CN106203512B - 基于多传感器信息融合的摔倒检测方法 - Google Patents

Abstract

本发明公开了一种基于多传感器信息融合的摔倒检测方法，数据处理领域。所述方法：首先，建立摔倒检测数学模型，将高度变化、倾角、旋转角度、加速度变化量、角速度变化量等作为系统输入量，将是否摔倒作为系统输出量，采用系统辨识的方法，建立摔倒检测数学模型；其次，通过检测测试点加速度向量幅度、角速度向量幅度是否均超过阈值，进行初步摔倒判断；最后，如果初步判断符合摔倒条件则进行详细判断，根据摔倒检测数学模型对摔倒进行判断。本申请所述算法可以区分躺下和摔倒，避免发现误报情况，其它情况下的误报率也明显降低，摔倒检测更准确。

Description

基于多传感器信息融合的摔倒检测方法

技术领域

本发明涉及数据处理领域，尤其涉及一种基于多传感器信息融合的摔倒检测方法。

背景技术

摔倒已成为老年人死亡的一大杀手，现有市场中有很多佩戴在老年人身上用于检测老年人摔倒的设备，这些设备中安装计算摔倒的算法，但是现有关于老年人摔倒的存在使用传感器单一，安装的算法仅通过加速度传感器，检测摔倒前后人体姿态的变化，进行摔倒判断，算法简单，易出现漏判、误判的情况。

发明内容

本发明的目的在于提供一种基于多传感器信息融合的摔倒检测方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明所述基于多传感器信息融合的摔倒检测方法，所述方法包括：

S1，建立摔倒检测数学模型

获取并将n个样本点的高度变化、倾角变化值、旋转角度、加速度变化量、角速度变化作为系统输入量，将n个样本点的摔倒数据作为系统输出量，采用系统辨识的方法，建立摔倒检测数学模型公式(1)，获得模型参数：

△h₁,……,△h_n表示n个样本点中每个样本点摔倒前、后的高度变化量；

△β₁,……,△β_n表示n个样本点中每个样本点摔倒前、后的倾角变化值；

λ₁,……,λ_n表示n个样本点中每个样本点摔倒前、后的旋转角度；

△a₁,……,△a_n表示n个样本点中每个样本点在摔倒过程中加速度变化量的最大值；

△ω₁,……,△ω_n表示n个样本点中每个样本点在摔倒过程中角速度变化量的最大值；

k₁表示使用n个样本点摔倒前、后的高度变化量构建摔倒检测数学模型获得的模型参数；k₂表示使用n个样本点摔倒前、后的倾角变化量构建摔倒检测数学模型获得的模型参数；k₃表示使用n个样本点摔倒前、后的旋转角度构建摔倒检测数学模型获得的模型参数；k₄表示使用n个样本点摔倒前、后的加速度变化量构建摔倒检测数学模型获得的模型参数；k₅表示使用n个样本点摔倒前、后的角速度变化量构建摔倒检测数学模型获得的模型参数；

y₁,…,y_n表示n个样本点中每个样本点所对应的摔倒数据；

S2，初步摔倒判断

判断测试点加速度向量幅度、测试点角速度向量幅度是否超过预先设定的阈值，如果是，则进入S3；如果否，则确定为人体当前状态不是摔倒，返回S1；

S3，根据摔倒检测数学模型对摔倒进行详细判断；

将测试点高度变化、测试点倾角变化值、测试点旋转角度、测试点加速度变化量的最大值、测试点角速度变化量的最大值代入摔倒数学模型公式(2)，得到摔倒数据，并判断所述摔倒数据是否均超过预先设定的阈值，如果是，则判断为摔倒；如果否，则不是摔倒；

△h表示测试点摔倒前、后的高度变化量；△β表示测试点摔倒前、后的倾角变化值；λ表示测试点摔倒前、后的旋转角度；△a表示测试点摔倒过程中加速度变化量的最大值；△ω表示测试点摔倒过程中角速度变化量的最大值；f表示通过公式(2)计算获得的测试点的摔倒数据。

优选地，将样本点或测量点作为目标点，测量目标点的人体摔倒前、后的高度变化值，利用气压传感器检测目标点摔倒前、后气压值，根据等温大气压高方程，将气压变化转化成高度的变化，具体为公式(3)计算：

△h表示目标点摔倒前、后的高度变化量，Z₁为摔倒后人体海拔高度，Z₂为摔倒前人体海拔高度值，P₁为摔倒后气压值，P₂为摔倒前气压值，R为理想气体常数，T为绝对温度，g为重力加速度值。

优选地，将样本点或测量点作为目标点，测量目标点的人体摔倒前、后的倾角变化值，具体按照下述步骤实现：

A1，利用三轴加速度传感器检测摔倒前、后加速度的值，采用公式(4)分别计算人体摔倒前的倾斜角值和人体摔倒后的倾斜角值；

其中，(g_x,g_y,g_z)为任意一个状态Q的加速度向量值，g_x,g_y,g_z分别为任意一个状态Q的x轴、y轴、z轴上的加速度分量，β表示任意一个状态Q的倾斜角；所述任意一个状态Q为目标点人体摔倒前的倾斜角值或目标点人体摔倒后的倾斜角值；

A2，将摔倒前后倾斜角度相减，按照公式(5)获得目标点的倾斜角度变化值：

Δβ＝β₁-β₂ (5)；

其中，β₁为人体摔倒后倾斜角值，β₂为人体摔倒前倾斜角值，△β为目标点的人体摔倒前、后的倾角变化值。

优选地，将样本点或测量点作为目标点，测量目标点的人体摔倒前、后的旋转角度，具体按照下述步骤实现：

B1，利用三轴加速度传感器检测摔倒前、后的加速度值，根据公式(6)计算目标点人体摔倒前、后加速度向量夹角；

其中，(b_x,b_y,b_z)表示人体摔倒前加速度向量值，b_x,b_y,b_z分别为人体摔倒前x轴、y轴、z轴上的加速度分量；(c_x,c_y,c_z)表示人体摔倒后加速度向量值，c_x,c_y,c_z分别为人体摔倒后x轴、y轴、z轴上的加速度分量；θ₁为人体摔倒前、后加速度向量夹角；

B2，利用三轴磁力传感器检测人体摔倒前、后磁力的值，根据公式7计算人体摔倒前后磁力向量夹角；

其中，(d_x,d_y,d_z)表示人体摔倒前磁力向量值,d_x,d_y,d_z分别为人体摔倒前x轴、y轴、z轴上的磁力分量，(e_x,e_y,e_z)表示人体摔倒后磁力向量值，e_x,e_y,e_z分别为人体摔倒后x轴、y轴、z轴上的磁力分量，θ₂为人体摔倒前、后磁力向量夹角；

B3，将人体摔倒前、后加速度向量夹角θ₁，人体摔倒前、后磁力向量夹角磁力向量夹角θ₂代入公式(8)计算在目标点人体的旋转角度：

λ＝p₁*θ₁+p₂*θ₂ (8)；

其中，p₁表示摔倒前后加速度向量夹角的权重，p₂表示摔倒前后磁力向量夹角的权重。

优选地，样本点或测试点的加速度变化量按照公式(9)计算：

其中，(a1_x,a1_y,a1_z)为任意时间点的加速度向量值，a1_x,a1_y,a1_z分别为某时间点x轴、y轴、z轴上的加速度分量，(a2_x,a2_y,a2_z)为下一时间点的加速度向量值，a2_x,a2_y,a2_z分别为下一时间点x轴、y轴、z轴上的加速度分量，△a表示样本点或测试点的加速度变化量。

优选地，样本点或测试点的角速度变化量按照公式(10)计算：

其中，(ω1_x,ω1_y,ω1_z)表示某时间点的角速度向量值,ω1_x,ω1_y,ω1_z分别为某时间点x轴、y轴、z轴上的角速度分量，(ω2_x,ω2_y,ω2_z)表示下一时间点的角速度向量值，ω2_x,ω2_y,ω2_z分别为下一时间点x轴、y轴、z轴上的角速度分量，△ω表示样本点或测试点的角速度变化量。

优选地，步骤S2中，测试点加速度向量幅度按照公式(11)计算：

其中，(a_x,a_y,a_z)表示测试点的加速度向量值，a_x,a_y,a_z分别表示测试点x轴、y轴、z轴上的加速度分量，SVM表示测试点加速度向量幅度。

优选地，步骤S2中，测试点角速度向量幅度按照公式(12)计算：

其中，(ω_x,ω_y,ω_z)表示测试点角速度向量值，ω_x,ω_y,ω_z分别表示测试点x轴、y轴、z轴上的角速度分量，AVM表示测试点角速度向量幅度。

本申请采用高度传感器、3轴加速度传感器、3轴陀螺传感器、以及3轴磁力传感器，对人体的运动状态进行采集，采用多传感器信息融合技术对摔倒进行判断。首先，建立摔倒检测数学模型，将高度变化、倾角、旋转角度、加速度变化量、角速度变化量等作为系统输入量，将是否摔倒作为系统输出量，采用系统辨识的方法，建立数学模型；其次，通过检测加速度、角速度是否超过阈值，进行初步摔倒判断；最后，如果初步判断符合摔倒条件则进行详细判断，根据建立的数学模型对摔倒进行判断。

本发明的有益效果是：

本发明基于多种传感器，采用多传感器信息融合的方法，综合模糊算法，提高了判断的准确性。现有摔倒检测产品，只简单的检测倾角的变化，不能区分摔倒和人正常躺下，当人体躺下时一直处于报警状态，而，本申请所述算法可以区分躺下和摔倒，避免发现误报情况，其它情况下的误报率也明显降低，摔倒检测更准确。

附图说明

图1是基于多传感器信息融合的摔倒检测方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

实施例

本实施例所述基于多传感器信息融合的摔倒检测方法，所述方法包括：

S1，建立摔倒检测数学模型

获取并将n个样本点的高度变化、倾角变化值、旋转角度、加速度变化量、角速度变化作为系统输入量，将n个样本点的摔倒数据作为系统输出量，采用系统辨识的方法，建立摔倒检测数学模型公式(1)，获得模型参数：

△h₁,……,△h_n表示n个样本点中每个样本点摔倒前、后的高度变化量；

△β₁,……,△β_n表示n个样本点中每个样本点摔倒前、后的倾角变化值；

λ₁,……,λ_n表示n个样本点中每个样本点摔倒前、后的旋转角度；

△a₁,……,△a_n表示n个样本点中每个样本点在摔倒过程中加速度变化量的最大值；

△ω₁,……,△ω_n表示n个样本点中每个样本点在摔倒过程中角速度变化量的最大值；

k₁表示使用n个样本点摔倒前、后的高度变化量构建摔倒检测数学模型获得的模型参数；k₂表示使用n个样本点摔倒前、后的倾角变化量构建摔倒检测数学模型获得的模型参数；k₃表示使用n个样本点摔倒前、后的旋转角度构建摔倒检测数学模型获得的模型参数；k₄表示使用n个样本点摔倒前、后的加速度变化量构建摔倒检测数学模型获得的模型参数；k₅表示使用n个样本点摔倒前、后的角速度变化量构建摔倒检测数学模型获得的模型参数；

y₁,…,y_n表示n个样本点中每个样本点所对应的摔倒数据；

S2，初步摔倒判断

判断测试点加速度向量幅度、测试点角速度向量幅度是否超过预先设定的阈值，如果是，则进入S3；如果否，则确定为人体当前状态不是摔倒，返回S1；

S3，根据摔倒检测数学模型对摔倒进行判断；

将测试点高度变化、测试点倾角变化值、测试点旋转角度、测试点加速度变化量的最大值、测试点角速度变化量的最大值代入摔倒数学模型公式(2)，得到摔倒数据，并判断所述摔倒数据是否超过预先设定的阈值，如果是，则判断为摔倒；如果否，则不是摔倒；

△h表示测试点摔倒前、后的高度变化量；△β表示测试点摔倒前、后的倾角变化值；λ表示测试点摔倒前、后的旋转角度；△a表示测试点摔倒过程中加速度变化量的最大值；△ω表示测试点摔倒过程中角速度变化量的最大值；f表示通过公式(2)计算获得的测试点的摔倒数据。更详细的解释说明为：

(一)将样本点或测量点作为目标点，测量目标点的人体摔倒前、后的高度变化值，利用气压传感器检测目标点摔倒前、后气压值，根据等温大气压高方程，将气压变化转化成高度的变化，具体为公式(3)计算：

△h表示目标点摔倒前、后的高度变化量，Z₁为摔倒后人体海拔高度，Z₂为摔倒前人体海拔高度值，P₁为摔倒后气压值，P₂为摔倒前气压值，R为理想气体常数，T为绝对温度，g为重力加速度值。

(二)将样本点或测量点作为目标点，测量目标点的人体摔倒前、后的倾角变化值，具体按照下述步骤实现：

A1，利用三轴加速度传感器检测摔倒前、后加速度的值，采用公式(4)分别计算人体摔倒前的倾斜角值和人体摔倒后的倾斜角值；

其中，(g_x,g_y,g_z)为任意一个状态Q的加速度向量值，g_x,g_y,g_z分别为任意一个状态Q的x轴、y轴、z轴上的加速度分量，β表示任意一个状态Q的倾斜角；所述任意一个状态Q为目标点人体摔倒前的倾斜角值或目标点人体摔倒后的倾斜角值；

A2，将摔倒前后倾斜角度相减，按照公式(5)获得目标点的倾斜角度变化值：

Δβ＝β₁-β₂ (5)；

其中，β₁为人体摔倒后倾斜角值，β₂为人体摔倒前倾斜角值，△β为目标点的人体摔倒前、后的倾角变化值。

(三)将样本点或测量点作为目标点，测量目标点的人体摔倒前、后的旋转角度，具体按照下述步骤实现：

B1，利用三轴加速度传感器检测摔倒前、后的加速度值，根据公式(6)计算目标点人体摔倒前、后加速度向量夹角；

其中，(b_x,b_y,b_z)表示人体摔倒前加速度向量值，b_x,b_y,b_z分别为人体摔倒前x轴、y轴、z轴上的加速度分量；(c_x,c_y,c_z)表示人体摔倒后加速度向量值，c_x,c_y,c_z分别为人体摔倒后x轴、y轴、z轴上的加速度分量；θ₁为人体摔倒前、后加速度向量夹角；

B2，利用三轴磁力传感器检测人体摔倒前、后磁力的值，根据公式7计算人体摔倒前后磁力向量夹角；

其中，(d_x,d_y,d_z)表示人体摔倒前磁力向量值,d_x,d_y,d_z分别为人体摔倒前x轴、y轴、z轴上的磁力分量，(e_x,e_y,e_z)表示人体摔倒后磁力向量值，e_x,e_y,e_z分别为人体摔倒后x轴、y轴、z轴上的磁力分量，θ₂为人体摔倒前、后磁力向量夹角；

B3，将人体摔倒前、后加速度向量夹角θ₁，人体摔倒前、后磁力向量夹角磁力向量夹角θ₂代入公式(8)计算在目标点人体的旋转角度：

λ＝p₁*θ₁+p₂*θ₂ (8)；

其中，p₁表示摔倒前后加速度向量夹角的权重，p₂表示摔倒前后磁力向量夹角的权重。

(四)样本点或测试点的加速度变化量按照公式(9)计算：

其中，(a1_x,a1_y,a1_z)为任意时间点的加速度向量值，a1_x,a1_y,a1_z分别为某时间点x轴、y轴、z轴上的加速度分量，(a2_x,a2_y,a2_z)为下一时间点的加速度向量值，a2_x,a2_y,a2_z分别为下一时间点x轴、y轴、z轴上的加速度分量，△a表示样本点或测试点的加速度变化量。

(五)样本点或测试点的角速度变化量按照公式(10)计算：

其中，(ω1_x,ω1_y,ω1_z)表示某时间点的角速度向量值,ω1_x,ω1_y,ω1_z分别为某时间点x轴、y轴、z轴上的角速度分量，(ω2_x,ω2_y,ω2_z)表示下一时间点的角速度向量值，ω2_x,ω2_y,ω2_z分别为下一时间点x轴、y轴、z轴上的角速度分量，△ω表示样本点或测试点的角速度变化量。

(六)步骤S2中，测试点加速度向量幅度按照公式(11)计算：

其中，(a_x,a_y,a_z)表示测试点的加速度向量值，a_x,a_y,a_z分别表示测试点x轴、y轴、z轴上的加速度分量，SVM表示测试点加速度向量幅度。

(七)步骤S2中，测试点角速度向量幅度按照公式(12)计算：

其中，(ω_x,ω_y,ω_z)表示测试点角速度向量值，ω_x,ω_y,ω_z分别表示测试点x轴、y轴、z轴上的角速度分量，AVM表示测试点角速度向量幅度。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：本发明基于多种传感器，采用多传感器信息融合的方法，综合模糊算法，提高了判断的准确性。现有摔倒检测产品，只简单的检测倾角的变化，不能区分摔倒和人正常躺下，当人体躺下时一直处于报警状态，而，本申请所述算法后，可以区分躺下和摔倒，避免发现误报情况，其它情况下的误报率也明显降低，摔倒检测更准确。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (8)

1.一种基于多传感器信息融合的摔倒检测方法，其特征在于，所述方法包括：

S1，建立摔倒检测数学模型

获取并将n个样本点的高度变化、倾角变化值、旋转角度、加速度变化量、角速度变化作为系统输入量，将n个样本点的摔倒数据作为系统输出量，采用系统辨识的方法，建立摔倒检测数学模型公式(1)，获得模型参数：

△h₁,……,△h_n表示n个样本点中每个样本点摔倒前、后的高度变化量；

△β₁,……,△β_n表示n个样本点中每个样本点摔倒前、后的倾角变化值；

λ₁,……,λ_n表示n个样本点中每个样本点摔倒前、后的旋转角度；

△a₁,……,△a_n表示n个样本点中每个样本点在摔倒过程中加速度变化量的最大值；

△ω₁,……,△ω_n表示n个样本点中每个样本点在摔倒过程中角速度变化量的最大值；

k₁表示使用n个样本点摔倒前、后的高度变化量构建摔倒检测数学模型获得的模型参数；k₂表示使用n个样本点摔倒前、后的倾角变化量构建摔倒检测数学模型获得的模型参数；k₃表示使用n个样本点摔倒前、后的旋转角度构建摔倒检测数学模型获得的模型参数；k₄表示使用n个样本点摔倒前、后的加速度变化量构建摔倒检测数学模型获得的模型参数；k₅表示使用n个样本点摔倒前、后的角速度变化量构建摔倒检测数学模型获得的模型参数；

y₁,…,y_n表示n个样本点中每个样本点所对应的摔倒数据；

S2，初步摔倒判断

判断测试点加速度向量幅度、测试点角速度向量幅度是否均超过预先设定的阈值，如果是，则进入S3；如果否，则确定为人体当前状态不是摔倒，返回S1；

S3，根据摔倒检测数学模型对摔倒进行判断；

将测试点高度变化、测试点倾角变化值、测试点旋转角度、测试点加速度变化量的最大值、测试点角速度变化量的最大值代入摔倒数学模型公式(2)，得到摔倒数据，并判断所述摔倒数据是否超过预先设定的阈值，如果是，则判断为摔倒；如果否，则不是摔倒；

△h表示测试点摔倒前、后的高度变化量；△β表示测试点摔倒前、后的倾角变化值；λ表示测试点摔倒前、后的旋转角度；△a表示测试点摔倒过程中加速度变化量的最大值；△ω表示测试点摔倒过程中角速度变化量的最大值；f表示通过公式(2)计算获得的测试点的摔倒数据。

2.根据权利要求1所述基于多传感器信息融合的摔倒检测方法，其特征在于，将样本点或测量点作为目标点，测量目标点的人体摔倒前、后的高度变化值，利用气压传感器检测目标点摔倒前、后气压值，根据等温大气压高方程，将气压变化转化成高度的变化，具体为公式(3)计算：

△h表示目标点摔倒前、后的高度变化量，Z₁为摔倒后人体海拔高度，Z₂为摔倒前人体海拔高度值，P₁为摔倒后气压值，P₂为摔倒前气压值，R为理想气体常数，T为绝对温度，g为重力加速度值。

3.根据权利要求1所述基于多传感器信息融合的摔倒检测方法，其特征在于，将样本点或测量点作为目标点，测量目标点的人体摔倒前、后的倾角变化值，具体按照下述步骤实现：

A1，利用三轴加速度传感器检测摔倒前、后加速度的值，采用公式(4)分别计算人体摔倒前的倾斜角值和人体摔倒后的倾斜角值；

其中，(g_x,g_y,g_z)为任意一个状态Q的加速度向量值，g_x,g_y,g_z分别为任意一个状态Q的x轴、y轴、z轴上的加速度分量，β表示任意一个状态Q的倾斜角；所述任意一个状态Q为目标点人体摔倒前的倾斜角值或目标点人体摔倒后的倾斜角值；

A2，将摔倒前后倾斜角度相减，按照公式(5)获得目标点的倾斜角度变化值：

Δβ＝β₁-β₂ (5)；

其中，β₁为人体摔倒后倾斜角值，β₂为人体摔倒前倾斜角值，△β为目标点的人体摔倒前、后的倾角变化值。

4.根据权利要求1所述基于多传感器信息融合的摔倒检测方法，其特征在于，将样本点或测量点作为目标点，测量目标点的人体摔倒前、后的旋转角度，具体按照下述步骤实现：

B1，利用三轴加速度传感器检测摔倒前、后的加速度值，根据公式(6)计算目标点人体摔倒前、后加速度向量夹角；

其中，(b_x,b_y,b_z)表示人体摔倒前加速度向量值，b_x,b_y,b_z分别为人体摔倒前x轴、y轴、z轴上的加速度分量；(c_x,c_y,c_z)表示人体摔倒后加速度向量值，c_x,c_y,c_z分别为人体摔倒后x轴、y轴、z轴上的加速度分量；θ₁为人体摔倒前、后加速度向量夹角；

B2，利用三轴磁力传感器检测人体摔倒前、后磁力的值，根据公式7计算人体摔倒前后磁力向量夹角；

其中，(d_x,d_y,d_z)表示人体摔倒前磁力向量值,d_x,d_y,d_z分别为人体摔倒前x轴、y轴、z轴上的磁力分量，(e_x,e_y,e_z)表示人体摔倒后磁力向量值，e_x,e_y,e_z分别为人体摔倒后x轴、y轴、z轴上的磁力分量，θ₂为人体摔倒前、后磁力向量夹角；

B3，将人体摔倒前、后加速度向量夹角θ₁，人体摔倒前、后磁力向量夹角磁力向量夹角θ₂代入公式(8)计算在目标点人体的旋转角度：

λ＝p₁*θ₁+p₂*θ₂ (8)；

其中，p₁表示摔倒前后加速度向量夹角的权重，p₂表示摔倒前后磁力向量夹角的权重。

5.根据权利要求1所述基于多传感器信息融合的摔倒检测方法，其特征在于，样本点或测试点的加速度变化量按照公式(9)计算：

其中，(a1_x,a1_y,a1_z)为任意时间点的加速度向量值，a1_x,a1_y,a1_z分别为某时间点x轴、y轴、z轴上的加速度分量，(a2_x,a2_y,a2_z)为下一时间点的加速度向量值，a2_x,a2_y,a2_z分别为下一时间点x轴、y轴、z轴上的加速度分量，△a表示样本点或测试点的加速度变化量。

6.根据权利要求1所述基于多传感器信息融合的摔倒检测方法，其特征在于，样本点或测试点的角速度变化量按照公式(10)计算：

其中，(ω1_x,ω1_y,ω1_z)表示某时间点的角速度向量值,ω1_x,ω1_y,ω1_z分别为某时间点x轴、y轴、z轴上的角速度分量，(ω2_x,ω2_y,ω2_z)表示下一时间点的角速度向量值，ω2_x,ω2_y,ω2_z分别为下一时间点x轴、y轴、z轴上的角速度分量，△ω表示样本点或测试点的角速度变化量。

7.根据权利要求1所述基于多传感器信息融合的摔倒检测方法，其特征在于，步骤S2中，测试点加速度向量幅度按照公式(11)计算：

其中，(a_x,a_y,a_z)表示测试点的加速度向量值，a_x,a_y,a_z分别表示测试点x轴、y轴、z轴上的加速度分量，SVM表示测试点加速度向量幅度。

8.根据权利要求1所述基于多传感器信息融合的摔倒检测方法，其特征在于，步骤S2中，测试点角速度向量幅度按照公式(12)计算：

其中，(ω_x,ω_y,ω_z)表示测试点角速度向量值，ω_x,ω_y,ω_z分别表示测试点x轴、y轴、z轴上的角速度分量，AVM表示测试点角速度向量幅度。