歐國(guó)維 蒙山

摘 要： 老年人跌倒受傷的問(wèn)題已經(jīng)隨著人口老齡化顯得非常突出，目前主流的跌倒檢測(cè)算法既不實(shí)用也不準(zhǔn)確。為此提出一種新的基于加速度計(jì)、陀螺儀和磁力計(jì)的跌倒檢測(cè)算法。把人的活動(dòng)姿勢(shì)分平躺姿態(tài)和非平躺姿態(tài)，并假設(shè)在跌倒后檢測(cè)到躺臥姿勢(shì)。檢測(cè)算法分三步：四元數(shù)卡爾曼濾波，姿態(tài)識(shí)別，活動(dòng)強(qiáng)度分析。通過(guò)安裝在腰部的九軸傳感器采集數(shù)據(jù)，通過(guò)四元數(shù)卡爾曼濾波器，使系統(tǒng)可以獲得在地面坐標(biāo)系統(tǒng)中人體姿態(tài)矢量。人體的姿態(tài)矢量包括歐拉角、四元數(shù)、加速度。歐拉角用于確定平躺姿態(tài)和非平躺姿態(tài)，四元數(shù)和加速度用來(lái)分析平躺時(shí)的活動(dòng)強(qiáng)度。該算法具有計(jì)算量小、實(shí)時(shí)性好并且檢測(cè)精度高、檢測(cè)方便的特點(diǎn)。

關(guān)鍵詞： 老人; 跌倒檢測(cè); 歐拉角; 卡爾曼濾波方程; 姿態(tài)檢測(cè); 活動(dòng)強(qiáng)度

中圖分類號(hào)： TP311 ? ? ?文獻(xiàn)標(biāo)志碼： A

Fall Detecton for Elder People Based on Mult-sensor Fuson

OU Guowe， MENG Shan

（College of Electroncs and nformaton Engneerng， Shenzhen Unversty， Shenzhen 518052）

Abstract： Fall related njury s a central problem for the elder people. But prevalent methods are nether practcal nor useful n accuracy. Ths paper proposes a novel fall detecton algorthm usng accelerometers， gyroscopes and magnetometers. n our study， we dvde human actvtes nto two categores： lyng posture and no-lyng posture. We assume that a lyng posture s detected after falls. The proposed algorthm has three steps： quaternon Kalman flter， posture recognton， actvty ntensty analyss. The data are obtaned by usng nne-axal nertal measurement unt attached on the wast. Usng the quaternon Kalman fler， the system can obtan body's posture vectors measured n the frame of reference of the ground. The body's posture vectors nclude Euler angles， quaternon， acceleraton， etc. The Euler angles are used to determne the lyng posture or no-lyng posture. The quaternon and acceleraton are used to analyze actvty ntensty when lyng posture are detected. The proposed method features low computatonal cost and real-tme response. n addton， t has a nce accuracy and convenent n detect falls.

Key words： Elder; Fall detect; Euler angle; Posture recognton; Actvty ntensty

0 引言

世界衛(wèi)生組織（WHO）2016年9月報(bào)道指出跌傷是世界各地意外或非故意傷害死亡的第二大原因。大約10%到15%的跌倒會(huì)導(dǎo)致老年人嚴(yán)重受傷，65歲以上老人當(dāng)中超過(guò)33%的每年跌倒一次[1-2]。大多數(shù)老年人更愿意獨(dú)自一人住在家里，他們可以接受新技術(shù)，前提是技術(shù)能夠不影響他們的生活，且需要保證安全[3-4]。因此可靠的跌倒智能檢測(cè)對(duì)于搶救老年人和避免更嚴(yán)重的后果是非常重要的[5-6]。

人體可穿戴裝置包括加速度傳感器和陀螺傳感器[7]，主要用于檢測(cè)人體的運(yùn)動(dòng)，特別是跌倒。本文還對(duì)可穿戴式跌落探測(cè)器的位置優(yōu)化進(jìn)行了研究，由于加速度信號(hào)相似，且在不同跌落類型之間分布均勻，因此建議在腰部設(shè)置位置更有效[8-9]。此外，腰部附加探測(cè)器位于身體重心附近，除了手臂和腿的特征之外，提供了關(guān)于受試者的姿勢(shì)和運(yùn)動(dòng)的可靠信息[10]。

一些跌倒檢測(cè)算法假定跌倒事件具有大的加速度變化，并且使用單個(gè)三軸加速度計(jì)獲得物體在三個(gè)方向上的加速度。這種方法是使用由跌倒事件數(shù)據(jù)集[11-12]確定的單個(gè)閾值來(lái)實(shí)現(xiàn)的。然而，只關(guān)注大的加速度可能導(dǎo)致從諸如快速坐下的類似跌倒活動(dòng)中的許多假陽(yáng)性檢測(cè)。

本文提出了一種新的跌倒事件檢測(cè)方法，將人體活動(dòng)分為兩個(gè)姿勢(shì)：平躺姿態(tài)和非平躺姿態(tài)。我們假設(shè)平躺姿態(tài)是在跌倒后被檢測(cè)到的，為了檢測(cè)跌倒，我們的系統(tǒng)有三個(gè)步驟：四元數(shù)卡爾曼濾波，姿態(tài)識(shí)別和活動(dòng)強(qiáng)度分析。九軸傳感器（加速度計(jì)、陀螺儀、磁強(qiáng)計(jì)）基于可穿戴裝置安裝在人的腰部。跌落檢測(cè)系統(tǒng)采用四元數(shù)卡爾曼濾波得到人體的四元數(shù)、歐拉角和加速度。如果檢測(cè)到躺姿，我們可以利用加速度來(lái)分析活動(dòng)強(qiáng)度，并確定老人是否跌倒。實(shí)驗(yàn)結(jié)果表明，該算法比其他算法具有更高的精度[12-13]。該算法計(jì)算量低。該方法也可以嵌入在可穿戴設(shè)備上。

2 問(wèn)題提出

老年人的跌倒事件數(shù)據(jù)難以獲取。跌倒事件研究通過(guò)在一個(gè)安全的控制環(huán)境中讓年輕人模擬跌倒。日常生活活動(dòng)（ADL）是由年輕人和老年人模擬的。

A. 數(shù)據(jù)獲取

考慮到所提出的方法需要加速度、角速度和地磁來(lái)檢測(cè)跌落。一個(gè)單一的3軸加速度計(jì)可以提供物體在3個(gè)方向上的加速度，包括重力的影響。當(dāng)我們的跌倒檢測(cè)器固定在人體上時(shí)，將建立一個(gè)坐標(biāo)。陀螺儀可以提供角速度并獲得人體姿態(tài)信息。三軸磁力計(jì)可以檢測(cè)3個(gè)方向的磁強(qiáng)度，還可以提供水平面上的角運(yùn)動(dòng)信息。在所開(kāi)發(fā)的方法中，傳感器MPU-9250用于設(shè)計(jì)可佩戴跌落檢測(cè)器，如圖1所示。

MPU-9250傳感器芯片是一種多芯片模塊，包括三軸加速度計(jì)、三軸陀螺儀和三軸磁力計(jì)。采樣率帶寬應(yīng)超過(guò)人體運(yùn)動(dòng)的特征響應(yīng)[13]，所以我們的跌倒檢測(cè)器的采樣率設(shè)置為120赫茲。

為了得到更有效的跌倒數(shù)據(jù)集和ADL數(shù)據(jù)集，一個(gè)問(wèn)題是哪個(gè)位置能更有效地反映人體跌倒情況。許多研究者已經(jīng)做了大量的工作來(lái)找到能夠有效地反映跌倒事件的身體部位。根據(jù)Maart Kangas和其他研究者對(duì)跌倒檢測(cè)的研究，我們知道腰部是反映跌倒事件的最有效的位置。跌倒模擬實(shí)驗(yàn)?zāi)康氖谦@得更逼真的模擬數(shù)據(jù)，下面將詳細(xì)介紹。

B. 模擬跌倒與ADL研究

跌倒的類型通常包括平面跌倒和斜面跌倒。在某些特殊情況下，可能會(huì)出現(xiàn)坐立跌倒。為了獲得真實(shí)跌倒的情況和采集數(shù)據(jù)集，本研究的所有在平面摔倒情況下采集的摔倒數(shù)據(jù)是由6個(gè)年輕志愿者通過(guò)模擬真實(shí)的摔倒情況得到的，他們的年齡都在23到28歲之間，并且身高在1.58到1.83 m之間。每一個(gè)志愿者都模擬前后左右四個(gè)方向摔倒的情況，每個(gè)人每個(gè)方向采模擬采集4次。而斜面摔倒如圖2所示。

考慮到志愿者的安全因素，們只能用木偶來(lái)代替了，采集了16次樣本數(shù)據(jù);

除了跌倒研究，另一項(xiàng)研究涉及青年志愿者和老年人進(jìn)行日常生活活動(dòng)。為了進(jìn)行這些情況測(cè)試，對(duì)6名年輕健康志愿者和2名老年志愿者（61歲男性和63歲女性）進(jìn)行了監(jiān)測(cè)。每個(gè)ADL受試者都進(jìn)行了3次。但是一些測(cè)試：快速坐下、快速站立和走樓梯，只是由年輕志愿者進(jìn)行的。因?yàn)槔先瞬灰诉M(jìn)行這種實(shí)驗(yàn)。

本研究盡量去研究日常比較容易或者可能發(fā)生摔倒的情況。因此，模擬跌倒和ADL研究進(jìn)行了16種類型，目的主要是驗(yàn)證算法的效果，如表1和表2所示。

3 跌倒檢測(cè)算法

我們的跌倒檢測(cè)方法有3個(gè)步驟：四元數(shù)卡爾曼濾波，姿態(tài)識(shí)別，活動(dòng)強(qiáng)度分析。在實(shí)現(xiàn)這3個(gè)步驟之前，為了描述人體運(yùn)動(dòng)信息，使用兩個(gè)坐標(biāo)系。一個(gè)坐標(biāo)系被固定在地球上并被命名為R系統(tǒng)。另一個(gè)坐標(biāo)系固定在MPU-9250 MU傳感器上，稱為跌落檢測(cè)器，稱為B系統(tǒng)。跌倒檢測(cè)器反映了裝置安裝的身體的姿勢(shì)。圖1顯示了兩個(gè)坐標(biāo)系統(tǒng)。

根據(jù)一些飛行控制的知識(shí)，飛機(jī)的方向通常由三個(gè)連續(xù)的旋轉(zhuǎn)來(lái)描述，角旋轉(zhuǎn)稱為歐拉角。我們也用這個(gè)方法描述我們的跌倒檢測(cè)器。這解釋了為什么使用兩個(gè)坐標(biāo)系。單位四元數(shù)提供了一個(gè)方便的數(shù)學(xué)符號(hào)來(lái)表示三維物體的方向和旋轉(zhuǎn)。因此，發(fā)展了基于并四元數(shù)的擴(kuò)展卡爾曼濾波器（EKF），用于從傳感器輸出確定剛體的方向，該傳感器集成三軸陀螺、三軸加速度計(jì)和三軸磁力計(jì)[14]。剛體指的是我們的方法中的跌倒檢測(cè)器，也指老年人被檢測(cè)到的腰部。

狀態(tài)矢量方程由四元數(shù)、三周加速度和磁力計(jì)偏轉(zhuǎn)矢量ab，mb，狀態(tài)方程如式（1）。Quk+1

abk+1

mbk+1=exp（ωkTS）00

00

00

（1） ?可以簡(jiǎn)化為式（2）。xk+1=F（G，Ts）xk+uk

（2） ?ωk=0-GzGyGx

Gz0-GxGy

-GyGx0Gz

-Gx-Gy-Gz0，qμ

aμ

mμ是零點(diǎn)白噪聲，G是xx，Ts是MU傳感器的采樣周期。傳感器的零點(diǎn)漂移隨著外界環(huán)境因素的變化，但卡爾曼濾波器在零點(diǎn)下工作效果較優(yōu)，具有很強(qiáng)的適應(yīng)性，即使零點(diǎn)噪聲突破對(duì)實(shí)際影響不大。

測(cè)量模型如式（3）。

ak+1

mk+1=CbR（Quk+1）0

0CbR（Quk+1）Ak+1

Mk+1+abk+1

mbk+1+

avk+1

mkk+1

（3）

可以簡(jiǎn)化為式（4）。ZK+1=h（Xk+1）+vk+1

（4） ?CbR是R系統(tǒng)轉(zhuǎn)換為b系統(tǒng)的一個(gè)方向矩陣。A和M是b系統(tǒng)的加速度和磁力計(jì)，加速度和磁力計(jì)的測(cè)量矢量是ak，mk，測(cè)量噪聲是vk。

為了讀者方便，EKF方程總結(jié)如式（5）～（9）。

計(jì)算先驗(yàn)估計(jì)狀態(tài)：X-k+1=F（GK，Ts）Xk

（5） ?計(jì)算先驗(yàn)誤差協(xié)方差矩陣為式（6）。Pk+1=F（GK，Ts）PkF（Gk，Ts）T+Qk

（6） ?過(guò)程協(xié)方差矩陣：

Qk=Quk00

0Tsδk0

00Tsδk， Quk=q3k-q2kq1k

q2kq3k-q0k

-q1kq3kq3k

-q0k-q1kq2k

計(jì)算卡爾曼增益為式（7）。Kk+1=PK+1FTk+1（FkPk+1FTk+Rk+1），Rk+1=[δ2a0

0δ2a]

（7） ?Fk+1是雅可比矩陣。

計(jì)算后驗(yàn)狀態(tài)估計(jì)為式（8）。Xk+1=X-k+1+Kk+1[Zk+1-h（X-k+1）]

（8） ?計(jì)算后驗(yàn)誤差協(xié)方差矩陣為式（9）。Pk+1=P-k+1（1-Kk+1Fk+1）

（9） ?基于以上分析，首先對(duì)從傳感器MPU-9250芯片讀出的MU數(shù)據(jù)進(jìn)行四元數(shù)卡爾曼濾波處理。如果在一個(gè)第二區(qū)間內(nèi)的歐拉角的所有值落入算法1的步驟4中指定的區(qū)域。則檢測(cè)到平躺的姿勢(shì)，否則，檢測(cè)到平躺姿勢(shì)。如果探測(cè)器檢測(cè)到人體姿勢(shì)是平躺姿勢(shì)。該檢測(cè)器將檢查姿勢(shì)的變化。為了區(qū)分姿態(tài)變化是否是故意的，應(yīng)用了前4秒沿重力方向的加速度數(shù)據(jù)。如果在前4秒內(nèi)的加速度數(shù)據(jù)的值滿足算法1的步驟10中指定的條件。將檢測(cè)到跌倒事件。整個(gè)過(guò)程如算法1所示。

下面是關(guān)于該過(guò)程的詳細(xì)解釋：

1） 平躺和非平躺姿態(tài)：在本文中，我們可以使用歐拉角來(lái)反映軀干姿勢(shì)。通過(guò)多次跌倒實(shí)驗(yàn)，我們找到了最合理的平躺姿態(tài)。最合理的方法是主干與垂直方向的夾角是否在一秒鐘內(nèi)總是大于40°。為了簡(jiǎn)單起見(jiàn)，我們只考慮絕對(duì)螺距或偏航角。如果俯仰角或偏航角度小于40°，則會(huì)檢測(cè)到平躺姿態(tài)。

2） 活動(dòng)強(qiáng)度：當(dāng)人體有向下的動(dòng)作時(shí)，垂直方向加速度值將小于重力，并且當(dāng)物體接觸地面時(shí)存在速度減速。如果檢測(cè)到平躺，垂直方向的加速度越大，身體對(duì)地面的沖擊力就越大。實(shí)驗(yàn)結(jié)果表明，它是檢測(cè)很可能落在最小垂直加速度小于0.4g和最大垂直加速度大于2.6g。我們能從四元數(shù)和基礎(chǔ)系統(tǒng)得到沿重力方向的加速度，這個(gè)加速度是基于b系統(tǒng)的，值A(chǔ)c為式（10）。

算法1： 三步跌倒檢測(cè)過(guò)程

1. A={ax，ay，az}，M={mx，my，mz}，G={gx，gy，gz}，ntervalNum=0

%第一步四元卡爾曼濾波，歐拉角={yaw.ptch，rol}

2.Qu=quaternon_Kalman_flter（Acc，Mg，Gyro）

%四元數(shù)轉(zhuǎn)換為歐拉角

3.Ω=transform（Qu）

%第二步是姿態(tài)識(shí)別，如果所有的偏航和俯仰值

1秒鐘內(nèi)小于45°，平躺狀態(tài)就被探測(cè)到。

4.f |yaw|>40° ∪ |ptch|>40° then

5. ntervalNum =ntervalNum + 1

6.else

7. ntervalNum =0

8.endf

9.f ntervalNum >120 then

%第三步是活動(dòng)強(qiáng)度分析

f Avmn<0.4g and Avmax>2.6g

即探測(cè)到跌倒

10.f Avmn<0.4g∩Avmax>2.6g

11.Then return YES

12.else

13. rerutn NO

Ac=2ax（q1q2-q0q2）+2ay（q0q1-q2q3）+a2（q20-q21-q22+q23）+ab|z

（10）

另一種跌倒檢測(cè)算法僅使用閾值法。通過(guò)獲取3個(gè)信號(hào)的平方和，得到腰部3軸加速度計(jì)的合成信號(hào)。算法2如下所示。

算法2：閾值方法

1. Acc={ax，ay，az}

2. Av=a2x+a2y+a2z

3. f Avmn<0.4g∩Avmn>3g then

4. return YES

5. else

6. return NO

4 實(shí)驗(yàn)測(cè)試

如圖3和圖4所示。

腰部的垂直加速度和腰部姿勢(shì)有不同的特征。跌倒事件和類似事件有加速度的劇烈變化。垂直加速度的最大值和四秒鐘內(nèi)垂直加速度的最小值是描述和測(cè)量人類活動(dòng)強(qiáng)度的重要參數(shù)。在本節(jié)中，我們通過(guò)姿勢(shì)識(shí)別來(lái)評(píng)估我們的方法的準(zhǔn)確性。

A. 姿態(tài)識(shí)別

不同的ADL類型有不同的身體姿態(tài)，圖3顯示了16種人體姿勢(shì)。平面下降、傾斜下降2和躺床的歐拉角有明顯的變化。身體直立的運(yùn)動(dòng)，像走路或坐著，沒(méi)有歐拉角的巨大變化。我們把所有類型的跌倒和ADL的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，如表3和表4所示。

表格顯示最大值在大多數(shù)ADL類型中，絕對(duì)歐拉角（ptch和yaw）小于35°，在平降時(shí)絕對(duì)偏航或俯仰的最大值大于45°。因此，用于識(shí)別人體姿勢(shì)的閾值設(shè)置為40°。當(dāng)在1s內(nèi)所有的ptch和yaw角都大于40°，此時(shí)認(rèn)為檢測(cè)到躺臥狀態(tài)。由于一些運(yùn)動(dòng)也滿足算法1步驟4所規(guī)定的區(qū)域，因此使用1秒的時(shí)間來(lái)減少噪聲干擾的影響。

B. 模擬跌倒研究

Bourke和其他研究人員[12-15]使用算法2來(lái)區(qū)分跌倒和ADL，他們假設(shè)跌落發(fā)生在大加速度下。然而，快速坐下等也具有大的垂直加速度。我們的方法增加了姿勢(shì)識(shí)別，雖然有些摔倒加速度較大，但它們?nèi)匀徊皇瞧教勺藨B(tài)，如快速坐下和走下樓梯。我們的算法的第一步可以過(guò)濾掉一些類似跌倒的情況，這就是為什么我們的方法比其他方法好的原因。

C. 斜面跌倒

我們已經(jīng)討論了在樓梯上跌落下來(lái)的兩種形式，如圖2所示。第一種情況具有大的垂直加速度和姿勢(shì)變化，如圖3（a）和圖4（a）所示?，F(xiàn)有的一些跌倒檢測(cè)系統(tǒng)[13]使用主干傾斜變化來(lái)檢跌倒，而另一些[11-12]使用大的加速度變化來(lái)檢測(cè)跌倒。他們的方法和我們的方法都很好。但在圖2（b）所示的第二種情況下，垂直加速度的變化很小。由于樓梯陡峭，人體在跌倒后迅速接觸樓梯，人體姿勢(shì)的變化并不比圖4（a）所示的其他跌倒特別明顯。從我們的實(shí)驗(yàn)中看出，最小的頂部峰值和最小值分別為2.2 g和0.5 g，很難用加速度或傾角變化來(lái)檢測(cè)跌倒。但是我們的方法比其他算法更好。

D. 計(jì)算復(fù)雜度

Kalman濾波器具有良好的實(shí)時(shí)性。其在處理高斯模型的系統(tǒng)上效果頗佳;隨著計(jì)算機(jī)技術(shù)的發(fā)展，卡爾曼濾波是線性系統(tǒng)的最小方差估值器。作為一個(gè)線性優(yōu)化的模型，相對(duì)其他非線性的例如聯(lián)合濾波器等計(jì)算復(fù)雜度很低，通過(guò)實(shí)際驗(yàn)證在32位微控制器中也能很好地工作。

如圖5所示。

5 結(jié)果

根據(jù)圖5（a）所示的實(shí)驗(yàn)數(shù)據(jù)的分析結(jié)果，所提出的跌倒檢測(cè)算法除了類似跌倒情況（快速坐下、快速站起來(lái)、快速起床），在從日常生活活動(dòng)中檢測(cè)跌倒事件的準(zhǔn)確度與其他方法是相同的。但我們的方法在檢測(cè)類似跌倒活動(dòng)和斜面跌倒方面有較好的性能。通過(guò)我們的算法（算法1）與其他研究者[13]的算法比較，本文提出的檢測(cè)器能夠快速區(qū)分從扶手椅上坐下來(lái)和從扶手椅上站起來(lái)這種類似跌倒的情況。這就是為什么我們的算法去進(jìn)行姿態(tài)判別的重要性。即使所提出的方法在臥倒和斜倒兩種情況下有一些錯(cuò)誤檢測(cè)，但其效果也優(yōu)于如圖5所示的閾值方法（算法2）。

6 總結(jié)

本文采用九軸MU傳感器對(duì)日常生活活動(dòng)中的跌倒進(jìn)行檢測(cè)。所提出的方法有三個(gè)步驟。第一步是通過(guò)四元數(shù)卡爾曼濾波器得到姿態(tài)矢量。第二步是檢測(cè)臥姿。第三步是檢測(cè)活動(dòng)強(qiáng)度。該方法將人的姿勢(shì)分為平躺和非平躺兩種類型。該系統(tǒng)可以通過(guò)四元數(shù)卡爾曼濾波得到人體的姿態(tài)矢量。姿態(tài)矢量包括歐拉角、四元數(shù)、加速度。歐拉角用于確定姿勢(shì)類型。四元數(shù)和加速度用于分析平躺姿勢(shì)時(shí)的活動(dòng)強(qiáng)度。該算法具有實(shí)時(shí)性強(qiáng)的特點(diǎn)。結(jié)果表明，我們的方法可以減少誤報(bào)。然而本方法在臥床和斜面摔倒2方面也存在一些問(wèn)題，主要是因?yàn)椴捎媚九嫉茸鰯?shù)據(jù)采集實(shí)驗(yàn)和真實(shí)情況還是有差異，現(xiàn)實(shí)中也無(wú)法通過(guò)實(shí)際老人去做跌倒實(shí)驗(yàn)，今后會(huì)探索更接近老人跌倒的實(shí)驗(yàn)方法。

參考文獻(xiàn)

[1] N Noury. A smart sensor for the remote follow up of actvty and fall detecton of the elderly[C]// 2nd Annual nternatonal EEE-EMBS Specal Topc Conference on Mcrotechnologes n Medcne and Bology.Proceedngs. Madson， W， 2002 ：314-317.

[2] Suhua Luo， Qngmao Hu. A dynamc moton pattern analyss approach to fall detecton[C]// EEE nternatonal Workshop on Bomedcal Crcuts and Systems， 2004 ：1-5-8a.

[3] S J Brownsell， D A Bradley， R Bragg， et al. Docommunty alarm users want telecare？[J]. Journal of Telemedcne and Telecare， 2000，6（4） ：199-204.

[4] Brownsell Smon， S Mark Hawley. Automatc fall detectors and the fear of fallng[J]. Journal of Telemedcne and Telecare， 2004，10（5） ： 262-266.

[5] J Y Hwang， J M Kang， Y W Jang， et al. Development of novel algorthm and real-tme montorng ambulatory system usng Bluetooth module for fall detecton n the elderly[C]// The 26th Annual nternatonal Conference of the EEE Engneerng n Medcne and Bology Socety， San Francsco， CA， 2004 ： 2204-2207.

[6] B Schlkopf， J C Platt， J Shawe-Taylor， et al. Estmatng the Support of a Hgh-Dmensonal Dstrbuton[J]. Neural Computaton， 2001，13（7） ： 1443-1471.

[7] Lexell Jan. Ageng and human muscle： observatons from Sweden[J]. Canadan Journal of Appled Physology， 1993， 18（1） ：2-18.

[8] K Doughty， R Lews， A Mcntosh. The desgn of a practcal and relablefall detector for communty and nsttutonal telecare[J]. Journal of Telemedcne and Telecare， 2000，6（1） ：150-154.

[9] Maart Kangas， Antt Konttla， Per Lndgren，et al. Comparson of low-complexty fall detecton algorthms for body attached accelerometers[J]. Gat & Posture， 2008， 28（2） ： 285-291.

[10] M J Mathe， A C F Coster， N H Lovell， et al. Accelerometry： Provdng an ntegrated practcal method for long-term ambulatory montorng of human movement[J]. Physol. Meas.， 2004， 25（2）：.

[11] M Kangas， A Konttla， ?Wnblad， et al. Determnaton of smple thresholds for accelerometry-based parameters for fall detecton[C]// 2007 29th Annual nternatonal Conference of the EEE Engneerng n Medcne and Bology Socety， Lyon， 2007： 1367-1370.

[12] A K Bourke， J V OBren， G M Lyons. Evaluaton of threshold-based tr-axal accelerometer fall detecton algorthm[J]. Gat & Posture， 2007， 26（2）： 194-199.

[13] Q L， J A Stankovc， M A Hanson， et al. Accurate， Fast Fall Detecton Usng Gyroscopes and Accelerometer-Derved Posture nformaton[C]// 2009 Sxth nternatonal Workshop on Wearable and mplantable Body Sensor Networks， Berkeley， CA， 2009： 138-143.

[14] A M Sabatn. Quaternon-based extended Kalman flter for determnng orentaton by nertal and magnetc sensng[J]. EEE Transactons on Bomedcal Engneerng，2006， 53（7）： 1346-1356.

[15] J Chen， K Kwong， D Chang， et al. Wearable Sensors or Relable Fall Detecton[C]// 2005 EEE Engneerng n Medcne and Bology 27th Annual Conference， Shangha， 2005：3551-3554.

（收稿日期： 2018.11.05）Mcrocomputer Applcatons Vol.36，No.1，2020技術(shù)交流微型電腦應(yīng)用2020年第36卷第1期Mcrocomputer Applcatons Vol.36，No.1，2020技術(shù)交流微型電腦應(yīng)用2020年第36卷第1期

作者簡(jiǎn)介：歐國(guó)維（2001-），男，通信作者。研究領(lǐng)域：機(jī)器人與智能系統(tǒng)。

蒙山（1973-），男，博士，副教授。研究領(lǐng)域：機(jī)器人智能信息處理、嵌入式實(shí)時(shí)信號(hào)采集與處理。文章編號(hào)：1007-757X（2019）12-0149-05