第３９卷第１ｌ期 ２０１７年１１月 电子与信息学报 Ｖ＿０１．３９Ｎｏ．１ １ Ｎｏｖ．２０１７ Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ 基于卡尔曼滤波与ｋ—ＮＮ算法的可穿戴跌倒检测技术研究 何坚①② 周明我② 王晓懿 ①＠ （北京未来网络科技高精尖创新中心北京１００１２４） （北京市物联网软件与系统工程技术研究中心 北京 １００１２４） 摘要：针对老年人跌倒检测的准确性和实时性需求，该文首先建立了基于姿态角的活动描述模型，研发了集成加 速度传感器、陀螺仪和蓝牙的活动感知模块，从而实时采集运动变化数据并使用蓝牙发送到智能手机。其次，选取 姿态角及加速度信号向量模作为特征量，通过卡尔曼滤波对数据进行去噪与融合，并应用滑动窗口和ｋ－ＮＮ算法实 现了可实时感知老年人跌倒并报警的系统。实验证明系统在二分类场景下的跌倒检测准确率为９８．９％，而敏感度和 特异性分别达到９８．９％和９８．５％，验证了系统具有良好的实时性和较高的准确率。 关键词：计算机应用技术：跌倒检测；数据融合；卡尔曼滤波；ｋ—ＮＮ算法；姿态角；信号向量模 中图分类号：ＴＰ３９１ 文献标识码：Ａ 文章编号：１００９—５８９６（２０１７）１１—２６２７—０８ ＤＯＩ：１０．１ｌ９９９／ＪＥＩＴ１７０ｌ７３ Ｗ＿ｅａｒａｂｌｅ Ｍｅｔｈｏｄ ｆｏｒ ＦＩａｌｌ Ｄｅｔｅｃｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｋａｈｎａｎ Ｆｉｌｔｅｒ ａｎｄ ｋ．ＮＮ Ａｌｇｏｒｉｔｈｍ ＨＥ Ｊｉａｎ①② ＺＨＯＵ Ｍｉｎｇｗｏ￣ＷＡＮＧ Ｘｉａｏｙｉ￣ （Ａｄｖａｎｃｅｄ Ｉｎｎｏｖａｔｉｏｎ Ｃｅｎｔｅｒ Ｉｏｒ Ｆｕｔｕｒｅ Ｉｎｔｅｒｎｅｔ Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ １００１２４，Ｃｈｉｎａ） （Ｂｅｉｊｉｎｇ Ｅｎｇｉｎｅｅｍｎｇ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｆｏｒ ＩＯＴ Ｓｏｆｔｗａｒｅ ａｎｄ Ｓｙｓｔｅｍｓ，Ｂｅｉｊｉｎｇ １００１２４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ａｃｃｕｒａｔｅ ａｎｄ ｒｅａｌ－ｔｉｍｅ ｒｅｑｕｉｒｅｍｅｎｔ ｆｏｒ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ．Ａｎ ａｃｔｉｖｉｔｙ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ａｔｔｉｔｕｄｅ ａｎｇｌｅｓ ｉｓ ｆｉｒｓｔｌｙ ｅｓｔａｂｌｉｓｈｅｄ．Ａ ｓｅｎｓｏｒ ｂｏａｒｄ ｉｎｔｅｇｒａｔｅｄ ｗｉｔｈ ｔｒｉａｌ—ａｘｉｌ ａｃｃｅｌｅｒａｔｏｒ ａｎｄ ｇｙｒｏｓｃｏｐｅ ｉｓ ｄｅｖｅｌｏｐｅｄ，ｗｈｉｃｈ ｃａｎ ｃａｐｔｕｒｅ ｔｈｅ ａｃｃｅｌｅｒａｔｉｏｎｓ ａｎｄ ａｎｇｕｌａｒ ｖｅｌｏｃｉｔｉｅｓ ｏｆ ｈｕｍａｎ ａｃｔｉｖｉｔｉｅｓ ａｎｄ ｔｒａｎｓｍｉｔ ｔｈｅｍ ｔｏ ａ ｓｍａｒｔ ｐｈｏｎｅ ｂｙ Ｂｌｕｅｔｏｏｔｈ．Ｓｅｃｏｎｄｌｙ，ｔｈｅ ｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌ ａｔｔｉｔｕｄｅ ａｎｇｌｅ ａｎｄ ａｃｃｅｌｅｒａｔｉｏｎ ｓｉｇｎａｌ ｖｅｃｔｏｒ ｍａｇｎｉｔｕｄｅ ａｒｅ ｓｅｌｅｃｔｅｄ ａｓ ｆｅａｔｕｒｅｓ ｆｏｒ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ．Ｔｈｅ ｃｏｌｌｅｃｔｅｄ ｄａｔａ ｉｓ ｐｒｅｐｒｏｃｅｓｓｅｄ ｕｓｉｎｇ Ｋａｌｍａｎ ｆｉｌｔｅｒ ｔｏ ｒｅｄｕｃｅ ｎｏｉｓｅ ａｎｄ ｅｎｈａｎｃｅ ｔｈｅ ｐｒｅｃｉｓｉｏｎ ｏｆ ａｔｔｉｔｕｄｅ ａｎｇｌｅ ｃａｌｃｕｌａｔｉｏｎ．Ｔｈｅ ｋ－Ｎｅａｘｅｓｔ Ｎｅｉｇｈｂｏｒ（ｋ＿ＮＮ）ａｌｇｏｒｉｔｈｍ ａｎｄ ａｐｐｒｏｐｒｉａｔｅ ｓｌｉｄｉｎｇ ｗｉｎｄｏｗ ａｒｅ ｉｎｔｒｏｄｕｃｅｄ ｔｏ ｄｅｖｅｌｏｐ ｔｈｅ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ａｎｄ ａｌｅｒｔ ｓｙｓｔｅｍ．Ａｔ ｌａｓｔ，ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｓｙｓｔｅｍ ｄｉｓｃｒｉｍｉｎａｔｅｓ ｆａｌｌｓ ｆｒｏｍ ｔｈｅ ａｃｔｉｖｉｔｉｅｓ ｏｆ ｄａｉｌｙ ｌｉｖｉｎｇ ｗｉｔｈ ａｃｃｕｒａｃｙ ｏｆ ９８．９％，ｗｈｉｌｅ ｔｈｅ ｓｅｎｓｉｔｉｖｉｔｙ ａｎｄ ｓｐｅｃｉｆｉｃｉｔｙ ａｘｅ ９８．９％，ａｎｄ ９８．５％ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｉｔ ｐｒｏｖｅｓ ｔｈａｔ ｔｈｅ ｍｅｔｈｏｄ ｈａｓ ｆａｖｏｒａｂｌｅ ａｃｃｕｒａｃｙ ａｎｄ ｒｅｌｉａｂｉｌｉｔｙ． Ｋｅｙ ｗｏｒｄｓ：Ｃｏｍｐｕｔｅｒ ａｐｐｌｉｃａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ；Ｆａｌｌ ｄｅｔｅｃｔｉｏｎ；Ｄａｔａ ｆｕｓｉｏｎ；Ｋａｌｍａｎ ｆｉｌｔｅｒ；ｋ－ＮＮ ａｌｇｏｒｉｔｈｍ；Ａｔｔｉｔｕｄｅ ｎａｇｌｅ；Ｓｉｇｎａｌ ｖｅｃｔｏｒ ｍａｇｎｉｔｕｄｅ １ 引言 开展的一项调研表明：结合抽样调查，即使在北京、 伴随经济、等多方面的影响，我国面临的 上海这样的发达地区，６０岁以上老人遭遇跌倒意外 人口老龄化问题已日趋严峻。结合社科院田雪原教 的几率仍达到３５．５４％；其中，室内跌倒所占比重最 授研究的低位预测模型，从２０００年起我国６５岁以 高（４５．６１％），而导致严重伤害的概率为３４．５０％【２］。 上人口规模由６．８％攀升至１２．５％仅需二十年，而其 如果老年人能获取及时的救助，那么将会有效降低 他发展中国家需要至少四十余年Ｉ 。与此同时，跌倒 跌倒带来的伤害。因此，对于跌倒检测系统的研究 已经被公认为伤害老年人的最主要威胁。四川大学 具有显著的社会意义。 目前，可穿戴、环绕感知和视觉识别系统是最 常见的跌倒检测方案【３］。如文献ｆ４，５】从视频中提取人 收稿日期：２０１７－０２—２０；改回日期：２０１７－０８－１０；网络出版：２０１７－０９—１４ 体轮廓的长宽等特征，使用支持向量机算法识别跌 通信作者：王晓懿ｗｘｙ￣ｍａ１］．ｂｊｕｔ．ｅｄｕ．ｃｎ 倒。Ｍａｚｕｒｅｋ等人ｆ６ｊ通过红外深度传感￣（ｉｎｆｒａｒｅｄ 基金项目：国家自然科学基金（６１６０２０１６） Ｆｏｕｎｄａｔｉｏｎ Ｉｔｅｍ：Ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ ｄｅｐｔｈ ｓｅｎｓｏｒｓ）获取各方向上坐标变化速率的均值、 Ｃｈｉｎａ（６１６０２０１６） 方差、标准差等特征，通过朴素贝叶斯算法完成决 ２６２８ 电子与信息学报 第３９卷 策。文献［７】使用麦克风记录摔倒产生的声音，同样 使用了支持向量机算法。虽然环绕感知和视觉识别 方案的精确度高，但检测过程复杂、成本高昂，且 监控范围有限，容易暴露用户隐私。 的加速度，仍 ，曰 ，分别为躯干绕 轴、 轴、Ｚ 轴的角速度。０为人体向前向后的俯仰角，绕 轴 旋转形成； 为人体向左右两侧倾斜的横滚角，绕Ｚ 轴旋转形成。二者的正方向均与陀螺仪默认采集方 向一致。由于加速计只能估算俯仰角与横滚角【１４】， 因此本文将其作为数据融合的对象及跌倒检测的特 征。根据３维加速度与重力的关系，静态条件下两 个姿态角的定义如下： ａｒＣ 近年来，随着微电子技术的发展，更加先进、 小巧且成本低廉的惯性传感器被广泛应用于可穿戴 设备中，从而在真实环境下采集人体活动数据［８｝ｏ通 过分析用户在各方向上的加速度变化，可以判断用 户是否跌倒 如Ｏｕ等人ｐｏ，ｌｌｌ通过对合加速度与合 差分加速度等特征设定阈值来判断是否发生跌倒。 Ｓａｌｇａｄｏ等人 使用加速度数据估算倾角和角速度 等特征，并通过卡尔曼滤波和支持向量机算法处理 数据。然而，这些方案具有判断依据单一、抗干扰 性差等缺陷，容易产生误报。 针对上述问题，本文首先引入姿态角分析了不 同活动的区别，研发了集成多种元件的活动感知模 块，从而记录人体的运动变化。其次，联合姿态角 和信号向量模共同形成识别特征，结合卡尔曼滤波 融合数据并消除噪声。最后，通过滑动窗口技术和 ｋ—ＮＮ算法实现了可实时感知老年人跌倒并报警的 毒ａ。 ， 一ｃｔａｎ ｎ ． 、（ １） 在跌倒发生的过程中，由于无法预知人体重心 的变化方向，因此使用某一轴的加速度判断缺乏足 够的精度。采用信号向量模ｆＳｉｇｎａｌ Ｖｅｃｔｏｒ Ｍａｇｎｉｔｕｄｅ，ＳＶＭ）能够将空间的加速度变化集合为 个标量，其大小仅与运动的剧烈程度相关，而与 一运动趋势无关，可以作为一个理想的特征量。加速 度的ＳＶＭ定义如式（２）： ＳＶＭ＝ ２．２数据采集与分析 （２） 基于上述模型，本文研发了一款尺寸为２４ ｍｍ ×３８ ｍｍ×９ ｍｍ的数据感知模块。其核心结构包括 微控制器、蓝牙模块、三轴加速度传感器和陀螺仪 等元件，适合部署在可穿戴设备中。蓝牙模块的传 系统。仿真实验证明：系统能准确判断跌倒的发生， 并通过短信、拨打电话等方式向医护人员或家人报 警。 ２ 人体活动数据感知 本节首先建立基于姿态角的人体活动模型。其 次，研发部署了活动感知模块记录加速度与角速度 数据。最后，分析比较日常活动与跌倒的差异。 ２．１人体活动模型 人体在运动过程中加速度和角速度会实时变 化。根据Ｂｏｕｒｋｅ等人【捣１的研究，人体上躯干（即腰 输速率为１１５２００ ｂａｕｄ，传输最大距离为１０ ｍ。三 轴加速度传感器型号为ＡＤＸＬ３４５，陀螺仪型号为 ＩＴＧ一３２０５。考虑到老年人跌倒主要发生在室内环境 中［ａｌ，为了区分跌倒和日常活动，本文以上述模型为 基础，将常见室内活动细分为行走、蹲下、坐下、 弯腰，将跌倒类型分为前后向跌倒、侧向跌倒两种。 图２所示为人体不同运动状态的加速度信号向 部以上、脖颈以下）是采集加速度并区分跌倒与日常 动作的最佳位置。考虑到穿戴舒适性与系统可靠性， 活动感知模块被缝合于背心中贴近颈背的部位，并 根据放置方向采用笛卡尔坐标系对人体活动建模， 如图１所示。图１（ａ）、图１（ｂ）分别为加速度与角速 度的方向示意，ａｘ，ａ ａｚ分别为沿 轴、 轴、Ｚ轴 量模和姿态角的变化情况。横坐标为时间，由于采 样频率为５０ Ｈｚ，因此单位时间为０．０２ ８。纵坐标表 示加速度和角度信息，加速度的单位为ｇ（重力加速 度）。根据图２的对比不难发现：在跌倒发生的瞬间， 人体加速度的信号向量模会发生大幅变化，并产生 明显高于日常动作的剧烈波动。而跌倒时的姿态角 变化趋势、浮动范围以及稳定后的状态也与日常动 作存在显著差异。这说明人体的姿势变化方向在跌 倒过程中会发生明显改变，可以用于区分不同活动。 ３ 跌倒检测算法 由于ＭＥＭＳ传感器容易受到振动、温度、电磁 干扰等各种因素的影响而产生噪声，所以，本节首 先引入卡尔曼滤波进行数据融合，消除噪声；然后 依次结合滑动窗口与ｋ－ＮＮ算法实现特征提取与系 统决策。 （ａ）加速度示意 （｝】）角速度 意 图１人体活动模型 何坚等：基于卡尔曼滤波与ｋ－ＮＮ算法的可穿戴跌倒检测技术研究 ２．０ Ｉ ５ 掣１．０ 一。一般 燎 一。一 婚 咖 一。一援 燎 妲０．５ ∞ ∞ ∞ ∞ ∞ Ｏ ∞ 舳 ∞ ∞ 如 Ｏ ∞ 鲫 ∞ ∞ 蜘 ０ ０ 时间（×０．０２ Ｓ） 时间（ｘＯ．０２ Ｓ） 姿态角 信号向量模 （ａ）走路 ２．Ｏ ３ １．５ 掣１．０ 妲０．５ Ｏ ５０ １００ １５０ ２００ ２５０ 时间（×０．０２ ８） 时间（ｘ０．０２ Ｓ） 姿态角 信号向量模 （ｂ）蹲下 ２ ０ 一 １．５ 删厦妒 一３） 哪厦 １．０ Ｏ．５ ０ 时间（×Ｏ．０２ Ｓ） 时间（×Ｏ．０２ Ｓ） 姿态角 信号向量模 （ｃ）坐下 ２．Ｏ ８０ — １．５ ４０ 鬟 ｏ １．Ｏ －： ＝０ ０ ５ ４０ ０ ５０ １ｏｏ １５０ ２００ ２５０ Ｏ ５０ １ｏ０ １５０ ２００ ２５ｏ 时间（×０．０２ Ｓ） 时间（×０．０２ Ｓ） 姿态角 信号向量模 （ｄ）弯腰 １ｏｏ ２・５ ５０ ＿ ‘ ・ｏ ． 。 Ｉ＇Ｉｌ 一． １．５ ～ 炼舞Ｌ。 一５０ 一 ｊ！磐０・５ …∞ ｌ０ｏ ● ＿ ＿ —０ ５０ １ｏｏ １５０ ２００ ２５０ ０ 时间（×Ｏ．０２ ８） 时间（×０．０２ Ｓ） 姿态角 信号向量模 （ｅ）侧向摔倒 １０Ｏ ３．５ ５０ ．、一 ・。 １ ． 删 Ｉ；＾ ＿叵１．５ 赇 一５０ ： ｆ 一一……，． １ ・ 一目 …∞ ０．５ —１ｏ０ ０ ５０ １ｏ０ １５０ ２００ ２５０ ０ 时间（ｘｏ．０２ ｓ） 时间（×０．０２ ｓ） 姿态角 信号向量模 （ｆ）后向摔倒 图２不同人体活动的姿态角和ＳＶＭ曲线 ２６２９ 第ｌ１期 ２６３０ 电子与信息学报 ａ－ｂｘ ｄｒ－ｃｘ ｄｔ＋ｖａｒ（ ＝第３９卷 ３．１基于卡尔曼滤波的数据融合 卡尔曼滤波算法主要包括以下步骤： ６（１）建立人体姿态角线性模型： 使用陀螺仪数 据，可将人体的姿态角变化归纳为如式（３）所示的线 性模型： ＝（４）计算卡尔曼增益系数： Ｏｋ１＋（“ 一１一 一１） （３） Ｋｇ（ｋ）＝ ‰ （１０） 其中，０为某一方向的姿态角， 为陀螺仪提供的 角速度数据， 为陀螺仪的静态漂移， 代表采样 间隔，ｋ和ｋ一１分别代表滤波器现在及前一时刻的 状态。假设陀螺仪的静态漂移是常数，则有 ＝ （４） 对式（３）和式（４）联立，构造状态矩阵方程： ０ｋ １ ＋ ¨ ㈤ （２）计算人体姿态角的预测值： ｘ（ｋ ｌ ｋ一１）＝ＡＸ（ｋ一１ Ｉ后一Ｉ）＋ＢＵ（ｋ） （６） 其中，ｘ（ｋ『ｋ一１）为当前时刻的预测值，即ｋ时刻 姿态角的预测值；Ｘ（ｋ一１ Ｊ ｋ一１）为上一时刻的最优 值，即系统在ｋ一１时刻姿态角的滤波输出； 功 为当前时刻ｋ系统的控制量，对于本系统则为角速 度与采样间隔的积分； 和Ｂ为系统参数。由式（５）， 能够解得Ａ，Ｂ分别为 ｆｌ一班１ ｆ出１ Ａ：１０ １ ｆ， ｌ０Ｊ （７） （３）计算预测值的协方差，度量其精确程度： Ｐ（ｋ Ｉｋ一１）＝ＡＰ（ｋ一１ Ｉ一１）Ａ ＋Ｑ （８） 其中，Ｐ（ｋ Ｊｋ一１）是ｘ（ｋ Ｉ ｋ一１）对应的协方差； Ｐ（ｋ一１『６ ｋ一１）是ｘ（ｄ ｋ一１ Ｉ ｋ一１）对应的协方差；Ａ 一 ｝ ｆ０１ 是系统参数Ａ的转置。Ｑ是ｆＩ Ｊｌ 对应的协方差，即 Ｉｆ ｃｃｏ。ｖｖ（（ｅ ，、●● ＝、 ， ）ｃ０）ｃｏ。ｖｖ（， （￣ ，，０ ））１Ｉ 。由于陀螺仪漂移噪声与姿态角 噪声是相互的，结合协方差与方差的特性，Ｑ 的计算可以化简为：１ｆ ｖａｒ（０ ｖＯ） ）０ １Ｊ 。 为计算Ｐ（ｋ ｌ 一１），不妨设：Ｐ（ｋ一１ Ｉ 一１） Ｊｆ ａｃ ｂ ｄ，将Ｐ，Ａ，Ａ 代入式（１ ８），则有 Ｐ（ｋ ｌ ｋ一１） ｆ０一ｂ×ｄｔ—ｃ×ｄｔ＋ｄ×（ｄｒ） ＋ｖａｒ（￣）ｂ—ｄ×ｄｔ ｌ ｌ ｃ—ｄＸｄｔ ｄ＋ｖａｒ（１ｆ）Ｉ 由于（ｄ￡）。很小，能够直接忽略，故Ｐ（ｋ Ｊ ｋ一１）可 化简为 其中，Ｋｇ（ｋ）是当前时刻的卡尔曼增益系数，根据式 （５），０与 均需进行估计，所以Ｋｇ（ｋ）应定义为２ 维向量ｌｆ １Ｊｌ，分别对应０与 的增益系数。Ｒ为系 统测量噪声的协方差。日为系统输出矩阵，是以加 速度算得的姿态角测量值关于ｘ（ｋ Ｉ ｋ一１）的雅各比 矩阵。由于姿态角测量值与预测值０直接相关，而 和 无关，所以Ｈ＝（０ １）。铲是日的转置矩阵。 （５）计算姿态角滤波值： ｘ（ｋ『ｋ）＝ｘ（ｋ ｌ ｋ一１） ＋Ｋｇ（ｋ）ＩＺ（ｋ）一ＨＸ（ｋ『ｋ一１）ｌ （１１） 其中，ｘ（ｋｌ 为滑动窗口中ｋ时刻的最佳估算值， 即系统在ｋ时刻对姿态角的滤波输出， 为根据 式（１）计算出的姿态角测量值。 （６）计算姿态角滤波值的协方差： Ｐ（ｋ ｌ ）＝（Ｉ—Ｋｇ（ｋ）Ｈ）Ｐ（ｋ『ｋ一１） （１２） 其中， 为单位矩阵。对于本系统，取Ｊ 当 系统进入蚪１时刻，Ｐ（ｋｌ 就是式（１１）中的Ｐ（ｋ一１ ｌ七一１），式（１０），式（１１），式（１２）为卡尔曼滤波器的 状态更新方程。这样反复执行更新方程，可减少脉 冲噪声对传感器数据的影响，从而提高跌倒检测的 准确性。本系统中卡尔曼滤波各个参数的初始取值 如下： ｆｌ＼ ０ｌ一０ １ ．０２１，ｌ ｆ＼１ ，０．００ ｌ２１ ，Ｑ １ｆ ０．０００ ０１ ０．０ １０３Ｉ， ， ， 、 ｆ０１ ｆ１ ０１ Ｒ＝（０．３），Ｈ＝１ ０），Ｘｏ １＼ ０ｌ１ Ｐ０ ｌ ０ １ ，Ｉ 图３为后向跌倒的姿态角经过卡尔曼滤波后的 曲线图。经过对比，可以看到卡尔曼滤波能够消除 姿态角曲线中的大量抖动，这对于后续的特征提取 和使用ｋ—ＮＮ算法进行跌倒检测提供了一定帮助。 ３．２滑动窗口算法 人体活动的过程复杂多变且难以预测，传统的 阈值法不足以应付多变的情况。Ｌｉ等人［１５］的研究表 明，使用流数据进行跌倒检测可以有效降低系统的 误报率。由于人体活动的连续性和无穷性，传感器 实时采集的人体活动的数据构成了连续的流数据， 第ｌ１期 何坚等：基于卡尔曼滤波与ｋ＿ＮＮ算法的可穿戴跌倒检测技术研究 １００ ｆ；：＝＝ ・ ＝ ５０ ． 。 ． ＾ ． ． －５０ 、～～～ ． ＿ …－ —１ｏ０ ０ ５０ １００ １５０ ２００ ２５０ 时间（×Ｏ．０２ ｓ） 图３后向跌倒姿态角卡尔曼滤波效果 而传统的处理固定静态数据的算法不能直接应用于 流数据环境。针对上述问题，本文通过选取合适的 滑动窗口，将经过卡尔曼滤波的数据用于构造不同 活动的特征向量。 滑动窗口的作用在于持续读取数据流中的最新 数据并存于指定区间内，同时为每一个数据设置了 对应的时间戳。随着新数据的不断产生，系统凭借 时间信息不断替换窗口内的老旧内容。根据大量统 计，人体经历摔倒或坐蹲等活动的瞬时过程往往不 超过２ Ｓ，所以本文以２ Ｓ作为样本窗口的大小，并 根据文献［１６］提出的方案，设置每２ Ｓ内信号向量模 的最大值作为样本中点。由于采样频率为５０ Ｈｚ， 所以需要同时采集中点前后各５０个数据构造完整 样本。 ３．３基于ｋ＿ＮＮ的跌倒检测算法 ＮＮ算法以其简单和高效的特性被广泛应用 于模式识别和数据挖掘领域，是最优秀的分类算法 之一。其分类过程可定义如下：针对测试样本 ， 计算并选取与其距离最近的ｋ个样本 ， ，…， ，并 根据式（１３） 实施平均投票，最终识别 的所属类 别。 Ｌ ｃ（ｘ）＝ａｒｇ ｍａｘ ： （ｃ，ｃ（ ）），ｃ∈Ｃ （１３） １ 其中，ｃ（ ）为样本Ｙｉ对应的种类， 代表投票函数： 当 ＝ 时，６（ ， ）＝１。 距离公式定义了量化测试样本和训练样本相似 度的计算方法，对于ｋ—ＮＮ算法的识别效果具有重 要意义。常见的距离定义包括曼哈顿距离 （Ｍａｎｈａｔｔａｎ ｄｉｓｔａｎｃｅ）、 欧式距离（Ｅｕｃｌｉｄｅａｎ ｄｉｓｔａｎｃｅ）￥ｉＪ切比雪夫距离（Ｃｈｅｂｙｓｈｅｖ ｄｉｓｔａｎｃｅ）。为 满足实时性需要，本文选择计算最为简便的曼哈顿 距离评估样本相似度。由于每个样本包括俯仰角， 横滚角（简记为 ， ）和加速度信号向量模（简记为 ａ）在内的３种属性，且每种属性又涵盖了信号向量 模瞬时突变的２ Ｓ内的１００个数据，所以曼哈顿距 离计算公式定义为 Ｄ（ｘ，ｔ）＝ ：（Ｉ 一 ｌ＋１ 一‰Ｊ＋１０ 一口“１）（１４） ｉ＝１ 其中， 为 为曼哈顿距离， 为测试样本，ｔ为训 练样本，ｉ为每种属性内部的数据编号。 ｋ－ＮＮ算法作为懒惰学习法的典型代表，其训练 时间为零，而分类复杂度与训练集中的样本数目成 正比，即训练集中样本总数为 ，则ｋ－ＮＮ的时间复 杂度为Ｄ（佗）。 ４ 系统实现及实验分析 本节介绍系统的实现以及相关实验和结果分 析。 ４．１系统设计与实现 本文研发的跌倒检测系统主要由两部分构成： 一是硬件子系统，即缝合了活动感知模块的可穿戴 背心。二是软件子系统，由分别运行于活动感知模 块的片上程序（Ｃ语言）和智能手机中的检测程序 （Ｊａｖａ）构成。其中，片上程序的运行流程为：（１）微 控制器初始化并校正传感器，设置采样频率和传输 速度；（２）以５０ Ｈｚ频率实时采集运动数据；（３）构建 数据包并无线传输到手机。检测程序的运行流程为： （１）手机与感知模块配对，接收并解析数据包；（２） 计算姿态角和信号向量模，结合角速度完成卡尔曼 滤波；（３）更新滑动窗口数据，使用ｋ－ＮＮ算法进行 跌倒检测；（４）若识别老年人摔倒则发出警报，系统 结束运行；否则更新滑动窗口并继续监测。 ４．２实验及结果分析 根据前文所述，本文采集了包括前摔、后摔与 侧摔在内的跌倒动作和包括行走、坐下、蹲下和弯 腰在内的日常动作。出于安全考虑，实验并未邀请 老人参与。实验者共有２０人，分别包括１０位男性 和ｌ０位女性，年龄分布在２０－２５岁之间。各个动 作由每位实验者完成５次，最终共采集７００组数据， 每种动作各１００组。 为了准确评估算法性能，本文采用十折交叉验 证进行训练，并设计了两套分类策略。一是多分类 评估，即根据动作的种类，要求算法能够识别行走、 坐下、蹲下、弯腰、侧摔及前后摔等６种类别。根 据前期调研，因为前摔与后摔的区分度较低，所以 被合并成“前后摔”一种类别。二是研究中常见的 二分类评估，即只要求算法识别跌倒和其他动作， 不要求细分具体种类。最后，采用分类总体准确率 ｆＡｃｃｕｒａｃｙ）及所有不同动作识别结果的平均敏感度 （Ａｖｇ Ｓｅｎｓｉｔｉｖｉｔｙ）、平均特异性（Ａｖｇ Ｓｐｅｃｉｆｉｃｉｔｙ）作 为评价指标。 ４．２．１距离计算实验如图４、图５所示，本文使用 ２６３２ 电子与信息学报 第３９卷 酲 燃 ∞∞鲫 琳 ∞岳弓∞∞ 求 平均精 平均敏 平均特 确率 感度 异性 ■欧几里得距离囵曼哈顿距离四切比雪夫距离 图４多分类场景下卡尔曼滤波前 基于不同距离的ｋ－ＮＮ算法结果 未经滤波的样本，依次对基于曼哈顿、欧几里得、 切比雪夫等３种常见距离公式的ｋ＿ＮＮ算法分别开 展了两轮分类测试。图中数据为相应指标由ｋ＝ｌ，３，５， ７，９时的结果所求的均值。 实验结果表明：不论在哪种分类场景，选择曼 哈顿距离作为样本相似度的量化方法，可增强ｋ＿ＮＮ 算法的识别效果。根据多分类实验，采用曼哈顿距 离，系统分类的平均准确率和敏感度均达到９４．７％， 相比欧氏距离增长ｌ１．５％；相比切比雪夫距离提高 ５２．５％。而以差距较小的平均特异性进行评价，采用 欧式距离与切比雪夫距离的系统仍与其分别存在 ２％和８．９％的差距。根据二分类实验，尽管不同距离 的性能更为接近，但曼哈顿距离仍具有更好效果： 相比欧氏距离与切比雪夫距离，各个指标的平均差 距分别为４．３％及２８．２％。 ４．２．２卡尔曼滤波实验如图６与图７所示，分别对 应于图４和图５给出了在不同分类实验后使用卡尔 曼滤波后的样本对采用不同距离的ｋ—ＮＮ算法的影 响。 实验结果表明：首先，在两种实验中卡尔曼滤 波分别为基于欧氏距离与切比雪夫距离的ｋ—ＮＮ算 法带来了积极影响。欧氏距离在多分类与二分类实 验中，所有指标的平均增长分别为６．４％及４．８％； 而切比雪夫距离在两次实验中，所有指标的平均增 醒 燃 蜮 ｊ｝】《 平均精 平均敏 平均特 确率 感度 异性 ■欧几里得距离 国曼哈顿距离 盟切比雪夫距离 图６多分类场景下卡尔曼滤波后基于 不同距离的ｋ—ＮＮ算法结果 平均精 平均敏 平均特 确率 感度 异性 一欧几里得距离圈曼哈顿距离四切比雪夫距离 图５二分类场景下卡尔曼滤波前 基于不同距离的ｋ＿ＮＮ算法结果 长分别为２４．７％及１８．６％。其次，因为曼哈顿距离 本身对ｋ＿ＮＮ算法产生了优良影响，所以虽然卡尔 曼滤波未能在多分类实验中体现明显效果；但在二 分类实验中却促进算法所有指标平均增长１．４％。 ４．２．３各分类算法对比实验表１和表２分别记录了 在多分类与二分类实验中，输入经过滤波的样本后 各个算法的分类性能对比。由于在ｋ＝３时，基于曼 哈顿距离的ｋ－ＮＮ算法分类效果最好，本文便以其 作为ｋ－ＮＮ算法的代表。 根据表１的实验数据，ｋ．ＮＮ算法在多方面均具 有明显优势。首先，ｋ＿ＮＮ算法的平均敏感度和特异 性等数据非常突出，即便对于差距最小的随机森林 算法，两项指标也分别相差３．７％和１．６％；而差距 最大的线性核函数支持向量机与之相比，两项指标 分别相差１０．１％和２．５％。其次，ｋ＿ＮＮ算法的训练 时间最短，仅有０．０１ ｓ，与其他算法相比均在巨大 优势，可以完全满足系统的实时眭要求。最后，ｋ＿ＮＮ 算法能够支持对活动类型的准确判断，为远程医疗 的发展奠定了基础。 结合表２的相关数据，可以发现：由于从多分 类到二分类时识别种类被降低，各个类别对应的数 量与分布比例都发生了变化，导致所有算法的准确 率和平均敏感度数据均有所增长，而平均特异性则 产生走低现象。与多分类实验相比ｋ＿ＮＮ算法整体 平均精 平均敏 平均特 确率 感度 异性 ■欧几里得距离 国曼哈顿距离母切比雪夫距离 图７二分类场景下卡尔曼滤波后基于 不同距离的ｌｒ—ＮＮ算法结果 第ｌ１期 何坚等：基于卡尔曼滤波与ｋ．ＮＮ算法的可穿戴跌倒检测技术研究 表１卡尔曼滤波后各算法在多分类情境的分类性能对比 最后，本文引入英国考文垂大学（Ｃｏｖｅｎｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ）的ｏｊｅｔｏｌａ团队采集的公开数据［ ７］进行 验证，实验结果如表３所示。ｏｊｅｔｏｌａ等人将集成了 加速计与陀螺仪的传感器模块分别放置于志愿者胸 口和大腿两个部位，并先后对３２人采集了十余种动 作的数据，采样频率为１００ Ｈｚ。本文选取了步行、 屈膝蹲伏、坐入椅子等三种室内环境下易产生误报 的活动和模拟右摔、真实前后摔等跌倒动作进行对 比。其中，真实摔倒是指志愿者蒙上双眼并被突然 推倒的过程。由于各种动作的完成次数不同，所以 表２卡尔曼滤波后各算法在二分类情境的分类性能对比 准确率与平均敏感度两项指标的提升幅度均达到 ２．９％，与其他算法相比仍体现了鲜明效果。其中， 差距最小的随机森林算法与之相比，所有指标平均 降低０．７％．而差距最明显的朴素贝叶斯的平均跌幅 则高达１０．３％。上述记录也表明：多分类实验中， 不同跌倒和不同日常动作内部存在混淆现象，从而 降低分类性能；降低分类要求，可以增强跌倒检测 的效率。 本文分别对步行、蹲伏和坐下等动作提取了２０５、 １３６和３６３个样本；对真实前摔后摔和模拟右摔分 别提取了４８、４６和３４个样本；总计８３２个。实验 仍采用十折交叉验证对滤波后的样本进行训练，并 按照ｏｊｅｔｏｌａ团队的方案进行了二分类实验。 实验结果如表３所示，分类性能最出色的算法 是随机森林，其次分别是Ｒｉｐｐｅｒ和Ｃ４．５决策树算 法。虽然与随机森林算法相比，ｋ＿ＮＮ在准确率和敏 感度等指标比较接近，相差仅为１．５％，但特异性却 相差高达６％。与前文的模拟实验相比，除了传感器 模块位置差异造成的影响外，这次实验变化的主要 因素还包括：首先，跌倒样本所占比例较低，因此 漏报误报产生的影响会更加明显；而且基于曼哈顿 距离的ｋ—ＮＮ算法漏报高达１６次，相比之下随机森 林仅漏报７次。显然，引入真实跌倒数据后，虽然 ｋ－ＮＮ算法的依然保持极低的误报率，但是漏报率却 受到了部署位置等因素的影响，还有进一步优化和 改良的空间。 ５结束语 本文设计了一种面向可穿戴设备的老年人跌倒 检测技术。首先，通过卡尔曼滤波完成加速度与角 速度的融合，从而准确计算姿态角的变化。其次， 选取姿态角和信号向量模作为特征量，结合滑动窗 表３使用考文垂数据的各算法在二分类情境的分类性能对比 １ ２ ３ ４ ５ ２６３４ 电子与信息学报 第３９卷 口及ｋ＿ＮＮ算法对数据进行分析处理，实现跌倒检 测。本文从距离公式、滤波前后等多方面对ｋ＿ＮＮ 算法的影响进行了分析，并对比了各个算法的性能。 实验结果表明：系统可以有效区分跌倒和其他日常 ９］ Ｇｅｒｏｎｔｏｌｏｇｉｅ Ｕｎｄ Ｇｅｒｉａｔｒｉｅ，２０１２，４５（８）：７０７—７１５．ｄｏｉ： １０．１００７／ｓ００３９１—０１２—０４０３—６． ＷＡＮＧ Ｊｉｎ，ＺＨＡＮＧ Ｚｈｏｎｇｑｉ，ＬＩ Ｂｉｎ，ｅｔ ａ１．Ａｎ ｅｎｈａｎｃｅｄ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ｓｙｓｔｅｍ ｆｏｒ ｅｌｄｅｒｌｙ ｐｅｒｓｏｎ ｍｏｎｉｔｏｒｉｎｇ ｕｓｉｎｇ ｃｏｎｓｕｍｅｒ ｈｏｍｅ ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｏｎｓｕｍｅｒ Ｅｌｅｃｔｒｏｎｉｃｓ，２０１４，６０（１）：２３—２９．ｄｏｉ：１０．１１０９／ ＴＣＥ．２０１４．６７８０９２１． 生活动作。本文提出的方案具有部署成本低、方便 携带、实时性高等优点。在后续研究中，课题组将 继续在跌倒检测领域应用和优化各类机器学习和数 ｈａｏ，ＬＩＮ Ｆｅｎｇ，ＷＡＮＧ Ａｏｓｅｎ，ｅｔ ａ１．Ｅｖａｌｕａｔｉｏｎ ｏｆ ａ １０】 ＱＵ Ｗｅｉｌｏｗ—ｃｏｍｐｌｅｘｉｔｙ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｏｎ ｗｅａｒａｂｌｅ ｓｅｎｓｏｒ 据融合算法，改善系统对真实跌倒的漏报率，并更 ｔｏｗａｒｄｓ ｆａｌｌｓ ａｎｄ ｆａｌ１ ａｌｉｋｅ ａｃｔｉｖｉｔｉｅｓ［Ｃ１．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ 准确地描述和识别人体的动作变化。 参考文献 田雪原．人口老龄化与养老保险创新＿Ｊ＿．人口学刊，２０１４， ３６（１）：５－１５．ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００４—１２９Ｘ．２０１４．０１．００１． ＴＩＡＮ Ｘｕｅｙｕａｎ．Ｐｏｐｕｌａｔｉｏｎ ａｇｉｎｇ ａｎｄ ｅｎｄｏｗｍｅｎｔ ｉｎｓｕｒａｎｃｅ ｓｙｓｔｅｍ ｉｎｎｏｖａｔｉｏｎ［Ｊ］．Ｐｏｐｕｌａｔｉｏｎ Ｊｏｕｒｎａｌ，２０１４，３６（１）：５－１５． ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００４－１２９Ｘ．２０１４．０１．００１． 唐雨欣，郭小牧，谯治蛟，等．北京，上海社区老年人跌倒现 况及影响因素研究［Ｊ］．中华疾病控制杂志，２０１７，２１（１）：７２—７６． ｄｏｉ：１０．１６４６２／ｊ．ｃｎｋｉ．ｚｈｊｂｋｚ．２０１７．０１．Ｏ１７． ＴＡＮＧ Ｙｕｘｉｎ，ＧＵＯ Ｘｉａｏｍｕ，ＱＩＡＯ Ｚｈｉｊｉａｏ，ｅｔ ａ１．Ａｎａｌｙｓｉｓ Ｏｌｌ ｐｒｅｖａｌｅｎｃｅ ａｎｄ ｒｉｓｋ ｆａｃｔｏｒｓ ｆｏｒ ｆａｌｌｓ ａｍｏｎｇ ｔｈｅ ｅｌｄｅｒｌｙ ｉｎ ｃｏｍｍｕｎｉｔｉｅｓ ｏｆ Ｂｅｉｊｉｎｇ ａｎｄ Ｓｈａｎｇｈａｉ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｄｉｓｅａｓｅ Ｃｏｎｔｒｏｌ＆Ｐｒｅｖｅｎｔｉｏｎ，２０１７，２１（１）：７２—７６．ｄｏｉ １０． １６４６２／ｊ．ｃｎｋｉ．ｚｈｊｂｋｚ．２０１７．０１．０１７． ＫｏＳＨＭＡＫ Ｇｒｅｇｏｒｙ．Ｌ０ＵＴＦＩ Ａｍｙ．ａｎｄ ＬＩＮＤＥＮ Ｍａｒｉａ． Ｃｈａｌｌｅｎｇｅｓ ａｎｄ ｉｓｓｕｅｓ ｉｎ ｍｕｌｔｉｓｅｎｓｏｒ ｆｕｓｉｏｎ ａｐｐｒｏａｃｈ ｆｏｒ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ：Ｒｅｖｉｅｗ ｐａｐｅｒ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｓｅｎｓｏｒｓ，２０１６，２０１６： Ａｒｔｉｃｌｅ ＩＤ ８３７４５９．ｄｏｉ：１０．１１５５／２０１６／６９３１７８９． ＤＥＢＡＲＤ Ｇｌｅｎ，ＭＥＲＴＥＮＳ Ｍａｒｃ，ＤＥＳＣＨＯＤＴ Ｍｉｅｋｅ，ｅｔ ａ１． Ｃａｍｅｒａ－ｂａｓｅｄ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｒｅａｌ－ｗｏｒｌｄ ｖｅｒｓｕｓ ｓｉｍｕｌａｔｅｄ ｄａｔａ：Ｈｏｗ ｆａｒ ａｒｅ ｗｅ ｆｒｏｍ ｔｈｅ ｓｏｌｕｔｉｏｎ？『Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ａｍｂｉｅｎｔ Ｉｎｔｅｌｌｉｇｅｎｃｅ＆Ｓｍａｒｔ Ｅｎｖｉｒｏｎｍｅｎｔｓ，２０１６，８（２）： １４９—１６８．ｄｏｉ：１０．３２３３／ＡＩＳ一１６０３６９． ＢＡＬＤＥＷＩＪＮＳ Ｇｒｅｅｔ．ＤＥＢＡＲＤ Ｇｌｅｎ．ＭＥＲＴＥＳ Ｇｅｒｔ．ｅｔ ａ１． Ｂｒｉｄｇｉｎｇ ｔｈｅ ｇａｐ ｂｅｔｗｅｅｎ ｒｅａｌ－ｌｉｆｅ ｄａｔａ ａｎｄ ｓｉｍｕｌａｔｅｄ ｄａｔａ ｂｙ ｐｒｏｖｉｄｉｎｇ ａ ｈｉｇｈｌｙ ｒｅａｌｉｓｔｉｃ ｆａｌｌ ｄａｔａｓｅｔ ｆｏｒ ｅｖａｌｕａｔｉｎｇ ｃａｍｅｒａ－ｂａｓｅｄ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍｓｌＪ１．Ｈｅａｌｔｈｃａｒｅ Ｔｅｃｈｎｏｌｏｇｙ Ｌｅｔｔｅｒｓ，２０１６，３（１）：６－１１．ｄｏｉ：１０．１０４９／ｈｔ１．２０１５． ００４７ ＭＡＺＵＲＥＫ Ｐａｗｅｌ ａｎｄ ＭＯＲＡＷＳＫＩ Ｒｏｍａｎ Ｚ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｎａＹｖｅ Ｂａｙｅｓ ｃｌａｓｓｉｆｉｅｒ ｉｎ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ｓｙｓｔｅｍｓ ｂａｓｅｄ ｏｎ ｉｎｆｒｒａｅｄ ｄｅｐｔｈ ｓｅｎｓｏｒｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ ａｎｄ Ａｄｖａｎｃｅｄ Ｃｏｍｐｕｔｉｎｇ Ｓｙｓｔｅｍ－Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ （ＩＤＡＡＣＳ），Ｗａｒｓａｗ，Ｐｏｌａｎｄ，２０１５：７１７—７２２．ｄｏｉ：１０．１１０９／ ＩＤＡＡＣＳ．２０１５．７３４１３９７． ＳＡＬＭＡＮ ＫＨＡＮ Ｍｕｈａｍｍａｄ，ＹＵ Ｍｉａｏ，ＦＥＮＧ Ｐｅｎｇｍｉｎｇ， ｅｔ ａ１．Ａｎ ｕｎｓｕｐｅｒｖｉｓｅｄ ａｃｏｕｓｔｉｃ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ｓｙｓｔｅｍ ｕｓｉｎｇ ｓｏｕｒｃｅ ｓｅｐａｒａｔｉｏｎ ｆｏｒ ｓｏｕｎｄ ｉｎｔｅｒｆｅｒｅｎｃｅ ｓｕｐｐｒｅｓｓｉｏｎ［Ｊ】． Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２０１５，１１０（Ｃ）：１９９—２１０．ｄｏｉ：１０．１０１６／ｊ． ｓｉｇｐｒｏ．２０１４．０８．０２１． ＢＥＣＫＥＲ Ｃ．ＳＣＨＷＩＣＫＥＲＴ Ｌ，ＭＥＬＬ０ＮＥ Ｓ， Ⅱ１． Ｐｒｏｐｏｓａｌ ｆｏｒ ａ ｍｕｌｔｉｐｈａｓｅ ｆａｌｌ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｒｅａｌ—ｗｏｒｌｄ ｆａｌｌ ｒｅｃｏｒｄｉｎｇｓ ｗｉｔｈ ｂｏｄｙ—ｉｆｘｅｄ ｓｅｎｓｏｒｓ［Ｊ］．Ｚｅｉｔｓｃｈ嘟Ｆｉｉｒ ＩＥＥＥ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ ｉｎ Ｍｅｄｉｃｉｎｅ ｎａｄ Ｂｉｏｌｏｇｙ Ｓｙｍｐｏｓｉｕｍ． Ｐｈｉｌａｄｅｌｐｈｉａ，ＰＡ，Ｕｎｉｔｅｄ Ｓｔａｔｅｓ，２０１５：卜６．ｄｏｉ：１０．１１ｏ９／ ＳＰＭＢ．２０１５．７４０５４２７． ［１１ ＱＵ Ｗｅｉｈａｏ，ＬＩＮ Ｆｅｎｇ，ａｎｄ ＸＵ Ｗｅｎｙａｏ．Ａ ｒｅａｌ—ｔｉｍｅ ｌｏｗ—ｃｏｍｐｌｅｘｉｔｙ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ｓｙｓｔｅｍ ｏｎ ｔｈｅ ｓｍａｒｔｐｈｏｎｅ［Ｃ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｆｉｒｓｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｎｎｅｃｔｅｄ Ｈｅａｌｔｈ：Ａｐｐｌｉｃａｔｉｏｎｓ，Ｓｙｓｔｅｍｓ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ．Ｗａｓｈｉｎｇｔｏｎ，ＤＣ，Ｕｎｉｔｅｄ Ｓｔａｔｅｓ，２０１６：３５４—３５６． ｄｏｉ：１０．１ｌ０９／ＣＨＡＳＥ．２０１６．７３． １２］ ＳＡＬＧＡＤ０ Ｐａｕｌｏ ａｎｄ ＡＦ０ＮＳ０ Ｐａｕｌｏ．Ｂｏｄｙ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ Ｋａｌｍａｎ ｆｉｌｔｅｒ ａｎｄ ＳＶＭ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １１ｔｈ Ｐｏｒｔｕｇｕｅｓｅ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｕｔｏｍａｔｉｃ Ｃｏｎｔｒｏｌ，Ｐｏｒｔｏ， Ｐｏｒｔｕｇａｌ，２０１５，３２１ ＬＮＥＥ：４０７—４１６．ｄｏｉ：１０．１００７／９７８－３—３１９— １０３８０—８３９． 【１３ Ｂ０ＵＲＫＥ Ａ Ｋ ａｎｄ Ｌｙ０ＮＳ Ｇ Ｍ．Ａ ｔｈｒｅｓｈｏｌｄ—ｂａｓｅｄ ｆｌａｌ－ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｕｓｉｎｇ ａ ｂｉ—ａｘｉａｌ ｙｇｒｏｓｃｏｐｅ ｓｅｎｓｏｒ［Ｊ］． Ｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ＆Ｐｈｙｓｉｃｓ，２００８，３０（１）：８４—９０．ｄｏｉ： １０．１０１６／ｊ．ｍｅｄｅｎｇｐｈｙ．２００６．１２．００１． 【ｌ４ 陈航科，张东升，盛晓超，等．基于Ｋａｌｍａｎ滤波算法的姿态 传感器信号融合技术研究［Ｊ］．传感器与微系统，２０１３，３２（１２）： ８２—８５． ＣＨＥＮ Ｈａｎｇｋｅ，ＺＨＡＮＧ Ｄｏｎｇｓｈｅｎｇ，ＳＨＥＮＧ Ｘｉａｏｃｈａｏ，ｅｔ ａ１． Ｒｅｓｅａｒｃｈ ｏｎ ｓｉｇｎａｌ ｆｕｓｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｏｆ ａｔｔｉｔｕｄｅ ｓｅｎｓｏｒ ｂａｓｅｄ ｏｎ Ｋａｌｍａｎ ｆｉｌｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｔｒａｎｓｄｕｃｅｒ ａｎｄ Ｍｉｃｒｏｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｉｅｓ，２０１３，３２（１２）：８２—８５．ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－９７８７．２０１３．１２．０２３． １ ５１ ＬＩ Ｑｉａｎｇ，ＳＴＡＮＫ０ＶＩＣ Ｊｏｈｎ Ａ，ＨＡＮＳ０Ｎ Ｍａｒｋ Ａ，ｅｔ ａ１ ．Ａｃｃｕｒａｔｅ， ｆｓａｔ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｇｙｒｏｓｃｏｐｅｓ ａｎｄ ａｃｃｅｌｅｒｏｍｅｔｅｒ ｄｅｒｉｖｅｄ ｐｏｓｔｕｒｅ ｉｎｆｏｒｍａｔｉｏｎ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｓｉｘｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｗｅａｒａｂｌｅ ａｎｄ Ｉｍｐｌａｎｔａｂｌｅ Ｂｏｄｙ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋｓ，Ｂｅｒｋｅｌｅｙ，ＣＡ，Ｕｎｉｔｅｄ Ｓｔａｔｅｓ，２００９：１３８—１４３．ｄｏｉ：１０．１ｌ０９／ＢＳＮ．２００９．４６． １６】 ＨＥ Ｊｉａｎ ａｎｄ ＨＵ Ｃｈｅｒｔ．Ａ ｐｏｒｔａｂｌｅ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ａｎｄ ａｌｅｒｔｉｎｇ ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ ｋ－ＮＮ ａｌｇｏｒｉｔｈｍ ａｎｄ ｒｅｍｏｔｅ ｍｅｄｉｃｉｎｅ［Ｊ］ ．Ｃｈｉｎａ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１５，１２（４）：２３—３１．ｄｏｉ：１０．１１０９／ＣＣ． ２０１５．７１１４０６６． 【１７１ ＥＲＤＯＧＡＮ Ｓｅｎｏｌ Ｚａｆｅｒ ａｎｄ ＢＩＬＧＩＮ Ｔｕｒｇａｙ Ｔｕｇａｙ．Ａ ｄａｔａ ｍｉｎｉｎｇ ａｐｐｒｏａｃｈ ｆｏｒ ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ｂｙ ｕｓｉｎｇ ｋ—Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｕｒ ａｌｇｏｒｉｔｈｍ ｏｎ ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋ ｄａｔａ［Ｊ］．ＩＥＴ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１２，６（１８）：３２８１—３２８７．ｄｏｉ：ｉ０．１０４９／ ｉｅｔ—ｃｏｍ．２０１】．０２２８． 何坚： 男，１９６９年生，副教授，主要从事普适计算方面的研究 周明我： 男，１９９１年生，硕士生，从事嵌入式软件方面的研究． 王晓懿： 男，１９８２年生，讲师，主要从事嵌入式系统方向研究．
