1 引言

跌倒是影响人体健康的一大因素，尤其对病人、老年人等弱势群体而言，研究自动检测跌倒系统可以使用户及时得到救助[1]。

传统的采用视频图像[2]来检测跌倒可达到较高的检测精度，但其在设备、场景上具有局限性，且侵犯用户隐私权；采用声频信号[3]检测跌倒准确度低，易受干扰，通常只用作辅助手段；随着微电子技术和信息技术的发展，采用成本低、小型化的可穿戴式设备[4]来检测跌倒备受学者关注，已成为该领域主流的研究方法。文献[5]将两个数据采集设备分别佩戴在人体两个手腕上，每个数据采集设备中都包含有一个加速度传感器与一个陀螺仪采集人体运动信息并提取特征，采用多重阈值与融合算法判断人体是否跌倒。阈值算法设定的阈值大小很大程度上决定了检测精度，若根据经验值设定阈值，不易得知其精度，若根据实验数据设定阈值，则存在逼真性与通用性问题。文献[6]利用加速度传感器采集人体运动三维数据，采用动态时间规整DTW(Dynamic Time Warping)方法将测试数据与模板数据进行匹配，判断测试数据属于何种行为，可达到较好的识别效果。文献[7]在室内环境下，利用多个传感器获取人体运动信息，采用D-S组合规则对从多传感器获得的人体运动信息进行融合，从而判断人体运动状态。

上述文献中的算法在检测时还存在错误否定率较高的问题。为解决此问题，本文研究基于带证据权的D-S数据融合算法来实现人体跌倒检测。对提取的人体运动特征采用DTW方法进行局部检测，对基于各个特征初步判断结果设置基本概率分配函数，采用证据权修正方法防止冲突证据，最终采用带证据权的D-S组合规则融合多个特征局部检测结果做出最终全局检测，以提高人体跌倒检测精度。

2 人体行为特征表达

2.1 数据获取及预处理

将智能手机固定在右手手腕上采集数据，从加速度传感器X、Y、Z三轴获得的加速度数据依次记为ax(t)、ay(t)、az(t)，同理从陀螺仪中获得的三维数据为gx(t)、gy(t)、gz(t)。采用三阶滑动平均滤波器[8]对从传感器中获得的原始数据进行预处理，降低噪声干扰，使数据变化曲线更为平滑，滑动之后的加速度传感器数据以及陀螺仪数据分别记为以及跌倒行为的ax(t)以及如图1所示。

  

Figure 1 Waveform ax before and after filtering图1 滤波前后跌倒行为ax变化曲线

2.2 人体运动信号特征

跌倒行为是人体在无意识状态下失去平衡而产生的，是一种从未知方向跌落到地面的短暂性剧烈运动。其发生过程的特点：(1)身体在接触地面时运动最为剧烈；(2)跌倒前到跌倒后人体由直立状态变为平躺状态；(3)在跌倒过程中手臂大幅旋转。本文引入三个特征分别展现以上三个特点。

(1)运动幅度特征。传感器坐标系以及坐标量的大小会随着手臂的运动过程而改变，采用单一轴的数据来表明手臂的运动剧烈程度不合理，为此，将三轴数据合为标量A，计算如式(1)所示：

 

(1)

在使用A对人体行为进行分析时，可忽略坐标系的变化，避免单轴加速度分析人体行为引起的误差。典型跌倒行为的A值变化波形如图2所示。

  

Figure 2 Resultant acceleration waveform A during a fall图2 跌倒行为A变化波形

(2)倾斜程度特征。人体在站立时手臂自然垂下，垂直于地面，跌倒行为发生后手臂没有大幅度运动的能力，近似于静止地平行于地面，为此，引入倾斜程度特征，反映手臂与垂直方向之间的夹角，其计算如式(2)所示：

(2)

D-S证据理论是一种基于不确定推理的决策融合方法，通过合成规则将来自于多个证据的信息融合为一个最终决策依据。本文采用D-S组合规则对运动幅度、倾斜程度与旋转程度三个特征分别通过DTW初步判断后的三个结果进行融合，从而做出最终决策。

D(ti-1,rj-1),D(ti-1,rj-2))

  

Figure 3 Inclination waveform during a fall图3 跌倒行为变化波形

(3)旋转程度特征。人体在发生跌倒行为时手臂由自然垂下转换成在地面上，手臂的旋转幅度较大，为表示这一过程，引入旋转程度特征G，其公式如(3)所示：

 

(3)

典型跌倒行为的G值变化波形如图4所示。

  

Figure 4 Rotation waveform G during a fall图4 跌倒行为G变化波形

3 人体跌倒检测DTW算法

DTW是能够将距离计算与时间规划有效结合在一起的模式匹配方法。通过计算测试数据序列与跌倒行为模板序列之间的最小累积距离，反映出两组数据之间的相似度，从而判断是否为跌倒行为。本文采用DTW算法从运动幅度、倾斜程度与旋转程度三个方面分别对人体运动进行分析，对人体是否跌倒进行初步判断。

3.1 DTW算法理论基础

DTW算法[9,10]假设参考跌倒行为模板序列为R(C)=(r1,r2,…,rj,…,rC)，测试数据序列表示为T(B)=(t1,t2,…,ti,…,tB)，采用绝对值距离计算测试数据与参考模板之间的距离，如式(4)所示：

 

(4)

其中,d(ti,rj)表示测试序列第i个数据与参考模板第j个数据间的距离，所在序列路径最小累积距离的递推公式由式(5)获得：

D(ti,rj)=d(ti,rj)+min(D(ti-1,rj),

陈万雄在《五四新文化源流》一书中通过对《新青年》作者群和北京大学革新力量的考察，发现“五四”新文化运动倡导者与政党政治之间具有极其密切的关系：“五四新文化运动的指导势力不仅不是辛亥革命之外的力量，而应是辛亥革命力量的一部分。换句话说，五四新文化运动的指导势力与辛亥革命运动也不是两个时代，而是同一世代的人；两个运动在人物谱系上有一种承接的渊源。”[11](P57)因此，这些精英们倡导白话诗，乃是思想变革和社会变革之急需，而非文学自身调整之必然。

(5)

其中,D(ti,rj)表示从点(t1,r1)到点(ti,rj)所寻路径最小累积距离，按此方式即可找到测试数据与参考模板之间的最小累积距离D(tB,rC)。

3.2 匹配数据的获取

提取的特征序列如式(6)所示：

 

(6)

设在一次数据采集中特征A在第tp个数据点达到最大值，由于人体在tp时刻运动最为剧烈，最能反映跌倒与日常生活活动的不同，通过对所采集的跌倒行为数据进行统计分析，人体在tp出现之前1 s到tp出现之后1 s这个时间段内身体变化最为明显，且跌倒行为整个过程在该时间段内足以完成，因此截取该时间段内的数据为有效数据，截取的有效特征序列如式(7)所示：

 

(7)

3.3 模板注册与基于单个特征的跌倒检测

采集用户注册时四次跌倒数据的三个特征值生成注册模板。根据DTW算法按不同特征分别计算两次跌倒行为之间的最小累积距离，并求得两两跌倒行为之间最小累积距离的均值μA、μ、μG，如式(8)所示，注册模板包括μA、μ、μG以及四次跌倒行为的有效特征序列。

（5）团队与沟通:有在多学科背景下的团队中承担多种不同角色的意识和能力；会撰写学科报告、能够清晰陈述自己观点，有效的和业界同行、社会公众沟通和交流。

 

(8)

其中，l=1,2,3,4;s=1,2,3,4，且s>l。

定义6 各证据的证据权如式(19)所示：

上午快八点的时候，宋市长的秘书以及相关部门的负责人看到宋市长的专车还停在原地，也就不很着急，按惯例或开小车或骑摩托车或骑自行车鱼贯而行，不慌不忙前去镇里开会。哪里料到，一进入会场，宋市长已端坐主席台上，用严厉的目光扫视着每一个人。大家匆忙就坐后，主持人就宣布会议开始了。

 

(9)

三个特征可分别从运动幅度、倾斜程度以及旋转程度这三个角度对同一问题进行判决，通过对比值ψA、ψ、ψG分别设置合理的阈值判断测试数据是否为跌倒，决策规则如式(10)～式(12)所示：

由此可见,春季/夏季型El Nio事件对中国夏季降水影响存在差异,El Nio事件爆发时间可以成为一个很好的预测因子应用于中国夏季降水的预测中。

 

(10)

 

(11)

 

(12)

4 基于D-S融合的跌倒检测算法

为了提高检测精度，基于多个特征的单特征检测结果，研究D-S融合检测方法。利用基于证据权理论的D-S融合实现人体跌倒检测流程如图5所示。

  

Figure 5 Flow chart of the fall detection algorithm based on D-S图5 基于D-S融合的跌倒检测流程

4.1 带证据权的D-S证据理论基础

典型跌倒行为的值变化波形如图3所示。

(1)D-S证据理论基础。

D-S的相关概念定义如下[11]：

定义1 设待判别问题Ω的所有N个互不相容的结果命题组成的一个非空集合Θ，称为待判别问题Ω的识别框架，本文跌倒检测的识别框架为Θ={ωfall,ωactivity}。

设mA，m，mG分别表示基于运动幅度、倾斜程度以及旋转程度特征的BPA，则有：

 

(13)

其中,∅为空集;m(K)为K的概率赋值，反映证据对命题K的信任度，若m(K)>0，则称K为Ω的一个焦元。

定义3 设Θ的幂集2Θ={K1,K2,…,K2N}，本文跌倒检测Θ的幂集为2Θ={{∅},{ωfall},{ωactivity},{ωfall,ωactivity}}。设m1，m2，…，mn为识别框架上不同证据e1，e2，…，en的BPA，用D-S合成规则将多个证据组合起来可得到证据的融合结果，按式(14)合成：

 

(14)

根据融合结果m(K)的取值与给定阈值的关系，确定最终由多个证据组合判定的检测结果。

(2)基于加证据权的证据组合。

当证据之间出现冲突时，对证据进行合成时可能会导致与实际常理相悖，从而影响融合的效果，为避免此问题，采用文献[12]中的定义，利用证据权对基本概率分配函数进行修正。

定义4 证据ei，ej的基本概率分配函数mi，mj的近似度如式(15)所示，其中i,j=1,2,…,n。

改革开放40年来持续较快的经济增长和显著的社会进步，大大提高了人民的生活水平。1978年至2017年，我国城镇居民人均可支配收入由343.4元增至36396元，人均消费支出由311.2元增至24445元，恩格尔系数从57.5%降至28.3%；农村居民人均可支配收入由133.6元(人均纯收入)增至13432元，人均消费支出由116.1元增至10955元，恩格尔系数从67.7%降至31.2%；按照联合国根据恩格尔系数设定的生活水平划分标准，我国城乡居民40年来实现了从贫困至温饱水平到相对富裕至富裕水平的转变。人民的生活水平有了巨大提高、生活方式发生了质的飞跃。

 

(15)

根据公式(15)可计算出证据数为n的相似矩阵如式(16)所示：

 

(16)

将公式(16)的相似矩阵除对角线外的每行元素相加，可以得到融合系统中证据ei与系统中其他证据的基本概率分配函数的近似度之和，如式(17)所示：

 

(17)

定义5 关键证据ef为符合如式(18)的证据，其他证据为非关键证据。

案例库教学不仅仅是一种新的教学方法，也是一种新的思维方法。目前，跨境电商英语案例库在我院商务英语专业跨境电商英语写作教学中的应用得到了学生的广泛认可。然而跨境电商案例库的建设与应用并不是一劳永逸的事，而是一个与跨境电商行业一起与时俱进的过程。我们在跨境电商英语案例库建设与应用的探索旨在抛砖引玉，各高职高专院校可以根据各自的专业学科特色建设自己的案例库，一起开创职业教育改革的新局面。

 

(18)

制定基于单特征值的跌倒检测决策规则。对一组测试数据Aq、q、Gq进行跌倒检测，将测试数据分别与模板中的四组数据进行匹配计算，求得测试数据与模板之间距离均值和模板之间距离均值的比值，比值的计算如式(9)所示：

βi=α(mi)/α(mf)，i=1,2,…,n

(19)

其次，根据各证据相对于关键证据的证据权对各证据的基本概率分配函数进行修正，对证据ei的转化如式(20)和式(21)所示：

 

∀K∈2Θ,K≠Θ

(20)

 

(21)

式(15)会使证据权小的证据的元素A提供的确定性信息减少，式(16)会使证据权小的证据的不确定性元素提供的不确定性信息增加。最后利用D-S合成规则对修正后的证据进行融合。

4.2 D-S融合跌倒检测决策规则

mF (ωactivity )=

示踪剂技术应用于油田勘探开发领域已经有70多年的历史，示踪剂技术在评价油藏特征、制定开发方案和选择增产措施方面均发挥了重要的作用。

P(ωA|X)=(p(ωA_fall|X),p(ωA_activity|X)),

P(ω|X)=(p(ω_fall|X),p(ω_activity|X)),

P(ωG|X)=(p(ωG_fall|X),p(ωG_activity|X))

2010年8月，该公司煤液化联合控制室在正常生产运行期间，多个生产单元所有操作站均发生与服务器、控制器通信异常，出现时通时断的现象，故障现象持续约5 h，影响了生产人员对现场的监视和控制，整个事件是由于交换机网络负荷过高而引起的网络拥堵造成的。2011年，针对该事件，该公司重新规划工业控制系统网络结构，将该联合控制室中一个大的网络以生产单元为单位划分为若干个小的网络，各个小的网络处于不同的网段，当某网络出现故障时，只影响对应的生产单元，做到了单元隔离，第一次整改如图3所示。为保证工业控制系统信息安全，该公司又整改了同类的其他控制系统网络。

(22)

其中，p(ωA_fall|X)、p(ω_fall|X)和p(ωG_fall|X)表示被三种特征分别检测判断为跌倒的概率，而p(ωA_active|X)、p(ω_active|X)和p(ωG_active|X)表示被三种特征分别检测判断为日常活动的概率。

定义2 设Θ的所有子集组成的集合记为2Θ，样本空间Θ任意非空子集K的基本概率分配函数BPA(Basic Probability Assignment)为m(K)，若映射函数m：2Θ→[0，1]满足式(13)：

 

(23)

并使用式(19)的证据权对基本概率分配函数加以修正，得到修正的概率分配,G。最终采用D-S组合规则进行融合，由式(14)推导出三个证据融合后的概率分配函数mF(ωfall)和mF(ωactivity)，如式(24)和式(25)所示：

北朝中后期，羁旅生涯、流亡生活、婚姻爱情等题材在表达方式上已经发生了潜在的变化，由直爽转变为委婉。如《紫翎马歌辞》：“高高山头树，风吹叶落去，一去数千里，何当还故处？”诗歌把动乱时期背井离乡的人，比作被山风吹落飘向远方的树叶，找不到自己的故里，委婉含蓄，给人很贴切的感觉。又如北魏胡太后所作《杨白花歌》：

mF (ωfall )=

 

i=A,,G

(24)

对从手机中获得的数据使用滑动平均滤波器进行预处理，提取人体运动幅度A、倾斜程度以及旋转程度G这三个特征，将比值ψA、ψ、ψG按数值大小划分为多个区间，并称之为比值区间X，统计ψA、ψ、ψG在各个比值区间内为跌倒行为以及日常生活活动的概率，将三个证据在各自比值区间内为跌倒行为以及日常生活活动的概率作为概率分配函数。式(22)分别表示测试数据经运动幅度、倾斜程度以及旋转程度特征检测分类为跌倒行为以及日常生活活动的概率分布。

 

i=A,,G

从现有研究成果来看，保护性耕作措施对于增加土壤中有机质含量有显著效果，相比于常规耕作方法，能够增加土壤表层生物活性，促进有机碳含量的提升，从而增加土壤团聚体的稳定性和水稳定性。比如，已经有学者对秸秆覆盖影响土壤容重和孔隙度等方面的机制展开研究，证明秸秆覆盖能够抑制地表水分流失，改善土壤通透性，优化肥力条件。土壤是碳和其他营养元素的主要存储空间和交换空间，有机碳含量仅次于海洋。但目前的研究主要集中于土壤有机碳和活性有机碳测定等方面，在农业生产过程中能够借鉴的经验较少，需要结合实际农业生产环境，研究耕种措施对土壤有机碳和活性有机碳的影响，从而为实际生产活动提供更多有价值的参考［2］。

(25)

通过特定的判断规则做出最后的决策，决策原则为：目标类别的可信度最大，不确定性区间长度需小于某一阈值[11]，则D-S融合跌倒检测决策规则如式(26)所示：

 

(26)

5 实验结果与分析

实验数据在华为P7手机上采集，将手机固定在手腕位置采集加速度传感器和陀螺仪的数据。通过Matlab 7.11.0运行算法，对实验数据进行测试。

5.1 实验参数设置

依据奈奎斯特采样定理，同时为了降低资源消耗[13]，将采集数据频率设定为50 Hz；为满足实时性要求，将每次数据采集的时间设定为3 s[14]。实验中共采集了1 200次数据，其中跌倒600次：向前、后、左、右站立跌倒150次；日常行为600次：步行、跑步、上下楼、跳、快速躺下、旋转手臂各100次，各种行为的动作描述如表1所示。

此外，闽江学院美术学院2018届毕业生陈灵芳的毕业创作《以梦为马》（图3）采用的是传统的夹纻胎工艺，刻画了两只不同动态的河马，一静一动相互呼应，而红黑交融的用色使作品显得很有分量，体现了闽江学院美术学院在培养学生，以及探究现代立体漆艺的艺术创新方面所做的工作。

5.2 基本概率分配函数以及阈值的获取

(1)训练样本集P的选取。P选取600次数据，包含跌倒行为300次(向前、后、左、右方向跌倒各75次)，日常行为300组(步行、跑步、上下楼、跳、快速躺下、旋转手臂各50次)，用于确定全局检测基本概率分配函数和局部检测时的阈值。

(2)全局检测基本概率分配函数的设置。运动幅度特征A经过DTW计算得到匹配比值ψA，将比值ψA划分为多个区间，以各区间内跌倒行为以及日常活动的概率值作为A对应的基本概率分配函数值，如表2所示。同理设置倾斜程度特征以及旋转程度特征G对应的基本概率分配函数值。

 

Table 1 Action description of various behaviors表1 人体各种行为动作描述

  

行为动作描述站立跌倒由站立姿态向前、后、左、右四个方向跌倒,最终平躺于地面步行由站立开始,正常步行数步后停止跑步由站立开始,跑数步后停止上下楼手扶扶手,由站立开始,上楼或者下楼数步后停止跳由站立姿态向上跳一次后恢复站立快速躺下由床上坐立姿态,快速躺下旋转手臂直立姿态,以画圆方式大幅旋转手臂

 

Table 2 Value of feature A’s BPA表2 特征A对应的概率分配函数值

  

ψA区间m1(fall)/%m1(activity)/%[0.0,1.0)96.83.2[1.0,1.2)82.617.4[1.2,1.4)66.733.3[1.4,1.6)45.554.5[1.6,1.8)33.366.7[1.8,2.0)4.795.3[2.0,∞)2.497.6

(3)局部检测各特征检测阈值的设定。着重考虑用户的安全性(不对跌倒行为产生误判)，即保证A、、G对跌倒行为检测的正确肯定率为98%以上，此时阈值TH1、TH2以及TH3分别为1.7、1.3以及1.4。

第一，高职院校设立的初衷，是要更好地实现理论教育与实践教育的结合。如果高职院校不能建立理论教育与实践教育相结合的良性互动机制，那就意味着高职院校思想政治教育的失败。一个高职院校毕业的大学生，必须既有坚定的政治立场，还必须具有将自己的满腔热情奉献给社会的能力和品质。高职院校的学生，在校期间，就应该树立“为祖国而学、为祖国而干”政治理想，一方面要理解和掌握马列主义的理论精髓，另一方面要有把马列主义应用于实践的本领。高职院校的政治理论教员，自身也要深入实践之中，做理论与实践相结合的表率。

勒维斯之后，警方再也没有发现新的嫌疑人。随着时间流逝，找到真凶的机会越来越渺茫。但泰诺投毒案的影响不止于此。自从该案之后，类似案件愈演愈烈，时不时有人吃到了有毒的巧克力或是喝了含有杀虫剂的果汁。仅在一年时间内，全美就发生了270起食品、药品污染案，其中有36起被确认为故意投毒。

5.3 实验结果分析

以采集的所有数据中除去训练样本集P外的600组数据作为测试样本集Q。

(1)证据权修正解决D-S证据冲突的性能验证。通过DTW方法进行局部检测可以获得检测概率，将获得的检测概率作为基本概率分配函数mi(ωfall)，mi(ωactivity)，mi(Θ)，i=A,,G。采用证据权的方法对基本概率分配函数加以修正，以解决证据冲突问题。以某一组实际为跌倒行为的测试数据为例，将修正前的基本概率分配函数代入式(15)和式(16)，可计算出三个证据的相似矩阵S。根据式(17)～式(19)进一步计算出特征A、、G对应的证据权β分别为0.949、0.556、1，修正前、修正后基于各特征的基本概率函数以及融合概率函数F分别如表3所示。分析表3数据可知，经过证据权修正前得到的检测结果为日常生活活动，与实际结果相悖，这是由于未使用证据权的D-S组合规则视各证据的重要程度相同，重要程度低的证据干扰了融合结果；使用证据权修正概率分配函数后的结果为跌倒行为，与实际相符，该方法降低了冲突证据对融合结果的影响，提高了正确检测率。

进一步由式(25)和式(26)可计算出基于三个特征的融合概率函数mF。

 

Table 3 Basic probability assignment before and after modification表3 修正前后的概率函数

  

特征修正前概率函数/%m(fall) m(activity) m(Θ)修正后概率函数/%m(fall) m(activity) m(Θ)A66.733.300.063.331.65.13.696.400.02.053.644.4G61.538.500.061.538.50.0F10.789.330.072.827.20.0

(2)采用正确肯定率TPR(True Positive Rate)、正确否定率TNR(True Negative Rate)以及准确度AC(Accuracy)[15]评价算法性能。采用与融合、本文融合方法分别对三个特征局部检测的结果进行融合，其中与融合检测结果取决于三个特征局部检测结果的与，即每个特征局部检测结果均为跌倒时，与融合判定为跌倒，否则为非跌倒。实验结果对比如表4所示。

 

Table 4 Detection accuracy表4 实验检测精度 %

  

方法TPRTNRAC局部检测A96.374.385.3局部检测G97.786.091.8局部检测97.065.781.3与融合95.793.094.3本文融合96.794.795.8

由表4可以看出，采用DTW算法对单个特征进行局部检测的结果有较高的TPR，但具有较低的TNR(均低于90%)，即具有较高的误判率。与融合检测采用简单的逻辑与来降低误判，提高了TNR，但同时降低了跌倒检出率，即降低了TPR。相比于与融合，基于D-S证据理论的检测算法的TPR、TNR和AC分别提高了1.0%、1.8%和1.5%。这是由于D-S融合检测算法使用证据权修正策略，降低了冲突数据对融合结果的影响，从而改善了与融合检测存在的误判问题，同时提高了DTW对跌倒行为的正确检测率。

6 结束语

本文给出了利用传感器检测人体跌倒的检测方法。从运动幅度、倾斜程度以及旋转程度三方面提取特征来全面反映跌倒行为，通过局部检测和全局检测两个步骤，实现达到高的正确肯定率的同时保证较高的正确否定率。局部检测将DTW匹配方法引入到检测中进行局部决策；D-S证据融合理论用于对局部检测的融合，得到最终的全局检测结果。为防止证据冲突导致错误的检测结果，在D-S融合检测时引入了基于证据权的防冲突证据修正方法。实验结果显示采用的方法提高了基于单个特征局部检测的精度。

参考文献:

[1] Yuan J，Tan K K，Tong H L，et al.Power-efficient interrupt-driven algorithms for fall detection and classification of activities of daily living[J].IEEE Sensors Journal,2014,15(3):1377-1387.

[2] Chong C J，Tan W H，Chang Y C，et al.Visual based fall detection with reduced complexity horprasert segmentation using superpixel[C]∥Proc of Networking,Sensing and Control (ICNSC),2015:462-467.

[3] Cheffena M. Fall detection using smartphone audio features[J].IEEE Journal of Biomedical and Health Informatics,2015,PP(99):1-8.

[4] Mulcahy M K,Kurkovsky S.Automatic fall detection using mobile devices[C]∥Proc of 2015 12th International Conference on Information Technology—New Generations (ITNG),2015: 586-588.

[5] Hsieh Shang-lin,Chen Chun-che,Wu Shin-han,et al.A wrist-worn fall detection system using accelerometers and gyroscopes[C]∥Proc of IEEE International Conference on Networking,Sensing and Control,2014:518-523.

[6] Paiyarom S,Tungamchit P,Keinprasit R,et al.Fall detection and activity monitoring system using dynamic time warping for the elderly and disabled people[C]∥Proc of the 3rd IEEE International Conference on Rehabilitation Engieering & Assistive Technoloygy and Communication, 2009:1-4.

[7] Cavalcante Aguilar P A,Boudy J,Istrate D,et al.A dynamic evidential network for fall detection[J].IEEE Journal of Biomedical and Health Informatics,2014,18(4):1103-1113.

[8] Khan A M,Lee Y K,Lee S Y,et al.Human activity recognition via an accelerometer enabled smartphone using kernel discriminant analysis[C]∥Proc of the 5th International Conference on Future Information Technology,2010:1-6.

[9] Wang Ya-fei,Yang Geng,Li Bai-hui.Fall detection approach based on inner-distance shape context [J].Computer Technology and Development,2014,24(3):58-62.(in Chinese)

[10] Tian Guo-hui,Yin Jian-qin,Han Xu,et al.A novel human activity recognition method using joint points information [J].Robot,2014,36(3):285-292.(in Chinese)

[11] Sun Zi-wen,Li Hui,Ji Zhi-cheng.Fusion image steganalysis based on Dempster-Shafer evidence theory[J].Control and Decision,2011,26(8):1-5.(in Chinese)

[12] Liu Bing,Li Hui,Xing Gang.Fuzzy information fusion target recognition based on weighted evidence theory [J].Computer Engineering,2012,38(15):172-174.(in Chinese)

[13] Li Ya-ping,Xue Bing-bing,Wu Shu-yu,et al. iOS-based alarm and detect system of falls in elder [J].Chinese Medical Equipment Journal,2014,35(9):15-18.(in Chinese)

[14] Lu Xian-ling,Wang Hong-bin,Wang Ying-ying,et al.Human falling detection based on accelerometer [J].Application Research of Computers,2013,30(4): 1109-1111.(in Chinese)

[15] Aguilar B,Rocha T,Silva J,et al.Accelerometer-based fall detection for smartphones[C]∥Proc of IEEE International Symposium on Medical Measurements & Applications,2014:1-6.

附中文参考文献：

[9] 王亚飞,杨庚,李百惠.基于内距离形状上下文的跌倒检测方法[J].计算机技术与发展,2014,24(3):58-62.

[10] 田国会,尹建芹,韩旭,等.一种基于关节点信息的人体行为识别新方法[J].机器人,2014,36(3):285-292.

[11] 孙子文,李慧,纪志成.基于DS证据理论的融合图像隐写分析[J].控制与决策,2011,26(8):1-5.

[12] 刘兵,李辉,邢钢.基于加权证据理论的模糊信息融合目标识别[J].计算机工程,2012,38(15):172-174.

[13] 李亚萍,薛冰冰,吴书裕,等.基于iOS的老年人跌倒检测报警系统研究[J].医疗卫生设备,2014,35(9):15-18.

[14] 卢先领,王洪斌,王莹莹,等.一种基于加速度传感器的人体跌倒识别方法[J].计算机应用研究,2013,30(4): 1109-1111.