosu K,Seungjin Y,et al.A study on the
助调整，腰部速度受到限制加速度减少，跌倒概率 stability improvement technique of electric walkers to
值也减少最终为 0，达到预防跌倒效果。 prevent falls of the elderly[J].International Journal of
Control and Automation,2015,8(7):283-294.
[5] Khaled K,Jaclyn J,Gloria B,et al.Gait and balance in the
aging population:Fall prevention using innovation and
technology[J].Maturitas,2018,110(1):51-56.
[6] Bet P,Castro P C,Ponti M A.Fall detection and fall risk
assessment in older person using wearable sensors:A
图 6 助行器跌倒检测过程 systematic review[J].International Journal of Medical
Figure 6. Falling detection process of the walking-aid Informatics,2019,130(1):103946-103947.
[7] Mubashir M,Shao L,Luke S.A survey on fall detection:
4 结束语 Principles and approaches[J].Neurocomputing,2013,
由于本文跌倒检测预防算法应用于医疗康复领 100(2):144-152.
域，因此算法的综合性能影响使用助行器用户的安 [8] 徐文霞,黄剑,晏箐阳,等.兼具柔顺与安全的助行机器人
全。本文从数据集提取和算法两个角度来优化本文 运动控制研究[J].自动化学报,2016,42(12):1859-1873.
算法，数据集层面使用最小二乘法改进后的卡尔曼 Xu Wenxia,Huang Jian,Yan Qingyang,et al.Research on
滤波融合获得腰部位置的运动意图，并进行加速度 walking-aid robot motion control with both compliance
解算，根据跌倒特征提取训练集，提高数据的准确 and safety[J].Acta Automatic Sincia,2016,42(12): 1859-
性。通过对 SVM 模型的输出值进行概率化，并基 1873.
于奈曼-皮尔逊决策对跌倒风险函数进行最小化处 [9] Pannurat N,Thiemjarus S,Nantajeewarawat E.A hybrid
理，保证了分类器的误报率与漏报率。通过仿真实 temporal reasoning framework for fall monitoring[J].
验绘制改进卡尔曼滤波融合后数据比较图，可以看 IEEE Sensors Journal,2017,17(6):1749-1759.
出处理后的数据集于真实值误差显著减少。将跌倒 [10] Ahsan S,Kiseon K.FallDroid:An automated
检测算法与文献[9]算法和文献[18]算法进行比较， smart-phone-based fall detection system using multiple
其灵敏度和特异度均有提升，同时准确率高达 kernel learning[J].IEEE Transactions on Industrial
98.68%。为了进一步证明本文算法可靠性绘制跌倒 Informatics,2019,15(1):35-44.
概率值曲线，并通过实验显示用户向前跌倒时该算 [11] 李永,梁起明,杨凯凯,等.基于深度学习的人体行为识别
-8-
检测综述[J].科学技术与工程,2021,21(20):8310-8320. Markov model[J].Chinese Journal of Biomedical
Li Yong, Liang Qiming, Yang Kaikai, et al A summary of Engineering,2017,36(8):166-171.
human action recognition and detection based on deep [21] 王林骏.基于卡尔曼滤波的水下融合定位算法仿真[J].电
learning[J].Science Technology and Engineering,2021, 声技术,2019,43(7):17-19.
21(20): 8310-8320. Wang Linjun.Under water fusion algorithm used in
[12] Sara U,Abdul S,Haris M,et al.Latest research trends in fall Kalman filter[J].Audio Engineering 2019 43(7):17-19.
detection and prevention using machine learning:A
systematic review[J].Sensors,2021,21(15):5134-5136. 收稿日期：2023-10-04
[13] Andreas Z,Dieter H,Peter K.Machine learning based
基金项目：国家重点研发项计划（2020YFC2007502）
walking aid detection in timed up-and-go test recordings National Key R&D Program of China(2020YFC2007502)
of elderly patients[C].Montreal:The Forty-second Annual 作者简介：
International Conference of the IEEE Engineering in 胡佳炜(1998-)，男，硕士研究生。研究方向：智能机器人、
Medicine and Biology Society,2020:808-811. 跌倒检测。
[14] Visak C,Sehoon H,Gregory S,et al.Learning a control 王亚刚(1967-)，男，教授，博士。研究方向：系统建模与控
policy for fall prevention on an assistive walking 制、智能机器人。
device[C].Paris: International Conference on Robotics and Hu Jiawei(1998-),male, master degree candidate. Research
Automation,2020:4833-4840. direction: Intelligent robots, fall detection.
[15] Chokemongkol N,Patcharanun Y,Krisda Y.Fall detection Wang Yagang(1967-),male, professor, doctor. Research
using half circle ultrasonic array sensors for indoor direction: System modeling and control, intelligent robots.
environment[C].Chiang Ma:The Eighteenth International
Conference on Electrical Engineering/Electronics,
Computer,Telecommunications and Information
Technology,2021:146-151.
[16] Gutiérrez J,Rodríguez V,Martin S.Comprehensive review
of vision-based fall detection systems[J]. Sensors, 2021,
21(3):1-50.
[17] Sajjad T,Yasuhisa H,Kazuhiro K.Vision-based human State
estimation to control an intelligent passive walker[C].
Sendai:International Symposium on System Integration,
2010:146-151.
[18] Chen Z J,Wang Y.Infrared-ultrasonic sensor fusion for
support vector machine-based fall detection[J].Journal of
Intelligent Material Systems and
Structures,2018,29(9):2027-2039.
[19] 余维维,姚俊,牛同锋,等.基于可穿戴惯性传感器的跌倒
预 先 识 别 方 法 [J]. 计 算 机 与 数 字 工
程,2021,49(11):2315-2320.
Yu Weiwei,Yao Jun,Niu Tongfeng,et al.Pre-impact fall
detection method based on wearable inertial sensor[J].
Computer and Digital Engineering,2021,49(11):
2315-2320.
[20] 曹荟强,林仲志,吴水才.基于隐马尔可夫模型的老年人
跌 倒 行 为 检 测 方 法 研 究 [J]. 中 国 生 物 医 学 工 程 学
报,2017,36(8):166-171.
Cao Huiqiang,Lin Zhongzhi,Wu Shuicai.A detection
method for the fall behavior of elders based on hidden