人们的预期寿命正在增加，导致老年人口不断增加。这些人口受到依赖性问题的影响，由于相关的健康并发症，跌倒是一个问题。 一些项目正试图通过监测老年人的状态来提高他们的独立性，通常是通过可穿戴设备来实现。这些设备通常采用机器学习（ML）算法，利用加速度计进行跌倒检测。然而，部署的软件往往缺乏可靠的数据来训练模型。为了克服这样的问题，研究人员开发了一个公开可用的跌倒模拟器，能够重现两种最常见的跌倒类型的加速度计跌倒样本：晕厥和前进。这些模拟样本就像使用真实加速度计记录的真实跌倒一样，以便以后将它们作为ML应用的输入。为了验证研究人员的方法，研究人员在模拟跌倒和来自两个基于真实数据的公共数据集的数据上使用了不同的分类器。  研究人员的测试表明，跌倒模拟器实现了从跌倒中生成加速度计数据的高精度，允许创建更大的数据集，用于训练可穿戴设备中的跌倒检测软件。

 相关论文以题为“     A Simulator to Support Machine Learning-Based Wearable Fall Detection Systems    ”于2020年11月03日发表在《     Electronics    》上。

 根据世界卫生组织（WHO）的数据，到2050年，60岁以上的人口数量将增加一倍。 世界人口的这种老龄化将需要进行重大的社会变革，以提高老年人的生活质量。从社会角度看，对这类人口的照顾需要付出巨大的努力，不仅从行政管理的角度，而且从家庭的角度，因为老龄化通常与依赖性有关。从这个意义上说，一个令人关注的问题是如何照顾独居老人。  这种情况是一个挑战，包括独立和监督。特别是要监督独立的人的健康状况，监测他们的环境，以便能够应对突发状况。

 跌倒是经常影响独立老人的一种情况。 众所周知，老年人跌倒是一个公共卫生问题，WHO在一份全球报告中报告了这一点。它们不仅因其直接后果(如外伤)而成为与老年人相关问题的重要来源，而且因为跌倒是体弱多病的一种症状(如心脏病发作)。因此，跌倒检测系统的研究和开发变得很有意义，因为在此类事件中的快速反应可以挽救生命。关于跌倒检测的文献越来越多，也证实了这一事实。

 在本文中，研究人员使用Unity游戏引擎开发了一个跌落模拟器。 更详细地说，研究人员已经扩展了模拟器的功能，允许参数化的瀑布。该模拟器能够自动生成和收集多个跌落的数据，通过重现三轴加速度计在模拟跌落过程中记录的数据。在研究人员目前的实施中，加速度计被放置在人形的手腕上，但可以很容易地切换到不同的位置。此外，研究人员可以模拟两种最常见的可能发生在家中的跌倒类型：晕厥和向前跌倒。它们分别是典型的意识丧失或绊倒的后果，据咨询的专家介绍，它们是老年人最常见的两种跌倒类型。

应该提到的是，很多情况下，如心脏病发作或髋部骨折，由于任何严重的健康状况的第一反应都是跌倒，所以以晕厥跌倒结束。为了验证更新的跌倒模拟器，研究人员已经进行了比较的模拟加速度计测量对两个公开访问的跌倒数据集。在这方面，研究人员已经训练了不同的分类算法使用上述数据集，然后，他们使用模拟器产生的测量验证了分类器的性能。

 跌倒模拟器

 在处理ML应用时，更大的挑战之一是收集足够的高质量数据来训练和测试系统。 对于手头的问题来说，这个问题还与让演员进行真实的摔倒以收集数据所涉及的风险更加复杂。在过去，研究人员探索了使用假人代替以生成样本的想法。然而，这种方法带来了重大的问题，即：

·假人的成本：一个假人，具有类似人类的生理学是非常昂贵的。

·连续测试的损伤：为了检索到足够的数据，研究人员需要重新创建几次跌倒，因此每次跌倒所受到的损伤都会累积起来，磨损假人的关节，影响记录数据。

·假人生理特征固定：假人的生理特征是不能修改的，所以没有修改重量和身高的可能，所以数据仅限于这些生理特征。

·跌倒限制：假人不具备运动能力，所以只能记录意识丧失的跌倒情况。

·人员和时间的限制。这些测试必须由专业人员进行，可以验证跌倒的发展，因此，加速度计的数据必须手动记录。

·所需硬件：需要一个加速度计来收集跌倒数据。与假人一样，加速度计在测试过程中也会受到损坏。

因此，从这种方法获得的数据质量被发现缺乏ML的目的。

研究人员已经模拟了两种类型的跌倒，研究人员已经命名为晕厥和向前跌倒。每种跌倒所涉及的动力学，由于其性质不同，所以它们的实施需求也不同。因此，它们的实现需求必须相互独立地解决，特别注意跌倒时的起点和人的反应：

·晕厥性跌倒是指由于意识丧失，或心脏疾病，无法利用肌肉控制跌倒而导致的跌倒。由于失去对自己身体的控制，这类跌倒呈现垂直运动，可分为两个不同的阶段。首先，受试者的膝盖撞击地面，然后躯干向前倒下，直至与地面撞击。对于这种跌倒，研究人员在医务室专家的指导下，使用假人进行测试，他们帮助研究人员了解这种跌倒在真人身上实际会发生的情况。

在医务室专家的指导下，研究人员使用假人进行测试，专家帮助研究人员了解了这种跌倒在真人身上的实际情况，研究人员意识到需要给假人施加一个小的向前的力，这样才能在人刚好站起来的情况下正常跌倒。这种体会直接转化到研究人员的模拟器上，通过施加类似的力，并在力的方向和强度上引入少量的噪音，以产生不同的结果。之后，所有看似不自然的实例都被丢弃，以策动产生的数据集。这种落差在图1中呈现。在这种情况下，在研究人员看来，它是更好地获得数据通过非人类来源的手段，无论是假人或研究人员的模拟器，因为人类的反射可能会污染读数，试图保护自己从下降的损害。使用研究人员的方法使必要的力的应用更一致，并大大减少了所需的人类努力记录数据相比，使用假人。

·前向跌倒的起源是人在行走时脚与物体碰撞，失去平衡而摔倒。这种类型的跌倒中躯干向前倒下，而手臂和手在经过一定的反应时间后，试图缓冲跌倒，以防止进一步的伤害。

 图1.使用假人的晕厥跌倒序列。从左到右：初始位置，膝盖与地面的冲击，以及在地面上的结束位置。

关于向前跌落，人形开始移动播放一个行走动画，这个动画是从各种可能性中随机选择的，所有的可能性都有显著不同，以提供不同的跌落起点。在行走的过程中，模型最终会与障碍物相撞，障碍物的位置、高度和方向在一定数值之间随机化，以提供多种异质的跌落。一旦模型与障碍物相撞，研究人员就会模拟一个绊倒反应，让物理引擎接管并对树干施加向前的力。然后，在几毫秒后，模拟人的反应时间，对手臂施加向上的力量，以模拟试图缓冲跌倒的自然反应，考虑到老年人的行动能力下降。此外，由于模型绊倒和物理模拟开始前的最终动画姿势取决于障碍物的随机化位置，所以每次摔倒与其他的摔倒会有明显的不同。图2描述了模拟器中向前跌倒的发展情况。

 图2.在模拟器中的前倾再现。三轴加速度计的措施是在每个步骤的右上方提供。

在晕厥跌倒的情况下，起点将是一个行走的动画或日常生活活动，例如，说话，移动物体，使用手机其中，甚至模型站在闲置。然后，为了模拟意识的丧失，研究人员突然停止动画，让物理引擎模拟随之而来的摔倒。在这个特殊的例子中，经过一些测试，研究人员发现需要施加一个小的向前力，使模型类似于人一样摔倒。图3所示为模拟器中同步跌落的发展过程。

 图3.在模拟器中再现晕厥跌倒。三轴加速度计措施提供了在每个步骤的右上方。

 为了进一步增加模拟跌倒的多样性，研究人员决定稍微修改每一个力施加到人形通过添加一些噪音。 这种修改是不够显著，使瀑布不自然，但它改变瀑布足够，所以即使以前的条件是相似的，秋天将以某种不同的方式发展。如果研究人员把每个力看作是一个矢量，它的模数将乘以使用高斯分布选择的两个极限之间的一个值，以改变力的强度。此外，力的方向将被进一步修改，通过在一个小球体内部增加一个随机点，并将所得矢量的方向归一化后，如图4所示。在图中，蓝色的线代表未修改的力，青色的线代表将要施加的修改，黄色的线代表最终施加的力。这种随机性与Unity物理引擎的非确定性相结合，最终形成了各种各样的模拟跌落。

 图4.仿真器中的力分解。在蓝色中，原始力;青色：随机点添加到原始力;黄色：归一化添加以前的力（最终施加的力）。

 结论

 人口老龄化和与老年人跌倒相关的健康并发症导致了使用可穿戴设备的跌倒检测系统的使用。 这些设备通常采用ML算法进行跌倒检测，但缺乏可靠的模型训练数据。为了解决这个问题，研究人员开发了一个使用复杂物理学游戏引擎的跌倒模拟器，用于生成加速度计跌倒样本。

 特别是，该模拟器能够重现老年人最常见的两种跌倒类型：晕厥和向前跌倒。 模拟跌倒产生的加速度计样本与真实跌倒记录相当相似，使研究人员能够将其作为ML应用的输入。此外，当前的模拟可以通过不同组件的参数化来定制，如施加的力量，假人的物理特性或正在进行的活动之前的跌倒。为了验证研究人员的方法，研究人员在模拟跌倒和来自两个基于真实数据的公共数据集的数据上使用了不同的分类器。  研究人员的验证表明，与上述数据集相比，跌倒模拟器实现了较高的准确性，用于从跌倒中生成加速度计数据，允许创建更大的数据集，用于使用ML技术训练跌倒检测可穿戴设备。