CN103211599A - 一种监测跌倒的方法及装置 - Google Patents

Abstract

本发明一种监测跌倒的方法及装置，所述的监测跌倒的方法采用模式识别的方法，通过构建基于支持向量机的人体跌倒行为识别模型，筛选出可以作为人体跌倒判断的标准特征向量，通过支持向量机模式识别以及倾角阀值的联合判断来识别人体的跌倒状态。装置由加速度传感器、微控制器、GPS模块和GSM模块等组成，通过所述监测跌倒的方法，对跌倒过程中的加速度及倾角数据进行实时监测，能够正确的识别出人体跌倒的状态，并及时的把跌倒信息及方位发送给用户的家属及社区医院的看护人员，以便及时施救。本发明的跌倒检测更加可靠，提高了判断跌倒正确率，有效地降低个体差异误差，极大地提高了对不同跌倒类型的识别能力。

Description

一种监测跌倒的方法及装置

技术领域

本发明属于自动化检测领域，尤其是涉及一种监测跌倒的方法及装置。

背景技术

跌倒是老年人常见的伤害事件，是老年人群伤残、失能和死亡的主要原因之一，对老年人的健康和生活威胁甚大，给家庭和社会带来巨大的负担和损失，是老年人重要的卫生保健问题，也是一个应予重视的社会问题。

跌倒是老年人常见的伤害事件，是老年人群伤残、失能和死亡的主要原因之一，对老年人的健康和生活威胁甚大，给家庭和社会带来巨大的负担和损失，是老年人重要的卫生保健问题，也是一个应予重视的社会问题。

老年人由于行动不便，且常患有高血压、脑卒中、心脏病等疾病，因此跌倒发生率高、后果严重，成为高龄老年人首位伤害死因。随着我国人口老龄化的日趋严重，年轻一代在少子化情况下的生活及工作压力加大，忙于工作，老龄人的生活起居缺乏有效的照顾和陪护，使得老年人在跌倒时不能及时得到救助，严重危及老年人的生活质量和生命安全。因此对老年人在生活中的跌倒行为进行监测，当检测到老人摔倒时能及时报警和求助，以便于及时施救，对提高老年人生活质量和保护老年人身心健康有着重要的意义。

目前国内大多数针对老年人的技术研究依然只是停留在医疗看护的被动层面。而在西方发达国家，特别是美国、日本。近些年，有许多大学和研究机构在政府和社会的支持下在摔倒检测技术方面开展了人性化的、以改善老人生活品质为目标的大量研究工作。目前对于监测跌倒的方法主要有三类基本方法：(1)基于视频图像的分析，对象的实时运动由摄像头监测，其不足之处是不能保证用户的隐私安全，只能在固定场所安装使用，离开摄像头监控范围就无法工作。(2)基于声频信号的分析，跌倒事件由分析冲击导致振动的频率部分判断，但其安装比较复杂，资金投入也比较大。(3)基于穿戴式的装置检测，主要有两种：一种是通过腰部佩戴加速度计和倾角计测量跌倒时加速度和倾角的变化，再根据相应的实验和计算设定阀值参数设定来判断人体是否发生跌倒，但由于倾角计与加速度计存在工作时算法执行上的不同步性容易产生误报或者漏报。另一种是通过在鞋底安装应变传感器测量足底受力状态或者加速度传感器测量脚部的加速度，再根据支持向量机、神经网络、等算法来实现摔倒检测，由于该方法监测跌倒的信号检测方面存在着一些缺陷，从而限制了这些理论上很优秀的算法的实际应用效果。

基于阈值的识别算法是目前跌倒识别研究领域中将为经典的研究方法。阐值法的算法设计比较直观,在算法的实现方面相对来说也较容易,所以这种方法是目前最普遍的研究方法，它的不足是出阈值的设定对识别结果影响很大，阈值的取得往往是建立在经验或是实验数据的基础之上，若是用的是经验值便不容易得知阈值的准确度如何，经验阈值法的模糊识别容易造成的人的个体差异误差，识别模型复杂度较高。

发明内容

有鉴于此，为解决上述技术问题，本提供一种监测跌倒的方法及装置，基于支持向量机算法，能够高效、可靠地解决老年人摔倒行为过程的检测与判别问题，可以通过简单的加速度等人体的运动状态数据及倾角测量和处理分析，识别出跌倒行为。

本发明的所提供的一种监测跌倒的方法，包括下列步骤：

1)构建基于支持向量机的人体跌倒行为识别模型；

2)实时检测人体的运动状态数据，通过基于支持向量机的人体跌倒行为识别模型，判定人体是否跌倒。

3）判定跌倒后的报警

所述构建基于支持向量机的人体跌倒行为识别模型进一步包括步骤：

1)构建特征样本：采集设定时间内人体不同行为模式的运动状态数据，进行预处理后形成运动状态样本特征向量，构建特征向量库；

2)训练分类器：根据基于支持向量机原理，分别用人体不同行为模式的运动状态数据构成的特征样本进行训练，得到用于检测人体跌倒状态的支持向量机模型；

3）构建跌倒识别模型：从训练特征样本中提取用于识别跌倒行为的标准特征向量，构建跌倒模板库。

优选的，所述的运动状态数据为加速度数据。

优选的，所述判定人体是否跌倒进一步还包括对人体躯干倾角是否满足倾角设定值的判断。

优选的，所述判定人体是否跌倒进一步还包括对人体躯干倾角满足倾角设定值的持续时间是否达到设定持续时间的判断。

本发明进一步提供一种监测跌倒的装置，包括微处理器模块和与其连接的传感器模块、声音报警模块、输入按键；所述的传感器模块用于检测人体的运动状态数据；所述的微处理器模块，用于接收所述运动状态数据，对数据分析处理，判定人体是否发生跌倒；所述声音报警模块用于发出报警声音；所述输入按键用于向微处理器模块输入外部指令和数据，设定微处理器模块的工作模式；所述的对数据分析处理，判定人体是否发生跌倒包括：

1）构建基于支持向量机的人体跌倒行为识别模型；

2)实时接收所述的运动状态数据，通过基于支持向量机的人体跌倒行为识别模型，判定人体是否跌倒。

所述构建基于支持向量机的人体跌倒行为识别模型可进一步包括：

1)构建特征样本：采集设定时间内人体不同行为模式的运动状态数据，进行预处理后形成运动状态样本特征向量，构建特征向量库；

2)训练分类器：根据基于支持向量机原理，分别用人体不同行为模式的运动状态数据构成的特征样本进行训练，得到用于检测人体跌倒状态的支持向量机模型；

3）构建跌倒识别模型：从训练特征样本中提取用于识别跌倒行为的标准特征向量，构建跌倒模板库。

优选的，所述的传感器模块为加速度传感器，所述的运动状态数据为加速度数据，所述判定人体是否跌倒还包括对人体躯干倾角是否满足倾角设定值的判断和对人体躯干倾角满足倾角设定值的持续时间是否达到设定持续时间的判断，所述的人体躯干倾角通过对所述的加速度数据运算获得。

所述的一种监测跌倒的装置还可进一步包括与所述的微处理器模块连接的GPS模块、无线通讯模块；所述GPS模块用于测定人体所处的位置，并将位置数据传送给微处理器模块；所述无线通讯模块用于接收微处理器模块发出的指令和数据，向外报告人体跌倒的信息和方位。

优选的，所述的无线通讯模块为GSM模块。

本发明通过基于支持向量机采用模式识别的方法，可有效地滤除各种干扰，降低特征空间的维度，从而大幅提高跌倒检测的准确性和可靠性；同时本发明具有很高的性价比，使用本发明可以大幅降低产品成本，使用低功耗的传感器处理器产生可观的节能效益，该模块体积小重量轻易于佩戴方便使用。

本发明的有益效果：

1．通过支持向量实现利用加速度等人体运动状态数据进行跌倒检测，其模式识别以及倾角满足设定值的联合判断，使得检测更加可靠，错报和误报率低，速度快，极大地提高了判断跌倒正确率。

2．运用统计模式识别的思路来实现的跌倒识别算法，能有效地降低经验阈值法模糊识别造成的人的个体差异误差。

3．通过模式识别的方法，能把人体跌倒的各种特征数字化的特征描述出来，较好地反映了跌倒过程的特征，极大地提高了对不同跌倒类型的识别能力。

4．对于人体发生较为复杂的跌倒行为时，也能有良好的识别效果。把发生跌倒时的加速度数字化波形特征存储起来,便于系统优化，同时识别算法易于自学习与更新。

附图说明

图1，本发明提出的监测跌倒的方法步骤示意图；

图2，本发明提出的监测跌倒的装置结构示意图；

图3，构建基于支持向量机的人体跌倒行为识别模型算法流程图

图4，跌倒过程中的加速度变化曲线图；

图5，六种典型的跌倒类型示意图；

图6，跌倒检测流程图

图7，本发明提出的跌倒检测装置使用佩戴位置示意图

具体实施方式

下面结合附图和具体实施方式对本发明作进一步的描述：

针对人体跌倒判别问题，依据模式识别的思想，采用支持向量机方法建立跌倒检测模型。首先，综合考虑人体跌倒过程中的多方面因素，采用主成分分析方法完成对上躯干合加速度及偏离竖直方向的倾斜角度特征的提取，然后将通过实证方法建立跌倒检测模型分类器筛选出可以作为人体跌倒判断的特征向量，再通过大量实验数据确定人体摔倒行为过程中的上躯干倾角阀值。当一个行为跟跌倒模式类具有更好的相似度时,便可将这个行为或分为跌倒模式类。每个模式类不同于其它模式类的衡量指标为标准特征向量。

跌倒行为是人在生活中可能会发生的众多行为中的一种,有着自身独有的特点,与其它的行为如下楼梯、弯腰、跑歩等等有明显的区别,并且这些区别可以过一些数字化的特征描述出来。数字化的特征组成模式的特征向量,不同模式的特性向量不同能作为区分跌倒模式与其它行为模式的判别依据。由此可以通过选择和提取合适的特征值组成特征向量的方法,将跌倒和其它行为区分开来。

如图1和图6所示，本发明的所提供的一种监测跌倒的方法的实施例，包括下列步骤：

（一）构建基于支持向量机的人体跌倒行为识别模型，如图3所示，包括步骤：

1）构建特征样本：采集设定时间内人体不同行为模式的运动状态数据，进行预处理后形成运动状态样本特征向量，构建特征向量库；优选的，运动状态数据为加速度数据。

上述的人体不同的行为模式包括人体正常活动的状态和人体跌倒的状态类型。

人体运动过程中，加速度传感器不同时刻的坐标系随着人体姿势的改变而改变为了减少运算复杂性，消除不同时刻加速度输出值的坐标映射关系，引入合加速度AA(t)

$\mathrm{AA}\left(t\right)=\sqrt{a_{x,t}^2+a_{y,t}^2+a_{z,t}^2}---\left(1\right)$

公式（1）中a_x,t,a_y,t,a_z,t分别表示加速度传感器采集到的X,Y,Z三轴方向上的加速度。

为了对支持向量机模型进行训练，采集两组人体运动状态的样本数据,包括跌倒组和非跌倒组（即正常组）。如图5所示，跌倒组包括前向跌倒、后向跌倒、左侧跌倒、右侧跌倒、仰躺跌倒和俯卧跌倒六种跌倒类型，图4显示了六种跌倒类型的加速度曲线图。非跌倒组主要用于包括日常行为中类似跌倒的行为比如下楼梯、坐着-躺下、站立-坐下、站立-蹲下、跑歩、弯腰等六种典型的正常行为类型。以100Hz采样频率（即每秒采集100组三轴加速度值）分别对六种典型的正常行为类型和六种跌倒类型加速度数据进行采集并通过公式（1）计算出对应的合加速度AA(t)，经实验观察，本装置判断人体跌倒行为时间约为4秒左右，因此，选择采集六种正常行为类型和六种跌倒类型的各4秒设定时间内的样本数据，即每种类型各400个样本数据。选取前向跌倒、后向跌倒、左侧跌倒、右侧跌倒、仰躺跌倒和俯卧跌倒六种跌倒类型的样本，下楼梯、坐着-躺下、站立-坐下、站立-蹲下、跑歩、弯腰等六种典型的正常行为类型的样本，分别构成六维的特征向量：

x_i=(AA₁,AA₂,AA₃,AA₄,AA₅,AA₆)，x_i中下标i表示样本序列，i=1,...,400。

用w_k表示人体行为活动的不同状态类型，w_k中的k=+1或-1，w₊₁表示人体跌倒状态类型，w_-1表示人体正常行为活动状态类型，跌倒类型的样本为正样本样本，设定其样本类别为y_i=w₊₁，正常行为类型的样本为负样本，设定其样本类别为y_i=w_-1。

每种类型各组成400个特征向量，由所有获得的特征向量组成特征向量库。

2)训练分类器：根据基于支持向量机原理，分别用人体不同行为模式的运动状态数据构成的特征样本进行训练，得到用于检测人体跌倒状态的支持向量机检测器；

根据基于支持向量机原理，分别用人体正常行为活动和跌倒两种状态类型各组成的400个特征向量，构成训练特征样本，进行训练，求解二次优化问题，即可以得到用于检测人体跌倒状态类型w₊₁的支持向量机检测器。

人体跌倒的识别问题是典型的二分类问题即判断跌倒与非跌倒状态，对于线性可分的二分类问题，得到样本集为(x_i,y_i),x∈R⁶,i=1,2,...,400，y_i为对应的期望输出y_i∈{w₊₁,w_-1}。有一个超平面将这两类完全分开，这样的超平面可描述为：

(w.x_i)+b=0      (2)

根据支持向量机原理，利用w₊₁和w_-1两个状态的训练特征样本训练求解二次优化问题，对于二次优化问题可由拉格朗日（Lagrange）方法求解。引入Lagrange乘子，可将此问题的求解转化为求解其对偶问题：

$\max \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i-\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_j{y}_i{y}_{j}K(x_i,x_j)---\left(3\right)$

s.t.0≤a_i≤C且

i=1，...，N

获得输入数据分类的决策函数为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{y}_{i}K(x_i,x)+b)---\left(4\right)$

式中x_i，x_j是训练样本的特征向量；a_i、a_j是与x_i，x_j对应的拉格朗日乘子，b为常量，C是用于表示对分类错误的惩罚程度的参数，这里C取值1，K(x_i,x_j)是非线性映射对应的核函数，优选的，该核函数取径向基（RBF）函数：

$K(x,x^{\′})(-\frac{{\left|\right|x-x^{\′}\left|\right|}^2}{{\mathrm{\σ}}^2})---\left(5\right)$

优选的，设置径向基函数的σ=0.5。

3）构建跌倒识别模型：从训练特征样本中提取用于识别跌倒行为的标准特征向量，构建跌倒模板库。

对支持向量机进行训练后，可计算得到每一个训练样本特征向量的Lagrange乘子（拉格朗日系数）a_i，对应的Lagrange乘子a_i满足0<a_i<C且f(x)≥0的样本特征向量被称作支持向量，表示识别对象（人体行为状态）处于w₊₁状态即跌倒状态，如果Lagrange乘子a_ia_i满足0<a_i<C且f(x)<0，表示识别对象（人体行为状态）处于w_-1状态即正常行为运动状态。据此，可以从众多的作为训练样本的特征向量中，提取出作为跌倒检测判别的标准特征向量，组成跌倒模板库。

（二）实时检测人体的运动状态数据，通过基于支持向量机的人体跌倒行为识别模型，判定人体是否跌倒。

通过传感器模块（加速度传感器），以100Hz采样频率（即每秒采集100组三轴加速度值）实时采集4秒设定时间内的人体运动状态数据，即加速度数据，并通过公式（1）计算出对应的合加速度AA(t)，获得400个加速度检测样本数据，组成特征向量样本。

跌倒模板库中的标准特征向量就是训练过程中决定的支持向量机，支持向量机决策过程可以看做是一种相似性比较过程，将特征向量样本与跌倒模板库中的一系列标准特征向量进行比较，可识别出特征向量样本的所属的状态类型，采用的相似性度量就是RBF核函数。

将实时检测人体运动状态数据所获得的特征向量样本，与跌倒模板库的标准特征向量比较,由RBF核函数相似性度量，判断是否属于跌倒类型的特征向量,从而判定人体是否发生跌倒。

优选的，所述判定人体是否跌倒进一步还包括对人体躯干倾角是否满足倾角设定值的判断。当人体发生跌倒后，人体的躯干部分发生一个明显的倾角变化，倾角的测量采用的是360°全角测量，主要的优势在能够在各个象限进行区分，并且能360°全角测量，对于人体任何方向的倾角变化都能检测，在平面倾斜角θ与轴的加速度关系公式为：

式中θ为两轴间的夹角，A_X，A_Y分别为X轴方向的静态加速度以及Y方向的静态加速度。

跌倒过程中，人体躯干倾角与与初始状态的人体倾角比较会有一个较大的变化量，当实时检测得到的特征向量样本被识别为跌倒类型时，通过公式（2）计算出人体倾角变化量Δθ，与预设好的倾角设定值，即倾角阀值θ_limit做对比，来最终判断是否发生跌倒，当Δθ≥θ_limit时，则可判断人体发生跌倒。所述的倾角阀值θ_limit可通过大量实验数据得出。

优选的，所述判定人体是否跌倒进一步还包括对人体躯干倾角满足倾角设定值的持续时间是否达到设定持续时间的判断。

为了消除当人体跌倒后能迅速站起的误报，当实时检测得到的特征向量样本被识别为跌倒类型，且人体倾角变化量Δθ≥θ_limit时，开始对此种状态持续的时间进行计时测定，如果经过4秒的设定持续时间后人体倾角变化量Δθ≥θ_limit条件还满足，则最终判断人已经发生跌倒。

（三）判定跌倒后的报警。最终判定人体发生跌倒后，通过各种现有的报警方式，报告发生跌倒的信息。

如图2所示，本发明提供一种监测跌倒的装置，包括微处理器模块以及与其相连接的传感器模块、GPS模块、声音报警模块、无线通讯模块、输入按键；传感器模块用于检测人体的运动状态数据；微处理器模块安装有用于监测跌倒的软件，能够接收所述运动状态数据，对数据分析处理，判定人体是是否跌倒；声音报警模块用于发出报警声音；输入按键用于向微处理器模块输入外部指令和数据，设定微处理器模块的工作模式；GPS模块用于测定人体所处的位置，并将位置数据传送给微处理器模块；无线通讯模块用于接收微处理器模块发出的指令和数据，向外报告人体跌倒的信息和方位。

上述的对数据分析处理，判定人体是否发生跌倒，是指微处理器模块执行以下工作：

（一）构建基于支持向量机的人体跌倒行为识别模型，其技术特征与上述的一种监测跌倒的方法相同，不再赘述。

（二)实时接收所述的运动状态数据，通过基于支持向量机的人体跌倒行为识别模型，判定人体是否跌倒，其技术特征与上述的一种监测跌倒的方法相同，不再赘述。

优选的，所述的传感器模块为加速度传感器，所述的运动状态数据为加速度数据，所述判定人体是否跌倒还包括对人体躯干倾角是否满足倾角设定值的判断和对人体躯干倾角满足倾角设定值的持续时间是否达到设定持续时间的判断，所述的人体躯干倾角通过对所述的加速度数据运算获得。

优选的，上述的无线通讯模块为GSM模块。

当最终判定人体发生跌倒后，微处理器模块控制声音报警模块发出报警声音，以引起周边人的注意及时施救，同时微处理器模块还向GSM模块发送指令和数据，通过控制GSM模块向外报告人体跌倒的信息和方位，将报警信息发送给相应的监护中心和监护人。此功能能快速定位使用者所处的位置，大大降低急救难度，对监护者和被监护者都有极大帮助。

进一步的，此监测跌倒的装置还可以包括震动、闪光等报警单元。

如果使用者在跌倒后意识还较为清醒且具有一定的自理能力，使用者还可以通过装置上的输入按键来进行手动报警。

如图7所示，本发明的一种监测跌倒的装置在使用时置于腰部,理由如下:①相对于头部来说,置于腰部方便长期佩戴,对生活干扰较小,不适感较低;②手部动作复杂,从手部动作变化中难于提取有用信息;③以往的研究证明可将骨盆视为人体的中心,因此腰部的加速度值的变化更能反映人体重心的变化。

本发明中，所采用的跌倒类型均是六种典型的跌倒类型,对于其它非典型的跌倒类型或是环境的影响,采用同样的方式，采集非典型的跌倒类型的运动状态数据，形成非典型跌倒类型的特征向量样本，通过对支持向量机进行训练后，得到该非典型跌倒类型的标准特征向量，添加进模板库中即可。

本发明能够比较准确地判断出跌倒与否，通过支持向量机模式识别以及倾角阀值的联合判断极大地提高了判断跌倒正确率。

以上仅为通过优选实施例对本发明的主要原则和精神进行的陈述，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化，凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种监测跌倒的方法，其特征是包括下列步骤：

1) 构建基于支持向量机的人体跌倒行为识别模型；

2)实时检测人体的运动状态数据，通过基于支持向量机的人体跌倒行为识别模型，判定人体是否跌倒；

3）判定跌倒后的报警。

2.根据权利要求1所述的一种监测跌倒的方法，其特征是，所述构建基于支持向量机的人体跌倒行为识别模型包括步骤：

1) 构建特征样本：采集设定时间内人体不同行为模式的运动状态数据，进行预处理后形成运动状态样本特征向量，构建特征向量库；

2)训练分类器：根据基于支持向量机原理，分别用人体不同行为模式的运动状态数据构成的特征样本进行训练，得到用于检测人体跌倒状态的支持向量机模型；

3）构建跌倒识别模型：从训练特征样本中提取用于识别跌倒行为的标准特征向量，构建跌倒模板库。

3.根据权利要求1、2之一所述的一种监测跌倒的方法，其特征是，所述的运动状态数据为加速度数据。

4.根据权利要求3所述的一种监测跌倒的方法，其特征是，所述判定人体是否跌倒还包括对人体躯干倾角是否满足倾角设定值的判断。

5.根据权利要求4所述的一种监测跌倒的方法，其特征是，所述判定人体是否跌倒还包括对人体躯干倾角满足倾角设定值的持续时间是否达到设定持续时间的判断。

6.一种监测跌倒的装置，包括微处理器模块和与其连接的传感器模块、声音报警模块、输入按键；所述的传感器模块用于检测人体的运动状态数据；所述的微处理器模块，用于接收所述运动状态数据，对数据分析处理，判定人体是否发生跌倒；所述声音报警模块用于发出报警声音；所述输入按键用于向微处理器模块输入外部指令和数据，设定微处理器模块的工作模式；其特征是，所述的对数据分析处理，判定人体是否发生跌倒包括：

1）构建基于支持向量机的人体跌倒行为识别模型；

2)实时接收所述的运动状态数据，通过基于支持向量机的人体跌倒行为识别模型，判定人体是否跌倒。

7.根据权利要求6所述的一种监测跌倒的装置，其特征是，所述构建基于支持向量机的人体跌倒行为识别模型包括：

1) 构建特征样本：采集设定时间内人体不同行为模式的运动状态数据，进行预处理后形成运动状态样本特征向量，构建特征向量库；

2)训练分类器：根据基于支持向量机原理，分别用人体不同行为模式的运动状态数据构成的特征样本进行训练，得到用于检测人体跌倒状态的支持向量机检测器；

3）构建跌倒识别模型：从训练特征样本中提取用于识别跌倒行为的标准特征向量，构建跌倒模板库。

8.根据权利要求6、7之一所述的一种监测跌倒的装置，其特征是，所述的传感器模块为加速度传感器，所述的运动状态数据为加速度数据，所述判定人体是否跌倒还包括对人体躯干倾角是否满足倾角设定值的判断和对人体躯干倾角满足倾角设定值的持续时间是否达到设定持续时间的判断，所述的人体躯干倾角通过对所述的加速度数据运算获得。

9.如权利要求6、7之一所述的一种监测跌倒的装置，其特征是，还包括与所述的微处理器模块连接的GPS模块、无线通讯模块；所述GPS模块用于测定人体所处的位置，并将位置数据传送给微处理器模块；所述无线通讯模块用于接收微处理器模块发出的指令和数据，向外报告人体跌倒的信息和方位。

10.如权利要求9所述的一种监测跌倒的装置，其特征是，所述的无线通讯模块为GSM模块。

Images