全球每年約有1700萬人受到中風的影響〔1〕。中風后的幸存者主要受到運動障礙的影響，這些障礙是由于共濟失調或偏癱，以及中風后運動皮層損傷的后果。運動功能的恢復需要強化的身體康復，必須為患者量身定做，以獲得更好的療效。目前，治療決策通常基于對運動功能的臨床評估，使用功能測試，如平衡評估的Berg平衡量表（BBS）或步態和平衡評估的定時起跑（TUG）或患者報告，包括生活質量問卷，如一般中風影響量表〔4〕或中風特定生活質量〔5〕。雖然這些評估有用，目前在臨床實踐中使用，但人們認識到，這些評估可能有一些局限性。對問題的主觀解釋和患者的心理狀態可能會對生活質量評分產生偏差。臨床功能測試僅在醫院進行，不能反映患者日常生活中的實際運動表現。例如，患者在臨床檢查中可能表現出良好的平衡和穩定的步態，在日常生活中表現出良好的靈活性，但實際上他/她可能避免長距離步行或爬樓梯。因此，日常生活中的活動監測有望對中風后患者的身體功能和生活質量提供更全面的評估。

　　近十年來，隨著可穿戴技術的發展和普及，人們對現實生活中的基本日常活動進行了廣泛的研究。在慢性疼痛或中風患者的關鍵部位放置一組多個慣性傳感器（加速度計和陀螺儀），成功地監測他們的日?；顒?。放置在軀干上的傳感器用于檢測躺著和行走的時間，并描述姿勢轉移，如從坐姿到站姿和從站姿（STS）轉換［9］，與中風后功能恢復評估相關［10，11］，大腿上的慣性傳感器（加速計）可以區分坐姿和站立姿勢，而小腿/腳上的傳感器（陀螺儀）則用于詳細評估步態模式。然而，將多個傳感器放置在患者身體上可能會導致不適，從而阻礙他們執行正常日?；顒拥哪芰鸵庠?。鑒于這一局限性，許多研究致力于開發使用單一傳感器配置的活動監視器［12–14］對說謊）仍然有限。例如，放置在大腿上的加速計無法準確區分坐姿和躺姿［15，16］病人〔13，17〕。提高這些算法性能的一個可能的解決方案是使用額外的傳感器模式，如大氣壓（BP）。BP提供傳感器絕對高度的估計，這對于區分涉及高度/身體的活動之間的轉換特別有用海拔變化（例如上/下水平行走、爬樓梯、STS過渡）。這種方法可以檢測額外的活動，例如評估患者爬樓梯時的活動性，這是卒中后恢復的相關結果［18］。〔19〕和Moncada Torres等人?！?0〕提出了包括基于bps的爬樓梯檢測算法在內的活動識別算法，但僅在健康對照組上驗證了結果。

　　除了傳感器配置（數量和位置）外，從原始傳感器數據中識別/分類活動的方法也是至關重要的。最常見的方法是基于歷元的分類〔21〕，即將傳感器數據分割成固定長度的歷元，并根據提取的特征應用機器學習技術將每個歷元分類為一個活動。另一種方法是基于事件的分類，它包括對關鍵事件的檢測和分類，如姿勢轉換、行走開始/結束和躺臥期。遵循這種方法，Salarian等人。〔22〕在基于模糊邏輯的活動識別算法中加入特定于姿勢轉換的知識，以提高分類性能。該算法僅基于固定在中繼線上的單個慣性傳感器的信息，因此STS分類的精度受到限制。本文的工作基于以下假設：（1）STS姿勢轉換、傾斜行走和爬樓梯過程中軀干高度的變化可以通過慣性（加速度計、陀螺儀）和BP傳感等多模態傳感器進行檢測；（2） 該信息可用于設計一種改進的基于事件的活動分類算法。提出了一種基于單干線磨損多模態傳感器系統（慣性測量單元IMU和BP）和基于模糊邏輯的活動分類器的可穿戴活動監測系統。該分類器考慮了行為約束，并且在站立和運動期間估計了身體的高度（平直、上下）。