0 简介 由于老年人体质和生理功能下降，容易发生意外跌倒的情况。
意外跌倒后，如果不能及时得到救助，甚至可能会危及生命。
随着人口老龄化社会的到来，老年人意外跌倒问题已成为一个非常重要的医学和社会问题。
跌倒检测系统的目标是准确、及时地检测跌倒的发生，并将其与日常活动（Activity in Daily Life，ADL）区分开来，并在检测到跌倒时发出报警信号，从而保证人员的安全。
老年。
和健康。
目前跌倒检测方式主要有视频监控、音频和振动检测、可穿戴设备检测三种。
基于三轴加速度传感器的跌倒检测系统已成为国内外研究的主要方向。
加速度阈值法是常用的跌倒判定方法。
可穿戴设备结构紧凑，电池寿命长。
此外，随着BLE技术在智能终端上的普及，以智能终端为中心、可穿戴设备为应用外设、BLE为数据通信链路的可穿戴系统具有巨大的市场发展潜力。
1 系统设计 本文设计了一个基于BLE的跌倒检测系统。
该系统利用InvenSense的MPU-IMU测量人体活动过程中的三维加速度和三维角速度的总共6个DoF数据。
然后根据跌倒检测算法对这些数据进行处理和分析，以确定是否发生跌倒。
最后将检测到的报警信号通过Nordic的nRF2 BLE片上系统传输到智能终端，实现跌倒检测和报警信号的采集。
跌倒检测系统包括数据采集、跌倒检测算法和信息传输。
其中，数据采集涉及MPU-的工作配置以及MPU-与nRF2 BLE片上系统之间的I2C数字通信接口的实现。
跌倒检测算法涉及算法的原理和具体实现过程。
信息传输涉及BLE与智能终端之间数据通信的实现。
其中，nRF2片上系统集成了Cortex-M0内核和BLE模块。
跌倒检测系统的结构如图1所示。
MPU和nRF2可以集成到单板上，结构紧凑，易于佩戴和使用。
佩戴位置可选择腰部和腹部，尽量减少日常活动对系统的影响。
1.1 nRF2 BLE片上系统 BLE继承了传统蓝牙技术在无线连接方面的固有优势，同时增加了高速和低功耗的特性。
BLE的核心是低功耗技术，满足可穿戴设备的技术需求。
nRF2 BLE片上系统集成了32位Cortex-M0内核、KB Flash和16 KB RAM、2.4 GHz射频模块、定时器/计数器、模拟和数字外设等。
射频模块支持BLE。
此外，Nordic还提供完整的BLE协议栈解决方案，该解决方案集成了低功耗控制器和主机，并为在片上系统（SoC）上开发BLE应用提供了完整且灵活的应用程序。
接口（应用程序接口，API）。
用户只需定义和实现BLE应用的通用访问配置文件（GAP）层和通用属性配置文件（GATT）层，根据协议栈提供的应用接口实现短距离BLE无线通信。
1.2 MPU-IMU跌倒检测系统通过MPU-IMU采集用户运动姿态数据，即三维加速度和三维角速度，共6个DoF数据，如图2所示。
工作模式和用户自由度数据的采集需要对其内部寄存器进行读或写操作，上述读或写操作由nRF2片上系统通过与MPU的I2C数据通信接口来实现。
MPU——是InvenSense推出的一款6轴集成运动处理芯片，集成了三轴陀螺仪和三轴加速度计。
MPU——分别为陀螺仪和加速度计使用三个16位ADC，将测量的模拟量转换为可以输出的数字量。
传感器的测量范围可由用户控制。
MPU通过kHz I2C数字接口与外部设备通信。
此外，还包括可编程中断系统，实现MPU内部寄存器数据的读取。
评估人体ADL的实验得出结论，人体躯干的加速度分量一般不超过±6ɡ，而角速度分量一般不超过°/s。
选择1 kHz作为惯性传感器的采样输出频率，MPU-的加速度输出范围配置为±8ɡ，角速度输出范围配置为±°/s。
此外，MPU中断系统被配置为在6个DoF的数据准备完成后，在其中断引脚上产生中断信号。
此时，nRF2片上系统可以通过I2C接口读取用户的运动姿势数据。
2 跌倒检测算法设计 当人体意外跌倒时，三维方向的加速度值会发生突变，人体俯仰方向的角度也会发生较大变化。
由于跌倒情况的不同，人体向前倾斜、向后跌倒、翻滚时三维加速度变化的特征有较大差异。
因此，通过从人体三维加速度和俯仰角速度数据中提取特征量作为判断依据，采用过程多阈值联合判断方法设计跌倒检测算法。
阈值的选择是根据人体在跌倒过程的不同阶段的加速度和俯仰角的变化来确定的。
特性单独确定。
跌倒过程中加速度和俯仰角的变化主要有四个特点：（1）失重：跌倒开始时，会出现一段近乎失重的时期，加速度值会发生突变，人体的俯仰角也会发生变化。
迅速增加； (2))冲击：失重后，人体与地面碰撞，产生巨大的冲击力，引起加速度的剧烈变化。
人体在这个阶段也可能会发生翻滚； (3)静止：通常撞击后会有短暂的静止状态。
，表现为加速度和俯仰角维持一段时间的相对稳定的过程； （4）结果：跌倒后，情况不严重时，人可以逐渐恢复站立，但一旦情况严重，如造成昏迷，人体就会长期保持静止状态。
用于判断跌倒结果的严重程度。
2.1 提取特征量 由于跌倒可能发生在任意方向和角度，因此采用总加速度作为加速度特征量。
由于三轴陀螺仪输出的是角速度值，因此人体的俯仰角变化为： 其中（t）为角速度值，（0，t）内的角度变化值。
人体从失重到撞击的过程时间很短，一般在1s左右。
采用微元法将1s划分为n个单位时隙。
单位时隙内的角速度视为线性变化。
单位时隙内的角度变化可近似为： 式中， 为k时刻角度的绝对值。
因此，人体跌倒过程中的角度变化可以近似为：考虑到计算量和计算精度，选取n=50，以人体俯仰角的变化作为角度特征量。
2.2 算法流程 根据跌倒过程不同阶段的加速度和角度特征量，通过设定相应的阈值进行判断，以确定跌倒事件的发生以及跌倒结果的严重程度。
具体跌倒检测算法实现流程如图3所示。
根据相关实验测试，TH1、TH2、TH3、TH、t0的参考值为1.7ɡ、6ɡ、0.2ɡ、75°、10 s分别，其中ɡ表示重力加速度常数。
该算法返回跌倒事件状态值xi∈{x1,x2,x3}，其中x1、x2和x3分别表示三个事件状态值：没有跌倒、不严重跌倒和严重跌倒。
3 算法实现及系统验证 跌倒检测算法判断跌倒事件的发生，并返回相应的跌倒事件状态值来指示跌倒的严重程度。
3.1 程序结构 跌倒检测算法和BLE 通信应用均基于Cortex-M0 内核实现。
系统程序包括nRF2上相关外设的初始化、MPU初始化和工作配置、BLE相关参数的初始化，然后开始广播并等待事件中断，如按键事件、20ms用户数据读取定时事件和2s下降事件状态、数值发送、定时事件等。
3.2 测量结果 系统软件在Keil uVision4 开发环境中编程实现。
编译链接后，下载到nRF2进行秋季实验。
跌倒实验包括向前倾斜、向后跌倒和翻滚，每组实验还包括严重和非严重跌倒。
图4展示了将正常、不严重、严重三个事件的状态值传输到终端的结果。
图4中，0x代表正常状态??值，0x代表非严重跌倒状态值，0x00C8代表严重跌倒状态值。
4 结论通过各种跌倒情况的实验测试结果可以看出，本文提出的跌倒检测算法能够正确识别不同的跌倒事件并判断跌倒的严重程度。
BLE具有高速、低功耗的特点。
它在智能手机等移动终端上的普及正在加速。
最新的蓝牙4.1规范大大加强了蓝牙技术在物联网领域的应用。
因此，BLE在可穿戴技术领域具有巨大的潜力。
发展潜力。