4  老人跌倒动作实验的模拟 19

4.1  实验介绍 19

4.2  跌倒异常动作贝叶斯网络的构建 24

4.3  数据分析 26

4.4  本章小结 30

5  结论与展望 30

5.1  结论 30

5.2  展望 31

致    谢 33

参考文献 34

1  绪论

1.1  背景介绍

随着人们生活水平的提高，单一的社区普适化医疗服务，已不能满足人们对医疗服务的需求。对于突发性的医疗事件，依靠传统途径是依次到不同等级医院进行就医，无法实现第一时间及时救治，无法实现病人及老年人的安全就医和看护过程的普适化，有可能耽误病人的就医时间，甚至导致高危病例死亡。

同时，随着老年人口的不断增长，老龄化问题也日趋显著。社会也越来越多关注老年人的医疗保健、医疗护理等问题。基于普适计算的普适医疗监测系统的需求也大大增加。这一系统是将信息空间与物理空间进行融合，在此过程中人们可以“随时随地”和透明地获得数字化的服务。对于老人异常行为的检测中，可以通过采集老人的行为，然后依靠无线网络传送到服务器终端。对采集的信息进行数据融合，进而判断老人的行为是否正常。这对于那些子女不在身边的孤寡老人或患有疾病的人群来说是十分方便的。

普适医疗监测系统采用无线传感技术对监测人群进行监控[1]。通过使用传感器监控人的生理特征（如：血压、脉搏、心电图等）来推测受监控人的健康状况[11]。由于单传感器的性能有限，多传感器系统利用不同传感器的数据互补和冗余，从各自独立的测量空间获取信息，通过融合技术对目标进行识别。多传感器系统的优点有：(1) 检测概率高，为进一步识别目标提供可靠的数据；(2) 虚警率低，增强系统的可靠性和提高反应速度；(3) 对于多目标跟踪任务而言，可以拓展系统的视野，扩大搜索目标的范围[7]。将多个传感器的数据融合在一起，使得预测更加可靠。多传感器融合在很多自动健康监测和诊断系统中十分必要。

多传感器数据融通过分层模式进行融合，主要包括三种结构层次：数据层融合、特征层融合和决策层融合[6]。

（1）数据层融合

是对每个传感器的观测数据进行特征抽取，属于低层次的融合。将所有特征参数融合后得到关于目标的一个融合的特征向量。数据级融合处理的数据量大，代价高。并且受传感器稳定性的影响，数据级融合很难获得稳定一致的综合信息，具有较大的局限性[6]。

（2）特征层融合

属于中层融合。首先对单传感器数据进行特征抽取得到一个特征向量，再对各组特征信息进行融合该层次兼容了数据层融合及决策层融合的优缺点，具有较大的应用范围[6]。

（3）决策层融合

高层次的数据融合。各传感器的数据通过各自独立预处理，并对目标属性进行独立决策，得出一个独立的身份判定，然后进行融合，获得整体一致的决策结果，有较好的容错性。另外，决策级融合对原始传感信息无特殊要求，可使用异质传感器，适应范围广[6]。

关于多传感器数据融合算法也有许多，比如：