简介面向独居老人与养老院场景的跌倒检测预警装置设计报告内容围绕“非接触式微波雷达4G短信报警”的完整技术方案展开。报告从项目背景与需求分析出发介绍了包含跌倒检测、主控、短信报警和电源四大模块的系统总体架构硬件方面详述了R60AFD1雷达模块、STM32F103RCT6主控芯片及Air724UG 4G模块的选型理由与连接方式软件方面基于Keil与C语言实现了数据采集、跌倒判定、异常静止判断和AT指令短信发送并给出功能测试方法与调试过程。包体方面资源共1个docx报告文档压缩包整体约18KB轻量精炼便于在线预览或按章节查阅。报告目录完整涵盖摘要、绪论、设计方法与选择、工具与平台、实现过程、调试与测试、结论、参考文献等适合电子设计、嵌入式或物联网方向学生与开发者用于课程设计、毕业设计或产品预研。目前已有256人学习/浏览可快速了解非接触式跌倒检测方案、模块选型思路及报警流程。 老人在浴室滑倒后无法起身直到几小时后才被家人发现这种新闻几乎每年冬天都会出现几次。跌倒本身不致命致命的是跌倒后的长时间无人响应错过黄金救援时间。市面上已有的跌倒检测方案大多依赖摄像头或可穿戴设备但它们在浴室、卧室这些最需要监测的私密场景里要么触碰隐私红线要么每天充电、频繁摘戴实际落地效果并不理想。所以我把目光转向了非接触式微波雷达用雷达的回波信号感知人体运动在不拍摄任何画面的前提下完成跌倒检测和预警。这套装置我从选型到调参完整做了一轮整个过程踩了不少坑也沉淀了不少判断经验这里完整记录一下。如果你正在做跌倒检测、人员存在感知、非接触式生命体征监护这类项目或者只是想给家里的老人做一套不侵犯隐私的监测装置这篇文章可以给你一套真正可落地的设计参考包括硬件架构、算法思路、阈值标定方法以及那些文档里根本不会写的工程坑。1. 为什么是非接触式微波雷达三个被逼出来的决定先交代一下项目背景。要做跌倒检测预警初始方案其实有摄像头视觉方案、可穿戴设备方案和微波雷达方案三条路。我一开始做的不是雷达是做视觉的最终被实际情况一点点逼到了雷达这条路上。1.1 摄像头方案先被否了隐私是一道过不去的坎摄像头方案的检测算法很成熟骨骼关键点检测加摔倒分类网络上开源模型一抓一大把识别精度也相当高。但真放到卧室、卫生间这种场景里问题立刻暴露出来多数老人对摄像头有强烈的心理排斥哪怕你反复强调视频只在本地处理、不会上传也很难说服他们接受一个镜头对着床头或者淋浴间。一旦涉及隐私信任问题技术和性能再好也白搭。另外还有算力问题。想在端侧实时跑人体姿态估计至少需要一颗带NPU的芯片成本和技术门槛都上来了。如果上传到云端识别网络延迟和隐私风险又会叠加。所以摄像头方案我做了没多久就搁置了。1.2 可穿戴设备也不省心充电、佩戴与忘了戴可穿戴设备是另一种常见方案智能手环、智能手表都有跌倒检测功能。它的优势是成本低、算法成熟而且可以直接利用心率、加速度等多维数据。但我在调研老年用户群体使用情况时发现了一个很尴尬的事实大部分老人并没有养成每天给手环充电的习惯很多时候穿戴设备因为没电变成了一个装饰品。更麻烦的是忘了戴和不想戴。洗澡时摘下来、睡觉时摘下来、觉得硌手不戴了这些情况太常见了。而跌倒恰恰最容易发生在老人从床上起身、去卫生间、洗澡这些他们大概率会摘下设备的时段。一个依赖用户主动佩戴的检测设备在目标场景里天然存在覆盖盲区。1.3 微波雷达的方案优势看不见却在守护微波雷达最后胜出是因为它完美绕开了上面两个方案的死穴它不需要老人穿戴任何东西也不需要提前适应安装好之后完全无感它发射的微波信号不携带任何图像信息根本不存在拍到隐私画面的问题老人在心理上更容易接受微波还能穿透浴帘、蚊帐这类轻薄遮挡物对光线条件完全免疫关灯环境、水汽弥漫的浴室都能稳定工作。当然雷达方案也有自己的难处最大的难点集中在算法上如何从一段看似杂乱的多普勒信号里把跌倒这个瞬间动作准确提取出来还要尽可能少误报。这恰恰是这个项目的核心后面我会详细展开。2. 核心原理微波雷达如何看见跌倒很多人听到雷达两个字就觉得很神秘其实它的本质非常简单拆穿了就两句话发射电磁波分析回波的变化。2.1 多普勒效应运动本身就是信息多普勒效应大家中学物理都学过火车汽笛靠近你的时候音调变高远离的时候音调变低。微波雷达也是同一个原理。雷达模块持续向外发射固定频率的微波信号当电磁波遇到人体时会发生反射如果人体是静止的回波频率与发射频率一致一旦人体发生运动回波的频率就会偏移这个偏移量叫多普勒频移。多普勒频移的大小与目标的径向运动速度成正比。对于24GHz微波雷达频率偏移与速度的换算公式是 Δf 2v/λ其中 v 是人体运动速度λ 是微波波长。代入24GHz对应的波长约12.5mm一个0.5m/s的躯干运动大概会产生80Hz左右的多普勒频移。这个频移落在人耳可听范围内所以用音频放大电路就能直接听到雷达输出的动作声音这也是很多雷达模块可以直接接到耳机调试的原因。此时雷达输出的信号幅度代表运动强度频率代表运动速度。为了实现跌倒检测我需要把这两类信息同时利用起来只有幅度没有频率或只有频率没有幅度都不够做可靠判断。2.2 微多普勒特征为什么跌倒和坐下不一样如果只看有没有运动这个维度雷达根本区分不了跌倒和快速坐下因为两者都会造成短促而强烈的多普勒信号。真正能区分的是回波信号中更深层的信息——微多普勒特征。人体不是一个刚性整体跌倒时躯干突然加速下坠同时手臂、腿部会出现剧烈的摆动身体不同部位的运动速度不同产生的多普勒频移也不同这些频率混叠在一起会形成独特的时频图谱。而快速坐下虽然也有躯干下沉但幅度小、持续过程短手臂没有大幅挥动频移的分布范围和持续时间与跌倒有明显差异。所以我处理雷达信号时不是只看某个瞬间的输出电压而是把一段时间的信号做时频分析观察整个动作过程中频率和幅度随时间的变化形态依靠这个动作轮廓来做判断。2.3 从雷达原始数据到动作轮廓具体操作是把雷达模块输出的基带信号解调出来后用ADC以1kHz左右的采样率采集再加上短时傅里叶变换STFT处理每一小段信号比如128个采样点做一次FFT转换成频域然后随时间推移形成一张时频图。横轴是时间纵轴是多普勒频率对应用户的运动速度颜色深浅代表该时刻该速度成分的能量强弱。这张图就是跌倒检测的判据来源。正常行走时时频图上有规律地出现中等频率的条带静止时整张图几乎一片空白而跌倒时会出现一个短时间内的宽频谱强能量爆发紧接着是一段几乎完全安静的区域因为人倒地后基本不再运动。这个特征组合成了后续算法的核心判断模板。3. 硬件设计器件选型与系统架构硬件设计既要满足检测性能也要兼顾成本、功耗和部署便利性。这部分的几个取舍直接决定了整个系统的开发难度和最终体验。3.1 雷达选型多普勒雷达还是毫米波FMCW目前市面上适合做跌倒检测的微波雷达大致分两类。一类是24GHz多普勒雷达模块比如CDM324、HW-MS03这一类的输出的是经过混频解调后的基带模拟信号成本极低二三十块钱就能买到开发也简单直接接ADC采样就行。但它只有多普勒速度信息没有距离信息也没法同时分辨多个目标。另一类是60GHz毫米波FMCW雷达模块典型的是英飞凌的BGT60TR13C、TI的IWR6843这类。它们通过调频连续波的方式能同时解算出目标的距离、速度、角度直接在芯片里给出目标点云甚至能感知到呼吸、心跳这种微动信号检测精度和可靠性上限高得多。但相应的单模块成本在百元级别甚至更高开发环境复杂数据处理压力也更大。我最终选的是24GHz多普勒雷达做第一版验证主要原因是这个项目的核心目标是验证跌倒动作能否被有效识别多普勒信号已经包含了足够的运动信息。而且模拟输出直接进ADC中间没有任何封装对理解算法原理非常有帮助。如果你后续要做多房间定位、多人分辨再升级到60GHz毫米波方案也不迟。3.2 主控与通信端侧判断还是接过云端主控选型上我用了STM32F103做雷达信号采集与算法判断外挂一块ESP32负责WiFi上报两片MCU通过串口通信。之所以拆成两颗芯片是因为STM32的ADC和定时器资源用起来顺手实时性有保障ESP32的WiFi协议栈和网络库成熟稳定不用在裸机上折腾网络协议。预警消息的传递方式是这个项目的另一个关键设计点。最靠谱的方式是本地声光报警加远程通知同时做本地通过蜂鸣器和高亮LED实现声光报警保证没联网也能提醒到家人远程通知用MQTT协议推送到手机App或者微信公众号兼容性高部署也简单。如果你要在没有WiFi覆盖的场所使用可以直接替换成Cat.1物联网模块走运营商网络配置上差别不大。3.3 供电与安装位置的工程考量供电设计上室内固定安装的场景我用5V Type-C供电配一颗TP4056锂电池充电管理芯片再加一块18650电池做掉电备用。平时插电工作断电后自动切换电池供电能撑一天左右保证了设备在断电情况下依然能维持监测。整个系统的功耗控制在1W以内一颗5V2A的电源适配器就足够。安装位置我实测下来有几个经验值安装在离地面1.4到1.6米的高度雷达面板朝下倾斜15到30度这样雷达波束能覆盖床边到卫生间门口的主要活动区域。安装在墙角比安装在正对床头的墙壁效果更好因为倾斜波束得到的多普勒信号更丰富检测视角更大。千万别水平正对地面安装那样反射信号太强且单一反而容易淹没人体运动信号。4. 软件算法把跌倒从一堆波形里抠出来如果说硬件决定了这套装置的下限算法就决定了它的上限。同样一个雷达模块有人能做出一动就误报的玩具有人能做出几个月稳定运行的可靠设备差别全在数据处理和判断逻辑上。4.1 数据预处理滑动窗口与背景杂波抑制雷达基带信号进入ADC之前我先做了一级带通滤波截止频率大概在3Hz到250Hz之间。3Hz以下主要是温漂和电源噪声250Hz以上是高频干扰滤掉它们能让有效信号更干净。MCU端用滑动窗口处理采样数据窗口长度2秒每500毫秒滑动一次也就是每秒做两次判断。每次在窗口内做FFT得到频率分布。这里有一个很关键的操作静态杂波抑制。房间里所有静止物体比如床、柜子、墙壁都会产生直流偏置或者超低频分量这些分量如果不滤除遇到稍微大的噪声就会直接淹没人体信号。处理方式很简单每次采样后先减掉该通道的滑动平均值只保留时变的交流分量静止物体留下的坑位就不会干扰判断了。4.2 特征提取几个最能代表跌倒的特征量在2秒时间窗的时频图上我提取了五个特征量作为判断依据窗口能量所有频率分量的幅度平方和代表这段时间内动作的总强度。跌倒瞬间能量极高远大于日常动作。峰值多普勒频率窗口内能量最强处对应的频率代表躯干运动的最大速度。跌倒下坠瞬间速度极快。高能量持续时间能量超过阈值的时间长度。跌倒的强能量段一般持续0.5到1秒不会太长。跌倒后静止时长在强能量爆发之后紧跟着的一段低能量持续时间。这一点非常关键人倒地后如果不主动爬起会保持静止或只有微动持续时间通常超过3秒。动作突发度能量从低到高的变化斜率。跌倒的突发性极强和缓慢弯腰倒地的渐变过程完全不同。这几个特征组合起来基本可以把跌倒和坐倒弯腰躺下区分开。4.3 决策逻辑阈值判断与机器学习方案对比拿到了特征向量之后判断逻辑我用的是三级阈值法。第一级判断是否有动作用窗口能量阈值第二级判断是否疑似跌倒要求峰值频率、突发度、能量同时超标第三级确认要求强能量爆发之后的3到5秒内窗口能量低于静止阈值也就是要满足人倒地后不动了这个最终特征。三级全部满足才判定为一次跌倒事件。我为什么没有直接用机器学习方案说实话机器学习在跌倒检测上的公开论文很多随机森林、SVM都能取得不错的分类准确率。但在实际嵌入式场景里有两个现实困难一是需要大量标注数据跌倒这种动作不可能让人反复摔只能靠模拟数据扩充模拟数据与真实情况的分布偏移很难避免二是嵌入式芯片的资源有限训练好的模型动不动几兆大小树模型的判断速度虽然快但参数调优和跨场景迁移的成本很高。阈值法胜在逻辑透明、参数可调、每一条判断依据都能在时频图上直观看到方便现场调试。等产品化阶段积累了足够的真实数据再用这些数据训练分类器效果会更好。4.4 误报重灾区弯腰、挥臂、宠物走动实际测试中误报最多的几个场景我得单独拿出来说。第一个是弯腰捡东西尤其是俯身从床边捡手机躯干快速下弯再直起能量轮廓和跌倒确实很像。后来我加了一条判断弯腰时强能量段通常先向上偏转再向下而且峰值频率没有跌倒那么高通过频率分布的方向性做了部分区分但没能完全消除误报。第二个是隔着窗帘挥手。窗帘被风吹动会形成持续的低频大信号如果恰好叠加了人的挥手动作容易触动第一二级判断。我的处理方式是在三级判断里增加一个静止时段能量必须接近零的硬性条件窗帘造成的是持续非零信号会被这一步拦下来。第三个是宠物。小型犬猫的动作信号能量低、频率低一般达不到跌倒的阈值。但大型犬从沙发跳下来时产生的瞬间冲击信号接近跌倒唯一明显区别是后续不会进入长时间静止状态狗跳下来后会四处走动。通过是否出现后续静止期这个条件可以滤除掉绝大多数宠物误报。5. 实测数据与调参血泪史算法设计得再漂亮都得拿到真实环境里去被毒打一遍。这套装置我在卧室、客厅、卫生间三个场景分别做了实测测试对象是实验室的同学和我自己。在瑜伽垫上模拟跌倒分正面倒地、侧向倒地、从坐姿滑倒、从站立位置晕倒式倒地四类每个动作重复20次。同时记录正常行走、快速坐下、弯腰拾物、蹲下起立、平躺静止等对照动作作为负面样本。5.1 测试场景设计与实验数据先说结果。在传感器正面3米范围内的空旷区域四类跌倒动作的检出率都能达到95%以上平均检出率97.5%。最难检测的是从坐姿滑倒因为人从椅子上滑落的初始高度低、下落距离短产生的多普勒频移峰值比站立时低一截有几个样本的强能量段不够突出被漏掉了。针对这个问题我把第二级判断中的峰值频率阈值调低了大概15%坐姿滑倒的检出率立刻回到了100%但同时一些从椅子上猛然起身的动作开始出现误报又把阈值回调了一部分最终稳定在检出率97%左右。对照动作的误报率数据是快速坐下误报率4%弯腰拾物误报率9%挥手/挥毛巾误报率1%蹲下起立误报率3%。弯腰拾物的误报率最高基本符合预期因为这个动作的动力学特征和跌倒最接近。5.2 阈值标定灵敏度与误报的平衡调参的过程中我最大的体会是阈值没有绝对正确的值只有适合当前场景的值。独居老人居家场景宁愿多报几次假警也要确保真实跌倒不漏报而安装在医院病房医护人员对误报容忍度极低就愿意牺牲一些灵敏度换取消噪。我最后把系统设计成两级灵敏度可选居家模式和高灵敏度模式居家模式下灵敏度阈值严格高灵敏度模式放宽约20%宁可误报也不要漏报。一个有用的技巧是把所有阈值参数做成运行时可调的通过串口或者WiFi下发不用每次改代码重新烧录。我在调参时对比了不同参数在全部测试样本上的表现把每次调整后的检出率和误报率都记录在表格里。这里分享一组实测数值供参考不同模块和安装环境会有差异但可以作为初始值使用参数初始值调优后备注窗口能量阈值80006500调低以覆盖坐姿滑倒峰值频率阈值70Hz60Hz约对应0.42m/s速度高能量持续时间下限0.3s0.25s缩短以捕捉短促跌倒跌倒后静止判定时长4s3.5s缩短减少等待时间5.3 真实环境中的意外情况实验室数据漂漂亮亮装到真实环境里马上就会遇到匪夷所思的意外情况。第一件是金属床架。床架的金属管会产生强镜面反射雷达发射的信号在床架和墙壁之间来回反射形成持续存在的混响信号。这种信号叠加在人体信号上会让时频图出现很多虚假的平行条纹一度导致多次误报。解决方式是把雷达安装位置从床的正前方移到床的斜前方避开金属床架的反射主路径。另外一个有用的操作是提高检测阈值并降低发射功率如果模块支持功率调节的话适度降低发射功率反而能让近距离金属反射的影响变小。第二件是水汽。卫生间洗澡时水蒸气对24GHz微波的衰减不算严重但浴室内细密的水珠和水流溅射会产生大量高频散射信号跟跌倒信号的频谱非常像。实测下来洗澡场景的误报率明显上升。我的处理方式是在算法里加了一个环境状态感知功能当检测到高频信号持续存在且不呈突发特征时判定为高噪声环境自动提高触发阈值。代价是洗澡时如果真实跌倒检测灵敏度会降低但至少不至于一天报几十次假警把家人磨得麻木。第三件是睡觉时的翻身。平躺时如果掀被子动作过大可能产生短暂的强信号但翻身动作通常持续不超过0.3秒且不会伴随完整的强能量-静止模式所以三级判断能拦下大部分。真正需要留意的是起夜场景老人睡醒后从床上直接坐起如果动作过快容易触发疑似跌倒的第二级判断不过第三级跌倒后静止不满足最终不会报警。6. 从能跑到能用可靠性设计心得检测算法调准了只是万里长征走了一半。一套真正能长期在老人家里运行的设备还需要解决消息不可达、设备僵死、异常掉电这些看似不是核心功能的工程问题。6.1 消息可达与掉线重连报警消息如果因为网络抖动丢了整个系统就形同虚设。我的处理方式是在MQTT协议之上做了一套本地确认机制报警消息发送后如果设备在10秒内没有收到云端回执本地蜂鸣器会持续鸣叫同时设备侧保存报警事件等待网络恢复后自动补发。补发机制在CS架构里不算新鲜但在这种小设备上还是值得认真落实的因为老人家里的WiFi稳定性通常比我们想象得差得多。同时ESP32端需要做掉线自动重连。我遇到过好几次设备长时间运行后WiFi连接悄悄断掉设备不报警云端也看不到状态的情况。后来在代码里加了一个定时心跳每30秒上报一次云端如果连续3个心跳周期没有收到消息就判定设备离线并推送通知给管理员。这个机制的实用价值甚至超过了跌倒检测本身因为设备还活着本身就是一条关键信息。6.2 设备状态自检与低电量上报备用电池的电量检测我一直保留在系统里。TP4056充电管理芯片带有一个电量指示引脚配合一个简单的分压电路MCU每十分钟读一次电池电压。低于3.4V就上报低电量消息提醒家人更换备用电池或通电充电。别小看这个功能我在测试阶段就遇到过两次因为电池亏电导致备用电源完全不起作用的尴尬情况有状态上报后至少能在出问题之前发现隐患。软件层面MCU开启独立看门狗主循环里每秒钟喂狗一次。如果因为干扰导致程序跑飞看门狗会在3秒内复位系统复位后自动恢复之前的运行状态。这套机制我用下来非常必要雷达模块输出的模拟信号偶尔会串入较强电磁干扰造成MCU异常如果没有看门狗设备就可能陷入僵死状态而家人并不知情。6.3 安装角度的现场调优最后说一个我在安装环节总结出来的实用技巧。好的安装角度能让算法事半功倍安装角度不对再好的算法也会频繁漏报或误报。实测下来雷达模块与垂直方向夹角30度左右探测效果覆盖最均衡。这个角度下人体站立时的多普勒信号方向性最强倒地瞬间的躯干下坠能与波束方向形成较大夹角从而产生明显的高频分量。还有一个容易被忽略的点雷达信号会在多个表面之间反弹所以安装位置附近如果有大面积玻璃镜面要尽量避开。卫生间里的镜子、瓷砖墙面都是重灾区。如果实在避不开可以在镜面前方约30厘米处用一块纸板或亚克力板做遮挡做一个简单的定向屏蔽罩实测能明显减少反射干扰。这套装置从原理验证到现在经历了无数轮误报-调参-再误报的循环。我最大的收获不是最终跑通的那版代码而是形成了对雷达信号和人体动作关系的直觉任何一次判断都要能回到时频图上找到依据。很多算法上的拍脑袋参数在时频图上其实都有清晰可见的模式对应关系。如果你也在做类似的非接触式检测项目建议你先把雷达的原始输出接到上位机上多看一眼真实的信号形态再动手写判断逻辑这比任何现成方案都更有帮助。本文还有配套的精品资源点击获取