LIU Peng，LU Tancheng，LV Yuanyuan，DENG Yongli，LU Qiyong

(Department of Electronic Engineering，F(xiàn)udan University，Shanghai，200433)

MEMS Tri-Axial Accelerometer Based Fall Detection

LIU Peng，LU Tancheng，LV Yuanyuan，DENG Yongli，LU Qiyong*

(Department of Electronic Engineering，F(xiàn)udan University，Shanghai，200433)

As a part of human activities，fall is one of the key factors affecting human health，especially for patients and elders，fall detection is of much importance.This paper presents a method of Signal Magnitude Vector Sliding Average(SVMSA)with Fixed Threshold，based on the acceleration signals of human activity acquired from a MEMS triaxial accelerometer.By extracting the characteristics of human activity acceleration signals，this algorithm accurately achieves human’s fall detection，using the prefixed threshold to judge the SVMSA and the differential signal magnitude area(DSMA)to distinguish fast running.The major advance lies in the attempt to analyze and distinguish human’s fall and other intense activities，like running fast.By testing eight participants，we get 94.4%accuracy.Experimental results indicate the proposed algorithm can realize human’s fall detection with much accuracy.

sensors application;fall detection;signal magnitude vector SVM;differential signal magnitude area DSMA;tri-axial accelerometer

微電子技術(shù)和信息技術(shù)的進(jìn)步使得開發(fā)一種成本低、重量輕、小型化，能夠?qū)崟r(shí)監(jiān)測(cè)自由生活環(huán)境下的人體活動(dòng)的可穿戴設(shè)備成為了可能［1］。摔倒作為人體活動(dòng)的一部分，是影響人體健康的一大因素，尤其對(duì)病人和老人而言，摔倒的檢測(cè)則至關(guān)重要。研究表明，在我國65歲以上的老年人中，有相當(dāng)一部分人曾經(jīng)摔倒過，且摔倒的發(fā)生率隨著年齡的增長而升高［2－3］，因而及時(shí)地救助摔倒的老年人將大大降低傷殘率和死亡率［4］。

目前摔倒檢測(cè)的主流研究手段主要有兩種，一種是基于圖像分析的方法，另一種是基于加速度傳感器的方法?；趫D像分析的方法對(duì)設(shè)備要求高、算法復(fù)雜、成本高，且局限于特定的場(chǎng)合［5］。而基于微機(jī)電系統(tǒng)MEMS的三軸加速度傳感器能夠提供一種客觀的、定量的人體活動(dòng)信息［6］，憑借其體積小、成本低、功耗低、靈敏度高的優(yōu)勢(shì)被越來越多的應(yīng)用于人體活動(dòng)的檢測(cè)和評(píng)估中。這種研究方法不但成本低，而且不受人體活動(dòng)環(huán)境的限制，使用的監(jiān)測(cè)設(shè)備可以隨身攜帶，實(shí)時(shí)監(jiān)測(cè)，還可以實(shí)現(xiàn)遠(yuǎn)程監(jiān)控。

對(duì)于基于加速度傳感器的摔倒檢測(cè)，國內(nèi)外的眾多學(xué)者都進(jìn)行了大量的深入研究。曹玉珍等人［4］提出了基于SVM和MADS的三級(jí)摔倒檢測(cè)算法，盡管獲得了96%的檢測(cè)精度，卻沒有考慮快速跑步的影響。Mathie［6］提出了基于決策二叉樹的分級(jí)分類算法，實(shí)現(xiàn)了對(duì)人體活動(dòng)的分類識(shí)別，其中也對(duì)摔倒進(jìn)行了檢測(cè)。Karantonis D M等人［7］在Mathie的研究基礎(chǔ)上使用固定閾值的SVM判決法對(duì)摔倒進(jìn)行預(yù)判，并通過連續(xù)監(jiān)測(cè)之后60 s的加速度數(shù)據(jù)做進(jìn)一步的判決。Jantaraprim P等人［8］提出了基于時(shí)間窗的SVM雙閾值判決法檢測(cè)人體摔倒，算法簡(jiǎn)單有效。Do-Un Jeong等人［9］提出了SVM與DSVM相結(jié)合的方法對(duì)人體活動(dòng)進(jìn)行分類識(shí)別，其中也包括了對(duì)摔倒的檢測(cè)。

摔倒屬于一種短暫性的劇烈活動(dòng)，人們?nèi)粘Ｉ钪羞M(jìn)行的其他劇烈性活動(dòng)，如快速跑步、快速上下樓梯等都會(huì)對(duì)摔倒的檢測(cè)帶來影響。本文基于快速跑步、摔倒等劇烈性活動(dòng)的加速度信號(hào)特征，提出了基于固定閾值的信號(hào)幅度向量滑動(dòng)平均法SVMSA對(duì)摔倒進(jìn)行識(shí)別，對(duì)于某些特殊情況，如快速跑步被預(yù)判為摔倒，則使用差分信號(hào)幅度域DSMA做進(jìn)一步的區(qū)分判別。該算法不僅適用于普通的摔倒檢測(cè)，還適用于快速跑步、快速跑步時(shí)摔倒等特殊情況下的摔倒檢測(cè)，對(duì)于自由生活環(huán)境下的人體摔倒檢測(cè)具有較強(qiáng)的適用性。

1 MEMS加速度傳感器

研究顯示，人體軀干的加速度值不會(huì)超過6 gn［10］，本文選用基于微機(jī)電系統(tǒng)MEMS的三軸加速度傳感器MMA7361L［11］作為人體加速度信號(hào)的采集設(shè)備，并將傳感器采集單元放于最靠近人體質(zhì)心的腰部的右側(cè)髂骨處［6］，以采集能更好地反應(yīng)人體軀干質(zhì)心的加速度信號(hào)。

隨著傳感器使用時(shí)間的增長，傳感器由于機(jī)械轉(zhuǎn)向會(huì)產(chǎn)生一定的漂移［12］，但在傳感器使用幾周后的半年內(nèi)，其三軸測(cè)量值會(huì)穩(wěn)定至某一常數(shù)，此時(shí)的漂移可以忽略不計(jì)［13］。因此為了更準(zhǔn)確地反應(yīng)人體活動(dòng)的加速度信號(hào)，需要首先對(duì)使用的傳感器進(jìn)行校正。

本文使用類似于六位置測(cè)試法［14］的均值法對(duì)傳感器做簡(jiǎn)單的校正:在墻壁或桌角邊用細(xì)銅絲懸掛一鉛錘作為重力加速度的軸線G，分別將加速度傳感器沿3個(gè)軸的正負(fù)方向與軸線G平行放置，并在每個(gè)軸上各自采集N點(diǎn)數(shù)據(jù)，共產(chǎn)生18組數(shù)據(jù): X軸、Y軸、Z軸垂直G方向各4組，X軸、Y軸、Z軸正負(fù)G方向各1組。下面以獲得X軸的補(bǔ)償量Dx為例說明，Y軸、Z軸的補(bǔ)償量Dy、Dz同理獲得，每組數(shù)據(jù)均以對(duì)應(yīng)的數(shù)字量表示。

X軸垂直G方向的4組數(shù)據(jù)(Y軸、Z軸正負(fù)G方向)各自的均值記為Ex1，Ex2，Ex3，Ex4，X軸正負(fù)G方向的輸出數(shù)據(jù)均值記為Ex－，Ex+，加速度傳感器輸出0 gn、－1 gn、+1 gn對(duì)應(yīng)的理論值分別記為S0，S－，S+，則X軸的補(bǔ)償量Dx可由下式獲得:

2 摔倒檢測(cè)算法

幾乎所有的人體活動(dòng)產(chǎn)生的加速度信號(hào)的頻率成分都在20 Hz以下［7］，因此在保證滿足Nyquist采樣定律的前提下，本文采用Karantonis D M［7］使用的45 Hz的采樣頻率對(duì)人體加速度信號(hào)進(jìn)行采樣。

2.1 加速度信號(hào)預(yù)處理

在采集人體加速度信號(hào)的過程中，難免引入兩種主要的噪聲干擾，一種是外界環(huán)境噪聲，另一種是系統(tǒng)噪聲。為此，系統(tǒng)首先通過截止頻率同樣為45 Hz的RC低通濾波器濾除部分外界環(huán)境噪聲，再通過三階中值濾波器進(jìn)一步濾除尖峰噪聲的干擾。

由于采集的加速度信號(hào)是人體活動(dòng)產(chǎn)生的加速度AB和重力加速度AG的合加速度信號(hào)AT，為了分離出重力加速度分量AG，本文采用類似Karantonis D M［7］中的低通濾波器對(duì)中值濾波后的信號(hào)進(jìn)行進(jìn)一步的低通濾波，獲得AG，進(jìn)而由AB=AT－AG得到AB的近似值。研究表明，使用該線性關(guān)系獲得的AB同樣可以獲得較好的評(píng)估效果［6］，且計(jì)算復(fù)雜度低。

2.2 人體加速度信號(hào)特征評(píng)估

當(dāng)人在休息時(shí)，人體產(chǎn)生的加速度幾乎為零，加速度傳感器3個(gè)軸向輸出的是重力加速度在3個(gè)軸上的分量加速度;而當(dāng)人在活動(dòng)時(shí)，加速度傳感器輸出的還有身體產(chǎn)生的加速度信號(hào)，合加速度必然增大。然而在某些情況下，噪聲的干擾也可能導(dǎo)致合加速度的增大，為了降低噪聲可能導(dǎo)致的誤判，需要一個(gè)既能反應(yīng)信號(hào)幅度變化，又能包含一定時(shí)間跨度的量，來區(qū)分人體的活動(dòng)和休息，因此我們引入歸一化信號(hào)幅度域SMA［6］，其定義式如下:

其中x(t)，y(t)，z(t)分別是身體加速度AB在加速度傳感器3個(gè)軸上的分量加速度，T是歸一化時(shí)間，即信號(hào)觀察窗口時(shí)間。

Mathie通過實(shí)驗(yàn)研究發(fā)現(xiàn)［6］，SMA的大小受信號(hào)觀察窗口時(shí)間的影響，且當(dāng)T在0.8 s～1.4 s范圍內(nèi)時(shí)，由SMA獲得的區(qū)分效果是最優(yōu)的。由此，本文選擇觀察窗口長度L=50，對(duì)應(yīng)觀察時(shí)間約1.1 s。

當(dāng)SMA超過預(yù)先設(shè)定的閾值Vth時(shí)，認(rèn)為此時(shí)人體在活動(dòng)。

用于考察人體活動(dòng)強(qiáng)度的量是身體加速度信號(hào)幅度向量SVM［7］，其定義式如下:

其中xi，yi，zi分別是身體加速度AB在X、Y、Z軸上的第i個(gè)采樣值。

由SVM的定義式可以看出，SVM的大小隨著人體活動(dòng)劇烈程度的增加而增大。

2.3 摔倒檢測(cè)算法

人體摔倒屬于一種短暫性的劇烈活動(dòng)，身體加速度AB的SVM峰值會(huì)變得比較大，一般會(huì)超過1.8 gn，因而選擇1.8 gn作為人體摔倒的判決閾值，這也是經(jīng)過正規(guī)的病人測(cè)試研究驗(yàn)證的［7］。然而人體摔倒時(shí)，SVM的值并非在摔倒的時(shí)間段內(nèi)一直保持較大的峰值，而是像如圖1所示的那樣有所波動(dòng)。

圖1 人體摔倒時(shí)的SVM

此外人體某些其他非摔倒性的劇烈活動(dòng)，如快速跑步，其SVM的峰值有時(shí)也會(huì)超過1.8 gn，如圖2，而且SVM是由X、Y、Z軸的采樣值直接計(jì)算得出，難免受到尚未被低通濾波器濾除的噪聲影響，為此，本文使用滑動(dòng)平均窗對(duì)SVM進(jìn)行均值去噪處理，再基于同樣的固定閾值1.8 gn對(duì)摔倒進(jìn)行判決，滑動(dòng)平均窗的長度L可由下述估算得出。

圖2 人體快速跑步時(shí)的SVM

成年人身高H一般介于1.5 m至1.9 m之間，此處選擇H=1.7 m用于估算。研究發(fā)現(xiàn)，人體肚臍是人體頭頂至足底的黃金分割點(diǎn)［15］，即肚臍至足底的長度是人體身高的0.618倍，而肚臍恰好處在人體腰部，同時(shí)認(rèn)為人體摔倒時(shí)縱向初速度為零，加速度a取為閾值1.8 gn，gn=9.8 m/s2，根據(jù)at2得到人體落至地面的時(shí)間大約0.345 ms，對(duì)應(yīng)本文中大約15個(gè)采樣點(diǎn)，即滑動(dòng)窗口長度L=15。

經(jīng)過滑動(dòng)平均后的SVM，即SVMSA，仍然不能完全區(qū)分摔倒和快速跑步等劇烈活動(dòng)，如圖3和圖4所示的快速跑步和摔倒的SVMSA離散圖，在1.8 gn的判決閾值下，仍舊存在將快速跑步誤判為摔倒的情況。

圖3 人體快速跑步時(shí)SVM的SVMSA

為了能夠?qū)⒖焖倥懿胶退さ沟葎×倚曰顒?dòng)徹底區(qū)分開來，使用基于決策二叉樹的分類器首先將人體活動(dòng)分為循環(huán)性活動(dòng)和短暫性活動(dòng)，區(qū)分界限是持續(xù)時(shí)間5 s［6］，對(duì)應(yīng)5個(gè)連續(xù)的SMA離散點(diǎn)，由此可將進(jìn)行非循環(huán)性動(dòng)作時(shí)摔倒與跑步區(qū)分開來，卻無法區(qū)分快速跑步過程中摔倒的特殊情況。

對(duì)于這種特殊情況，使用如下兩種特征進(jìn)行綜合判決:

(1)人體快速跑步時(shí)，其步頻通常超過3 Hz，對(duì)應(yīng)本文中SVMSA超過1.8 gn的點(diǎn)不會(huì)連續(xù)存在兩個(gè)，有時(shí)會(huì)間隔開，如上圖3。而人體摔倒時(shí)，其SVMSA超過1.8 gn的點(diǎn)不會(huì)連續(xù)超過兩個(gè)，如圖4，這是由摔倒過程的短暫性決定的。當(dāng)SVMSA連續(xù)3個(gè)離散點(diǎn)中有兩個(gè)超過1.8 gn且相互間隔開時(shí)，直接判為非摔倒;當(dāng)SVMSA連續(xù)3個(gè)離散點(diǎn)中有兩個(gè)連續(xù)點(diǎn)超過1.8 gn或僅有一個(gè)點(diǎn)超過1.8 gn時(shí)，則預(yù)判為摔倒發(fā)生，并使用(2)做進(jìn)一步地判決。

(2)當(dāng)人體摔倒時(shí)，身體做近似自由落體運(yùn)動(dòng)，在身體下落至撞擊地面時(shí)，AB的SMA迅速增大，而之后的短時(shí)間內(nèi)(1 s～3 s)，身體幾乎無動(dòng)作，AB的SMA則會(huì)迅速下降，如圖5。而當(dāng)人體跑步時(shí)，AB的SMA會(huì)近似正弦性的上下波動(dòng)，不會(huì)發(fā)生較大的突變，如圖6。鑒于此，使用差分SMA，即DSMA做進(jìn)一步的判決，即當(dāng)在循環(huán)性活動(dòng)中檢測(cè)到SVMSA超過閾值1.8 gn時(shí)，考察對(duì)應(yīng)時(shí)刻之后3個(gè)SMA離散點(diǎn)的DSMA是否超過0.6 gn，若超過，則判為摔倒發(fā)生。

綜合(1)(2)，當(dāng)二者同時(shí)判為摔倒發(fā)生時(shí)，則最終確定摔倒發(fā)生。

圖5 人體摔倒時(shí)的SMA

圖6 人體快速跑步時(shí)的SMA

圖7 人體摔倒檢測(cè)流程圖

根據(jù)上述分析，得出本文提出的基于決策二叉樹分類器的固定閾值SVM滑動(dòng)平均法SVMSA和DSMA共同實(shí)現(xiàn)人體摔倒的判決流程如圖7所示。

3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文提出算法的可行性和準(zhǔn)確性，邀請(qǐng)了8名健康志愿者(年齡22歲～26歲，身高155 cm～175 cm，男7人，女1人)，在室外平整的草坪上做模擬老年人的摔倒動(dòng)作:向前摔倒、向后摔倒、側(cè)向(左右)摔倒，同時(shí)記錄摔倒后3 s～5 s的動(dòng)作:摔倒后不動(dòng)、摔倒后掙扎和摔倒后站起，并在平整的水泥路面上采集相同實(shí)驗(yàn)者的跑步數(shù)據(jù):普通跑步、快速跑步(類似百米跑)。實(shí)驗(yàn)中共采集102組數(shù)據(jù):摔倒54組，跑步48組，對(duì)每組數(shù)據(jù)使用本文提出的摔倒檢測(cè)算法進(jìn)行摔倒檢測(cè)，得到的結(jié)果如表1所示。

表1 摔倒檢測(cè)實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)

從表1中可以看出，所有的跑步活動(dòng)都未被劃分為摔倒，即在區(qū)分跑步尤其是快速跑步和摔倒的情況下，實(shí)現(xiàn)了100%準(zhǔn)確性。在摔倒檢測(cè)中，實(shí)現(xiàn)了94.4%的精度，盡管比文獻(xiàn)［4］中96%的精度略低，但本文卻可以區(qū)分快速跑步等劇烈活動(dòng)對(duì)摔倒的影響，而文獻(xiàn)［4］僅研究了慢跑的情況，慢跑的SVM明顯低于摔倒，很容易區(qū)分開來。

摔倒測(cè)試中的3組摔倒沒有被檢測(cè)出來的主要原因全部是SVMSA的幅度沒有超過1.8 gn，即所進(jìn)行的摔倒過于輕微緩慢，沒有像真實(shí)的摔倒那樣逼真，畢竟所有的摔倒動(dòng)作都是由志愿者模擬老年人摔倒所得到的。此外，由于特殊原因，本次實(shí)驗(yàn)沒有具體采集老年人等特殊人群的摔倒數(shù)據(jù)，而導(dǎo)致這種特殊人群的摔倒檢測(cè)無法得到真正驗(yàn)證。

4 結(jié)論

本文針對(duì)影響人體健康的摔倒的檢測(cè)，提出了基于固定閾值的SVM滑動(dòng)平均SVMSA和差分DSMA相結(jié)合的方法，對(duì)人體摔倒進(jìn)行檢測(cè)，并重點(diǎn)分析和區(qū)分了快速跑步等劇烈活動(dòng)對(duì)摔倒檢測(cè)的影響。盡管病人和老年人很少進(jìn)行快速跑步等劇烈活動(dòng)，但本文提出的方法同樣適用于病人和老年人的摔倒檢測(cè)，即病人和老年人進(jìn)行的其他非劇烈性活動(dòng)，其SVMSA很少能超過閾值1.8 gn，使用SVMSA即可檢測(cè)摔倒。此外，本文算法還適用于自由生活環(huán)境下普通成年人的摔倒檢測(cè)，進(jìn)而應(yīng)用于人體活動(dòng)分類［6－7，9］中摔倒的檢測(cè)。因而，該算法對(duì)于自由生活環(huán)境下的人體摔倒檢測(cè)具有較強(qiáng)的適用性。實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法的可行性和準(zhǔn)確性。

［1］Davide Curone，Gian Mario Bertolotti，Andrea Cristiani，et al.A Real-Time and Self-Calibrationg Algorithm Based on Triaxial Accelerometer Signals for the Detection of Human Posture and Activity［J］.IEEE Transactions on Information Technology in Biomedicine，2010，14(4):1098－1105.

［2］朱月妹，袁浩斌，陳雷.老年人跌倒危險(xiǎn)因素的調(diào)查［J］.護(hù)理實(shí)踐與研究，2007，4(10):5－7.

［3］郝燕萍，劉雪琴，靳海如.老年人跌倒傷殘情況分析［J］.護(hù)理研究，2006，20(8):2017－2018.

［4］曹玉珍，蔡偉超，程旸.基于MEMS加速度傳感器的人體姿態(tài)檢測(cè)技術(shù)［J］.納米技術(shù)與精密工程，2010，8(1):37－41.

［5］李月香，劉燕，袁濤，等.基于加速度信號(hào)的走路模式多級(jí)分類算法［J］.電子學(xué)報(bào)，2009，37(8):1794－1798.

［6］Mathie M J.Monitoring and Interpreting Human Movement Patterns Using a Triaxial Accelerometer［D］:［Ph.D.Dissertation］.The U-niversity of New South Wales，2003.

［7］Dean M Karantonis，Michael R Narayanan，Merryn Mathie，et al.Implementation of a Real-Time Heman Movement Classifier Using a Triaxial Accelerometer for Ambulatory Monitoring［J］.IEEE Transactions on Information Technology in Biomedicine，2006，10 (1):156－167.

［8］Jantaraprim P，Phukpattaranont P，Limsakul C，et al.Improving the Accuracy of a Fall Detection Algorithm Using Free Fall Characteristics［C］//IEEE International Conference on Electrical Engineering/Electronics Computer Telecommunications and Information Technology.Chiang Mai，Thailand，2010:501－504.

［9］Jeong Do-Un，Kim Se-Jin，Chung Wan-Young.Classification of Posture and Movement Using a 3-axis Accelerometer［C］//IEEE International Conference on Convergence Information Technology.Gyeongju，Korea，2007:837－844.

［10］劉蓉，黃璐，李少偉，等.基于步態(tài)加速度的步態(tài)分析研究［J］.傳感技術(shù)學(xué)報(bào)，2009，22(6):893－896.

［11］Freescale Semiconductor.±1.5g，±6g Three Axis Low-g Micromachined Accelerometer［Z］.2008.

［12］朱國忠，韋彩虹，潘敏.基于三維加速度傳感器的人體運(yùn)動(dòng)能耗檢測(cè)算法的研究［J］.傳感技術(shù)學(xué)報(bào)，2011，24(8):1217－1222.

［13］Mathie M J，Coster A C，Celler B G.Classification of Basic Daily Movements Using a Triaxial Accelerometer［J］.Medical and Biological Engineering and Computing，2004，42:670－687.

［14］宋麗君，秦永元.MEMS加速度計(jì)的六位置測(cè)試法［J］.測(cè)控技術(shù)，2009，28(7):11－14.

［15］陳國棟，李建微，潘林，等.基于人體特征三維人體模型的骨架提取算法［J］.計(jì)算機(jī)科學(xué)，2009，36(7):295－297.

劉鵬(1987－)，男，安徽宿州人，復(fù)旦大學(xué)在讀碩士研究生，主要從事數(shù)字系統(tǒng)與通信、無線傳感器網(wǎng)絡(luò)方面的研究，pengliu12@fudan.edu.cn;

盧潭城(1989－)，男，廣東陸豐人，復(fù)旦大學(xué)在讀碩士研究生，主要從事自動(dòng)控制、物聯(lián)網(wǎng)方面的研究，tanchenglu12@fudan.edu.cn;

陸起涌(1966－)，男，江蘇太倉人，復(fù)旦大學(xué)教授，碩士生導(dǎo)師，主要從事智能控制、嵌入式系統(tǒng)、物聯(lián)網(wǎng)技術(shù)等方面的研究，lqyong@fudan.edu.cn。

基于MEMS三軸加速度傳感器的摔倒檢測(cè)

劉鵬，盧潭城，呂愿愿，鄧永莉，陸起涌*
(復(fù)旦大學(xué)電子工程系，上海200433)

摔倒作為人體活動(dòng)的一部分，是影響人體健康的一大因素，尤其對(duì)病人和老年人而言，摔倒檢測(cè)至關(guān)重要?；贛EMS三軸加速度傳感器采集的人體活動(dòng)加速度信號(hào)，提出了一種基于固定閾值的信號(hào)幅度向量滑動(dòng)平均法SVMSA。該方法根據(jù)人體活動(dòng)時(shí)的加速度信號(hào)特征，利用預(yù)先設(shè)定的閾值對(duì)加速度信號(hào)幅度向量SVM的滑動(dòng)平均SVMSA進(jìn)行判決，同時(shí)使用差分信號(hào)幅度域DSMA區(qū)分快速跑步等劇烈運(yùn)動(dòng)，準(zhǔn)確實(shí)現(xiàn)了人體的摔倒檢測(cè)。主要優(yōu)勢(shì)在于分析并區(qū)別了人體快速跑步等劇烈運(yùn)動(dòng)對(duì)摔倒檢測(cè)的影響。通過對(duì)8位實(shí)驗(yàn)者的測(cè)試，該算法實(shí)現(xiàn)了94.4%的精確度。實(shí)驗(yàn)表明該算法能夠較為準(zhǔn)確地實(shí)現(xiàn)人體的摔倒檢測(cè)。

傳感器應(yīng)用;摔倒檢測(cè);信號(hào)幅度向量SVM;差分信號(hào)幅度域DSMA;三軸加速度傳感器

TP212.9

A

1004－1699(2014)04－0570－05

2013－12－10修改日期:2014－03－30

C:7230

10.3969/j.issn.1004－1699.2014.04.026