使用ADXL362加速度計(jì)構(gòu)建跌倒檢測系統(tǒng)

老年人跌倒是一個(gè)嚴(yán)重的健康問題，尤其是在全球人口結(jié)構(gòu)發(fā)生變化之際。到2050年，全世界65歲及以上的人口將超過15億，其中很大一部分人將獨(dú)立生活。然而，這種獨(dú)立性也帶來了風(fēng)險(xiǎn);研究表明，在65歲以上的人中，每年約有28-35%的人會(huì)跌倒，而在70歲以上的人中，這一數(shù)字上升到近42%。與跌倒有關(guān)的傷害，特別是髖部骨折和創(chuàng)傷性腦損傷，在老年人急診室就診和住院治療中占很高的比例。反復(fù)跌倒和害怕再次跌倒是常見的，影響生活質(zhì)量和行動(dòng)能力。

跌倒后的第一個(gè)小時(shí)——通常被稱為“黃金一小時(shí)”——對及時(shí)接受治療至關(guān)重要。援助的延誤會(huì)大大增加嚴(yán)重傷害、慢性殘疾甚至死亡的風(fēng)險(xiǎn)。跌倒檢測系統(tǒng)已經(jīng)成為一種解決方案，使用基于傳感器的警報(bào)立即通知護(hù)理人員，減少緊急響應(yīng)時(shí)間。這些系統(tǒng)在老年人中有很高的接受度，他們認(rèn)為這是一種保持獨(dú)立性的方法，同時(shí)減少了跌倒焦慮的心理負(fù)擔(dān)。在這個(gè)項(xiàng)目中，我們的目標(biāo)是通過將深度學(xué)習(xí)技術(shù)與Particle Photon 2和ADXL362加速度計(jì)相結(jié)合，創(chuàng)造一種經(jīng)濟(jì)實(shí)惠且高度精確的可穿戴跌倒探測器。

數(shù)據(jù)集

高質(zhì)量的數(shù)據(jù)集對于建立準(zhǔn)確的跌倒檢測系統(tǒng)至關(guān)重要，特別是針對老年用戶的可穿戴設(shè)備。跌倒檢測系統(tǒng)需要包含各種現(xiàn)實(shí)場景的數(shù)據(jù)，例如不同類型的跌倒和日常非跌倒活動(dòng)，以確保模型能夠可靠地區(qū)分實(shí)際跌倒和普通動(dòng)作。然而，收集這樣一個(gè)數(shù)據(jù)集是極具挑戰(zhàn)性的。它包括精心安排的數(shù)據(jù)收集環(huán)節(jié)，由志愿者模擬各種跌倒(如向前、向后和橫向跌倒)和常見活動(dòng)，并使用專門的運(yùn)動(dòng)傳感器記錄這些活動(dòng)。這個(gè)過程不僅是勞動(dòng)密集型的，而且需要高標(biāo)準(zhǔn)的安全性和一致性，特別是如果目標(biāo)是用現(xiàn)實(shí)的強(qiáng)度和背景來表現(xiàn)不同類型的跌倒。

SisFall數(shù)據(jù)集全面解決了這一需求。它包括19種日常生活活動(dòng)和15種類型的跌倒，收集了38名志愿者的數(shù)據(jù)——15名老年人(60-75歲)和23名年輕人(19-30歲)。數(shù)據(jù)集中包含的不同類別的Fall的詳細(xì)信息如下所示。

數(shù)據(jù)集中包含的所有ADL類在下表中顯示。

該數(shù)據(jù)集由38名志愿者收集的數(shù)據(jù)組成，他們被分為兩組：老年人和年輕人。老年人組由15人組成(男性8人，女性7人)，青壯年組由23人組成(男性11人，女性12人)。

下表顯示了各組的年齡、體重和身高

準(zhǔn)備數(shù)據(jù)集

數(shù)據(jù)集采集使用三個(gè)傳感器，包括兩個(gè)加速度計(jì)——ADXL345加速度計(jì)(配置為±16g， 13位模數(shù)轉(zhuǎn)換器- ADC)、一個(gè)飛思卡爾MMA8451Q加速度計(jì)(±8g， 14位ADC)和一個(gè)陀螺儀——ITG3200陀螺儀(±2000°/s， 16位ADC)，采樣頻率為200hz。跌倒的樣本數(shù)據(jù)如下所示

在本項(xiàng)目中，我們利用ADXL345加速度計(jì)捕獲的原始加速度數(shù)據(jù)，重點(diǎn)關(guān)注對應(yīng)于X、Y和Z軸的每個(gè)數(shù)據(jù)條目的前三列。

現(xiàn)在加速度計(jì)的數(shù)據(jù)(x, y, z)用下面的公式轉(zhuǎn)換成重力單位：

我們在這個(gè)項(xiàng)目中使用ADXL362加速度計(jì)，它提供12位分辨率，可以測量到±8g的范圍。

上傳數(shù)據(jù)集到邊緣脈沖

為了將加速度計(jì)數(shù)據(jù)上傳到Edge Impulse進(jìn)行機(jī)器學(xué)習(xí)模型訓(xùn)練，我們首先需要以Edge Impulse的數(shù)據(jù)采集格式進(jìn)行準(zhǔn)備。包含加速度計(jì)讀數(shù)的數(shù)據(jù)集分為兩類：ADL(日常生活活動(dòng))和FALL。每個(gè)讀數(shù)包括三個(gè)軸的加速度值，我們從原始傳感器單位轉(zhuǎn)換為m/s2，以標(biāo)準(zhǔn)化測量。

為了確保安全的數(shù)據(jù)傳輸，我們需要Edge Impulse項(xiàng)目中的API和HMAC密鑰。這些鍵可以從邊緣脈沖工作室的儀表板>鍵選項(xiàng)卡中訪問，允許我們生成數(shù)據(jù)驗(yàn)證的簽名。一旦數(shù)據(jù)被格式化并簽名，它就可以上傳到Edge Impulse工作室，在那里它將被用來訓(xùn)練我們的機(jī)器學(xué)習(xí)模型進(jìn)行跌倒檢測。

下面是一個(gè)Python腳本，它促進(jìn)了這種轉(zhuǎn)換和打包，將原始加速度計(jì)數(shù)據(jù)轉(zhuǎn)換為所需的JSON格式，與Edge Impulse Studio的數(shù)據(jù)攝取API兼容。

一旦您成功下載了SisFall數(shù)據(jù)集，您可以通過運(yùn)行以下命令將原始數(shù)據(jù)轉(zhuǎn)換為邊緣脈沖數(shù)據(jù)采集格式：

這里，‘SisFall_Dataset’指的是輸入文件夾的名稱。執(zhí)行此命令后，將創(chuàng)建一個(gè)名為‘data’的輸出文件夾，其中包含所有數(shù)據(jù)文件?，F(xiàn)在從數(shù)據(jù)采集選項(xiàng)卡上傳數(shù)據(jù)集到Edge Impulse。

上傳數(shù)據(jù)集后，使用以下命令使用ressample .py重新采樣數(shù)據(jù)

重新采樣完成后，執(zhí)行訓(xùn)練/測試分割，將數(shù)據(jù)集以80/20的比例分割為訓(xùn)練和測試數(shù)據(jù)集。

創(chuàng)造沖動(dòng)

要在Edge Impulse中構(gòu)建ML模型，您應(yīng)該從創(chuàng)建一個(gè)Impulse開始。這是定義處理和分析傳感器數(shù)據(jù)的整個(gè)管道的起點(diǎn)。

要在Edge impulse中創(chuàng)建脈沖，請遵循以下步驟：

1. 創(chuàng)造新的沖動(dòng)

導(dǎo)航到脈沖設(shè)計(jì)部分。

點(diǎn)擊Create Impulse，開始建立你的沖動(dòng)管道。

2. 添加處理塊

單擊Add a processing block。

從可用處理塊列表中選擇Raw Data。原始數(shù)據(jù)塊處理原始傳感器數(shù)據(jù)，不進(jìn)行任何預(yù)處理。它允許深度學(xué)習(xí)模型直接從原始數(shù)據(jù)中學(xué)習(xí)特征，自動(dòng)識(shí)別與分類相關(guān)的模式和特征。你也可以使用頻譜分析，這對于分析重復(fù)運(yùn)動(dòng)非常有用，比如來自加速度計(jì)的數(shù)據(jù)。提取信號隨時(shí)間變化的頻率和功率特性。但由于我們要建立一個(gè)深度學(xué)習(xí)模型，我們沒有進(jìn)行任何預(yù)處理。

3. 添加學(xué)習(xí)塊

點(diǎn)擊添加學(xué)習(xí)塊。

選擇分類作為學(xué)習(xí)模塊。分類塊負(fù)責(zé)從原始數(shù)據(jù)中的特征中學(xué)習(xí)，并應(yīng)用這些知識(shí)對新的、未見過的數(shù)據(jù)進(jìn)行分類。它識(shí)別數(shù)據(jù)中對應(yīng)于不同類(例如，ADL、FALL)的模式。

4. 配置窗口大小和增加

將窗口大小和窗口增加設(shè)置為4000ms。

這意味著數(shù)據(jù)將被分成4000毫秒(4秒)的幀，幀之間不會(huì)重疊，從而產(chǎn)生不同的、獨(dú)立的數(shù)據(jù)窗口進(jìn)行分類。

選擇4000ms的窗口大小是因?yàn)樗鼮椴东@有意義的數(shù)據(jù)模式提供了足夠的上下文，使其成為分類任務(wù)的理想選擇。

5. 保存沖動(dòng)

配置完處理模塊和學(xué)習(xí)模塊后，單擊“保存脈沖”。

功能一代

在這個(gè)階段，我們準(zhǔn)備繼續(xù)到Raw Data選項(xiàng)卡并開始特征生成過程。Raw Data選項(xiàng)卡提供了各種操作數(shù)據(jù)的選項(xiàng)，包括調(diào)整軸縮放和應(yīng)用過濾器。然而，對于這個(gè)項(xiàng)目，我們選擇保留默認(rèn)設(shè)置并直接生成特性。

為了生成特征，我們將利用一系列算法和技術(shù)來識(shí)別數(shù)據(jù)中的關(guān)鍵模式和特征。這些提取的特征將被脈沖的學(xué)習(xí)塊用于將加速度計(jì)數(shù)據(jù)分類為兩個(gè)預(yù)定義類之一。通過仔細(xì)選擇和提取相關(guān)特征，我們的目標(biāo)是建立一個(gè)更準(zhǔn)確和魯棒的加速度計(jì)數(shù)據(jù)分類模型。

模型訓(xùn)練

提取并準(zhǔn)備好特征之后，我們現(xiàn)在準(zhǔn)備進(jìn)入Classifier選項(xiàng)卡，開始訓(xùn)練我們的模型。Classifier選項(xiàng)卡提供了各種微調(diào)模型行為的選項(xiàng)，例如調(diào)整隱藏層中神經(jīng)元的數(shù)量、設(shè)置學(xué)習(xí)率和確定訓(xùn)練epoch的數(shù)量。

但在我們的情況下，默認(rèn)模型是不夠的，所以切換到專家模式，這將給我們空間來建立我們自己的深度學(xué)習(xí)模型。在這個(gè)項(xiàng)目中，我們使用時(shí)態(tài)CNN。

時(shí)間卷積神經(jīng)網(wǎng)絡(luò)(Temporal CNN或TCN)是一種深度學(xué)習(xí)模型，旨在通過應(yīng)用卷積層來捕獲數(shù)據(jù)中的時(shí)間依賴性來處理序列數(shù)據(jù)，例如時(shí)間序列數(shù)據(jù)。與通常用于圖像處理的傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(cnn)不同，Temporal cnn專門針對時(shí)間序列數(shù)據(jù)的順序特性進(jìn)行了優(yōu)化，使其適用于語音識(shí)別、視頻處理和傳感器數(shù)據(jù)分類等任務(wù)。

時(shí)間CNN是如何工作的：

卷積層：時(shí)態(tài)cnn使用在時(shí)間序列數(shù)據(jù)上滑動(dòng)的1D卷積層，應(yīng)用過濾器捕獲隨時(shí)間變化的重要模式或特征。這些過濾器可以捕獲局部特征，如趨勢、峰值或周期性，這對于理解基于時(shí)間的數(shù)據(jù)至關(guān)重要。

擴(kuò)張：時(shí)態(tài)cnn的一個(gè)關(guān)鍵特征是使用擴(kuò)張卷積。這允許模型在不需要過于深入的網(wǎng)絡(luò)的情況下捕獲跨時(shí)間步長的依賴關(guān)系。通過在過濾器之間跳過一些時(shí)間步，擴(kuò)展卷積使模型能夠有效地處理更廣泛的時(shí)間上下文。

殘差連接：時(shí)態(tài)cnn經(jīng)常使用殘差連接，這有助于防止梯度消失，并允許網(wǎng)絡(luò)在不丟失早期層的重要特征的情況下學(xué)習(xí)更深層次的表示。

為什么它有用?

加速度計(jì)數(shù)據(jù)，如SisFall數(shù)據(jù)集提供的數(shù)據(jù)，本質(zhì)上是連續(xù)的——它由按規(guī)則時(shí)間間隔進(jìn)行的測量組成。跌倒是突然發(fā)生的事件，在加速度計(jì)數(shù)據(jù)中表現(xiàn)出不同的模式，例如加速度的快速變化、突然的峰值或方向的急劇變化。這些特征對跌倒檢測系統(tǒng)至關(guān)重要，但識(shí)別它們需要分析跨多個(gè)時(shí)間步長的時(shí)間依賴性和模式。

時(shí)態(tài)cnn非常適合于跌倒檢測，因?yàn)椋?

捕捉時(shí)間模式：跌倒的典型特征是加速的快速和突然變化。時(shí)間cnn擅長于識(shí)別這些時(shí)間模式，如加速度計(jì)信號隨時(shí)間的峰值或趨勢。卷積濾波器有效地捕獲了這些時(shí)間依賴性。

大型數(shù)據(jù)集的可擴(kuò)展性：SisFall數(shù)據(jù)集包含大量標(biāo)記加速度計(jì)數(shù)據(jù)，用于日常生活活動(dòng)(ADL)和跌倒事件，數(shù)據(jù)量大且變化很大。時(shí)態(tài)cnn非常適合處理大型數(shù)據(jù)集，因?yàn)樗鼈兡軌蛟诓煌臅r(shí)間尺度上提取層次特征。通過有效地處理大量數(shù)據(jù)，它們可以學(xué)會(huì)區(qū)分許多類別(如不同類型的運(yùn)動(dòng)或跌倒)數(shù)據(jù)中的細(xì)微差異。

長序列的效率：時(shí)態(tài)cnn特別擅長處理長序列的數(shù)據(jù)。有了像SisFall這樣的數(shù)據(jù)集，它可能包含來自加速度計(jì)的長時(shí)間序列數(shù)據(jù)，Temporal cnn可以捕獲事件之間的長期依賴關(guān)系，比如跌倒前的積累或跌倒后的行為，而不需要過于深入的模型。

有效泛化：時(shí)態(tài)cnn可以很好地泛化到看不見的墜落事件，因?yàn)樗鼈儗Ｗ⒂趶脑紨?shù)據(jù)中學(xué)習(xí)魯棒特征。這在跌倒檢測中是至關(guān)重要的，因?yàn)楝F(xiàn)實(shí)世界中的跌倒事件在強(qiáng)度、方向和身體方向方面可能有很大差異。

降維：模型可以通過學(xué)習(xí)時(shí)間依賴關(guān)系來學(xué)習(xí)關(guān)注最相關(guān)的特征。這減少了對大量手動(dòng)特征工程的需求，這在處理像SisFall這樣的大型數(shù)據(jù)集時(shí)特別有用。

我們的TCN模型總結(jié)如下：

該模型對輸入數(shù)據(jù)進(jìn)行多層處理，包括：

重塑和歸一化：對輸入數(shù)據(jù)進(jìn)行重塑，并對加速度計(jì)數(shù)據(jù)應(yīng)用預(yù)定義的均值和方差值的歸一化層，確保數(shù)據(jù)在通過網(wǎng)絡(luò)之前進(jìn)行標(biāo)準(zhǔn)化。

時(shí)序CNN塊：多個(gè)一維卷積層以增加膨脹率(1,2,4,8)捕獲時(shí)序數(shù)據(jù)中的時(shí)間依賴性。這些層使用ReLU激活和dropout進(jìn)行正則化。

全局平均池化：經(jīng)過卷積層處理后，全局平均池化降低了時(shí)間維度，只保留了最重要的特征。

完全連接的MLP層：池化的特征通過多層感知器(MLP)通過ReLU激活和dropout進(jìn)行進(jìn)一步處理。

輸出層：最后的輸出層使用softmax激活將數(shù)據(jù)分類為預(yù)定義的類別(如FALL或ADL)。

該模型的學(xué)習(xí)率為0.0005，批大小為32，使用Adam優(yōu)化器進(jìn)行20次epoch的訓(xùn)練。培訓(xùn)過程包含回調(diào)以監(jiān)控進(jìn)度。在訓(xùn)練模型之后，我們?nèi)〉昧肆钊擞∠笊羁痰?8.9%的準(zhǔn)確率，考慮到數(shù)據(jù)集的大小，這是特別顯著的。

模型試驗(yàn)

在訓(xùn)練和微調(diào)我們的模型之后，我們繼續(xù)使用model Testing選項(xiàng)卡和classified All特性在未見過的數(shù)據(jù)上測試它的性能。這一步使我們能夠評估模型準(zhǔn)確檢測跌倒的能力。該模型在測試數(shù)據(jù)上的強(qiáng)大性能，實(shí)現(xiàn)了很高的分類精度，表明它是可靠的，能夠?yàn)楝F(xiàn)實(shí)世界的應(yīng)用提供有價(jià)值的見解。

部署

在部署頁面上，選擇“創(chuàng)建庫”選項(xiàng)并選擇“粒子庫”，這將創(chuàng)建一個(gè)粒子庫。

設(shè)置粒子光子2

1.將Photon連接到您的計(jì)算機(jī)：首先使用附帶的微型USB電纜將Photon設(shè)備連接到您的計(jì)算機(jī)。確認(rèn)設(shè)備上電，LED燈亮起。

2.創(chuàng)建并訪問您的Particle帳戶：如果您還沒有Particle帳戶，請?jiān)L問Particle網(wǎng)站進(jìn)行注冊。注冊后，登錄您的帳戶，繼續(xù)進(jìn)行設(shè)備設(shè)置和管理您的設(shè)備。

3. 設(shè)置Photon2

打開瀏覽器，進(jìn)入setup.particle.io開始配置你的Photon設(shè)備。安裝向?qū)⒁龑?dǎo)您將設(shè)備鏈接到您的Particle帳戶。

在繼續(xù)之前，請確保您的Photon已連接到計(jì)算機(jī)并已打開電源。

如果檢測到光子，它將在設(shè)置界面中顯示為“P2”。選擇此選項(xiàng)以繼續(xù)。

選擇P2并繼續(xù)安裝。

當(dāng)您選擇“P2”時(shí)，設(shè)備將自動(dòng)切換到DFU模式，其中LED將閃爍黃色，表示已準(zhǔn)備好固件閃爍。

現(xiàn)在Photon處于DFU模式，下一步是用必要的固件flash設(shè)備。這一步確保你的Photon準(zhǔn)備好正常工作并與云平臺(tái)通信。

在這一點(diǎn)上，你可以創(chuàng)建一個(gè)新的產(chǎn)品或分配光子到一個(gè)現(xiàn)有的產(chǎn)品。

重要的是要分配一個(gè)唯一的名稱，以設(shè)備，所以它可以很容易地識(shí)別在您的粒子帳戶。

閃爍之后，你需要配置Photon的Wi-Fi設(shè)置。輸入Wi-Fi網(wǎng)絡(luò)所需的憑據(jù)，以便設(shè)備可以連接到互聯(lián)網(wǎng)并開始運(yùn)行。

現(xiàn)在，一切都準(zhǔn)備好了!

粒子工作臺(tái)設(shè)置

如果你想在不使用Particle Web IDE的情況下開發(fā)固件并在本地flash，你可以按照本指南在VS Code中設(shè)置Particle Workbench。

整合Twilio的短信提醒

將Twilio與Particle Photon 2設(shè)備集成，您可以直接從Photon 2發(fā)送SMS警報(bào)，使其成為即時(shí)通知至關(guān)重要的應(yīng)用程序的理想選擇，例如在跌倒檢測系統(tǒng)中。按照以下步驟設(shè)置和集成Twilio與你的Photon 2發(fā)送短信提醒。

設(shè)置一個(gè)Twilio帳戶，并獲得您的憑據(jù)

如果你還沒有，在Twilio的網(wǎng)站上注冊一個(gè)Twilio賬戶。

一旦您的帳戶設(shè)置，從Twilio控制臺(tái)獲取您的帳戶SID和認(rèn)證令牌，以及Twilio電話號碼。你需要這些來授權(quán)并通過Twilio發(fā)送短信。

在粒子控制臺(tái)設(shè)置Twilio集成

登錄到粒子控制臺(tái)并導(dǎo)航到集成部分。

點(diǎn)擊New Integration并選擇Twilio。

事件名稱：選擇一個(gè)事件名稱，如twilio_sms_alert，當(dāng)Photon 2需要發(fā)送短信時(shí)將觸發(fā)該事件。

參數(shù)：設(shè)置如下參數(shù)字段：

用戶名：您的Twilio帳戶SID。

密碼：您的Twilio認(rèn)證令牌。

Twilio SID：您的Twilio帳戶SID。

表單數(shù)據(jù)：設(shè)置表單數(shù)據(jù)字段如下：

來自：你的Twilio電話號碼。

收件人：收件人的電話號碼(短信提醒將發(fā)送到該號碼)。

Body：消息文本，它可以包括動(dòng)態(tài)值，如{{PARTICLE_EVENT_VALUE}}，如果你想從Photon 2代碼定制消息。

編譯并上傳邊緣脈沖模型到光子2

如果你選擇將你的項(xiàng)目部署到粒子庫而不是二進(jìn)制文件中，請按照以下步驟從粒子工作臺(tái)中閃現(xiàn)你的固件：

打開一個(gè)新的VS Code窗口，確保已經(jīng)安裝了Particle Workbench

使用VS Code命令面板，輸入Particle: Import Project

選擇項(xiàng)目。從Edge Impulse下載的目錄中的屬性文件。

使用VS Code命令面板，輸入Particle: Configure Project for Device

選擇deviceOS@5.9.0

選擇一個(gè)目標(biāo)。(例如P2，這個(gè)選項(xiàng)也用于Photon 2)。

編譯和Flash在一個(gè)命令與粒子：Flash應(yīng)用程序和DeviceOS(本地)

硬件

這個(gè)項(xiàng)目的核心是粒子光子2微控制器，一個(gè)輕量級和強(qiáng)大的設(shè)備，適合實(shí)時(shí)跌倒檢測。支持2.4 GHz和5ghz Wi-Fi，確保各種網(wǎng)絡(luò)環(huán)境下的可靠連接。由Realtek RTL8721DM處理器和運(yùn)行在200 MHz的ARM Cortex M33 CPU驅(qū)動(dòng)，Photon 2提供復(fù)雜，高速應(yīng)用所需的處理能力。其緊湊的外形和物聯(lián)網(wǎng)兼容性使其易于集成到可穿戴設(shè)備中。

它的板載RGB LED在本項(xiàng)目中用于直觀地指示設(shè)備狀態(tài)。RGB LED可以改變顏色來顯示不同的狀態(tài)，例如在檢測到跌倒時(shí)的警報(bào)模式或在日常監(jiān)控期間的正常運(yùn)行。這種內(nèi)置LED提供了一種快速，一目了然的方式來了解設(shè)備的狀態(tài)，而無需額外的顯示組件，以緊湊高效的方式增強(qiáng)用戶意識(shí)。

ADXL362三軸加速度計(jì)在本項(xiàng)目中用于捕獲運(yùn)動(dòng)數(shù)據(jù)。這種高性能傳感器可以檢測沿x、y和z軸的突然加速度，這對識(shí)別跌倒至關(guān)重要。其超低功耗在測量模式下僅為1.8 μ A，待機(jī)狀態(tài)下僅為300 nA，這是一個(gè)顯著的優(yōu)勢，因?yàn)樗_保了最小的電池消耗，使其成為可穿戴和電池供電應(yīng)用的理想選擇。

在這個(gè)項(xiàng)目中使用瞬時(shí)觸覺按鈕模塊作為用戶輸入的按鈕。該組件允許用戶直接與系統(tǒng)交互，提供了一種簡單的方法來控制設(shè)備，而無需額外的軟件接口。

面包板原型

首先，我們將所有內(nèi)容連接到面包板以測試項(xiàng)目。

CAD設(shè)計(jì)

摔倒檢測系統(tǒng)的外殼使用Fusion 360建模，以實(shí)現(xiàn)緊湊的可穿戴手表設(shè)計(jì)，使該設(shè)備可以舒適地佩戴在手腕上。這種配置可以密切監(jiān)測運(yùn)動(dòng)，提高跌倒檢測的準(zhǔn)確性。

手表外殼由上部和下部組成，下部牢固地固定內(nèi)部部件。使用M3 × 10mm螺釘固定。還設(shè)計(jì)了一個(gè)小按鈕盒來按下按鈕。

組裝

我們通過將加速度計(jì)連接到Photon2的后面部分開始組裝，小心地將電線焊接到位。

為了給設(shè)備供電，我們使用了一個(gè)帶有兼容連接器的400毫安鋰電池，將其放在Photon2上的加速度計(jì)上方。

然后我們固定了按鈕模塊。

最后，我們完成了所有的連接，完成了焊接工作。

接下來，我們用M3螺釘固定上下部分，并將按鈕盒定位到位。

這是我們完成的設(shè)備，并附有帶子。

系統(tǒng)是如何工作的

跌倒檢測系統(tǒng)持續(xù)監(jiān)測加速度計(jì)以識(shí)別潛在的跌倒。當(dāng)檢測到跌倒時(shí)，機(jī)載RGB LED會(huì)改變顏色以通知佩戴者。如果是錯(cuò)誤檢測，用戶可以按下按鈕取消警報(bào)，表明他們是安全的。但是，如果在5秒內(nèi)未按下按鈕，系統(tǒng)將此事件解釋為合法摔倒，并自動(dòng)向指定聯(lián)系人發(fā)送警報(bào)，確保在需要時(shí)及時(shí)提供幫助。

這能提供什么?

這款可穿戴的跌倒檢測設(shè)備重新定義了老年人的獨(dú)立性，將實(shí)用性與強(qiáng)大、精確的技術(shù)相結(jié)合，在最重要的地方創(chuàng)造了一個(gè)安全網(wǎng)。通過將ADXL362加速度計(jì)與Particle Photon 2無縫集成，并利用先進(jìn)的算法，該設(shè)備提供快速、可靠的檢測，同時(shí)通過直觀的按鈕功能減少誤報(bào)。

除了簡單的監(jiān)測之外，這種可穿戴設(shè)備還可以確保老年人在跌倒后的關(guān)鍵時(shí)刻得到及時(shí)的幫助，此時(shí)立即干預(yù)可以挽救生命。對于護(hù)理人員和親人來說，這個(gè)設(shè)備提供了急需的心靈平靜，在不影響佩戴者獨(dú)立性的情況下培養(yǎng)了一種安全感。這個(gè)可穿戴的跌倒探測器不僅僅是一個(gè)設(shè)備;這是朝著更安全、更有尊嚴(yán)的老齡化邁出的一步，強(qiáng)調(diào)了技術(shù)在未來幾年支持獨(dú)立和恢復(fù)能力方面的重要作用。

本文編譯自hackster.io