基于主動紅外入侵探測的在室人數測試方法

摘要：在室人數與建筑用能系統緊密相關，實時在室人數的監測是建筑用能行為方向的熱點問題之一。紅外傳感是現有研究方法中應用較廣泛的方法，其測試精度與安裝高度、人員通過速度及人員體型等因素有關，選取主動紅外入侵探測器，依據建筑室內人員活動情況，研究了安裝高度、通過速度及人員體型對在室人數測試精度的影響。研究結果表明，考慮各種人員體型及通過速度時，測試精度隨安裝高度的降低先升高后降低。通過速度越慢，測試精度越高，當 v ≥1.4 m/s 時，測試精度低于60%；當1.0 m/s ≤ vlt;1.4 m/s 時，測試精度為70%～81%；當 vlt;1.0 m/s 時，測試精度高于95%，當 vlt;0.8 m/s 時，測試精度達到100%等。被測人員的身高和體重指數（ BMI ）均與測試精度呈強正線性相關。通過不同工況分析，提出了應用于實際場景的綜合精度估算方法。

關鍵詞：主動紅外入侵探測；在室人數；安裝高度；通過速度；人員體型；精度

中圖分類號：TU831文獻標志碼：A文章編號：1000-582X（2023）06-051-10

A measurement method of occupancy based on active infrared intrusion detection

XUWenlu， LIU Meng， LIU Huan

（ a . School of Civil Engineering; b . National Center for International Research of Low -carbon and GreenBuilding; c . Joint International Research Laboratory of Green Building and Built Environment;d . Chongqing Key Laboratory of Wind Engineering and Wind Energy Utilization， ChongqingUniversity， Chongqing 400045， P. R . China）

Abstract： Occupancyiscloselyrelatedtothebuildingenergyconsumptionsystemandreal-timemonitoring occupancy is one of the hot issues in thestudy of building energy consumption behavior. Infraredsensing is a widelyusedmethodinexistingresearchmethods . Itsmeasurementprecisionisrelatedtoinstallationheight， personnelpassingspeed，personnelsomatotypeandotherfactors . Inthisstudy，theactiveinfraredintrusion detector was selected to investigate the effects of installation height， passing speed and personnel somatotype on the measurement precision of occupancy according to the indoor occupants ’ activities . The results show that the measurementprecisionfirstincreasedandthendecreasedwiththedecreaseof theinstallationheightwhen consideringvariouspersonnelsomatotypeandpassingspeed . Theslowerthepassingspeed，thehigherthemeasurementprecision . Whenv≥1.4 m/s，theprecisionwaslessthan 60%; when 1.0 m/s≤vlt;1.4 m/s，the precision was 70%～81%; when vlt;1.0 m/s， the precision was higher than 95%; When vlt;0.8 m/s， the precision was 100%. Theheightandbodymassindex（BMI） ofthetestedpeoplewerepositivelycorrelatedwiththe measurementprecision . Throughtheanalysisofdifferentoperatingconditions，anestimationmethodof comprehensive precision applied to actual scenes was proposed .

Keywords： activeinfraredintrusiondetection; occupancy; installationheight; passingspeed; personnel somatotype; precision

近年來，由于能源的日益枯竭，節能問題引起了可持續發展的高度關注。建筑能耗占全球能源消耗總量的30%以上[1]。建筑節能的關鍵是只在需要的時間和地點提供所需數量的建筑服務[2]，而人員是建筑服務的主要對象，因此實時在室人數的獲取是實現更有效的控制和管理策略以節約能源這一目標的關鍵問題。

由于居住者行為的隨機性、室內現有條件及測量工具的局限性，特定時間特定空間的在室人數的動態數據獲取仍然是一個繁瑣、易錯且昂貴的過程[3]。獲取在室人數最基本的方法是實地調研和問卷[4-5]，但是這種方法通常需要耗費較多人力成本，人工數據錄入和處理存在不便，同時調查結果易受被訪問者的主觀因素影響[6]。近年來，隨著傳感、通信及計算機技術的飛快發展，利用傳感器收集人員在室信息成為挖掘室內人員移動行為規律的有效手段[7]。現有在室人數監測方法可分為直接法和間接法，直接法主要包括視頻監控、紅外線、無線信號及接觸傳感等，而間接法主要包括環境傳感器、能耗計量儀器等。視頻監控可以獲取非常全面的人員信息，但是由于其數據存儲量大、費用高昂、涉及隱私和人員相關信息提取技術對非專業人士來說比較困難[8-9]等問題，視頻監控在人員在室的研究應用中受到了極大的限制。無線信號感知一般通過 WIFI[10-11]、射頻識別[12]及 Zigbee 無線[13]等技術來實現在室人數的探測，但是由于存在用戶攜帶移動設備但 WIFI 未開啟、用戶未攜帶移動設備及一位用戶攜帶多部設備的現象，所以無線信號感知的方法存在一定誤差。也有研究[2 ， 14-15]通過在人員座椅上安裝壓力傳感器來估計在室人數，利用安裝在鼠標和鍵盤上的傳感器來感應是否有人員在使用電腦辦公，從而判斷人員在室的時間段和人員數量，但這種方法無法判斷人員在室內卻不在座位上或不使用電腦的情況。近年來，有研究推薦使用環境參數[3 ， 16-18]，比如光、溫度、濕度和 CO2濃度來估計室內人數，此方法不涉及隱私問題，但門窗位置、新風量、傳感器響應時間，以及人員與傳感器的距離等都會給估計帶來誤差[19]。而基于能耗計量儀器（智能電表[20]、功率表[21]等）的在室人數監測方法也只能識別到使用特定設備時的人員活動[22]。

綜上，由于工作原理的不同，不同傳感器評估和監測在室人數時有著各自的特性和局限性[8]。因此，需要為讀者提供清晰且詳盡的在室人數測試方法。

1 研究方法

1.1 基本原理

相比于現有的其他在室人數監測技術，主動紅外入侵探測器有體積小、壽命長、靈敏度高、安裝方便、價格低廉且不涉及隱私等優勢[23]。主動紅外入侵探測器主要包括投光器和受光器兩部分，在電源的驅動下，投光器中的發光二極管發射紅外光束，紅外光束通過光學系統被聚焦成細長的平行光束發送給受光器，受光器經光學系統接收紅外光束之后，光信號通過光電傳感器后轉換為電信號，當光束被遮擋，控制器通過對信號適當處理之后進行計數[23]。而主動紅外入侵探測器的測試精度主要由紅外光束被遮擋的持續時間決定[24]，當被遮擋的持續時間超過某一值時，探測器就會進行計數，當被遮擋的持續時間低于某一值時，探測器就不會進行計數。其中，紅外光束被遮擋的持續時間主要由遮擋物體的厚度以及運動速度決定[25-26]。對于遮擋物體為人體的應用場景，將主動紅外入侵探測器安裝在外門的不同高度，對應的則是人體不同厚度的身體部位對紅外光束進行遮擋。所以主動紅外入侵探測器的安裝高度、被測人員的通過速度以及體型都將成為影響探測器測試精度的因素，而現有研究并沒有對影響主動紅外入侵探測器的測試精度的因素進行詳細分析，因此這便成為了本研究的重點。

1.2 實測情況

選取主動紅外入侵探測器作為實驗儀器，該探測器可對進出房間的人員實現方向自動識別與自動計數，適合人員依次進出或人流密度不大的場所使用，例如普通住宅、小型辦公室、宿舍等。探測器在房間出入口處形成由兩束平行紅外線組成的無形屏障，并對人員進入或離開房間時造成的每一次遮擋進行計數，可以實現以5 min 為時間間隔對數據進行記錄。

考慮探測器的安裝高度、被測人員的通過速度及體型為工況參數。其中，在對被測人員體型進行篩選時主要考慮身高和體重這2個參數，由于單純地對比不同身高的人之間的體重是沒有意義的，因此選取 BMI （body mass index， 體重指數）來表征人員身體的厚度[27]， BMI （kg/m2）可以根據人員的身高（h/m）和體重（m/kg）通過公式 BMI = m/h2計算得出。根據 BMI 中國標準劃分，BMIlt;18.5 kg/m2為偏瘦， 18.5～23.9 kg/m2為正常，24.0～27.9 kg/m2為超重， BMI≥28.0 kg/m2為肥胖[28]。本次測試一共選取了10位被測人員進行反復測試，他們的體型信息見表1。

測試時將探測器安裝在房間外門上，外門尺寸（寬×高）為0.9 m×2.0 m ，安裝時需注意將探測器安裝牢固且投光器和受光器必須對齊。本次測試通過在門框的6種高度處逐一安裝探測器，觀察人員通過紅外光束時，探測器的指示燈是否閃爍來判斷探測器是否探測到人員的進出，指示燈閃爍代表探測到人員通過，記為1，指示燈不閃爍代表沒有探測到人員通過，記為0。值得說明的是本研究中人員的行走速度值是根據人員勻速行走6 m 所需的時間計算出來的。使用秒表來測量行走速度的方法仍然在臨床環境中廣泛應用，因為這種由秒表進行的測量快捷、重復性好、價格便宜、可行，而且不需要專業培訓[29]。如圖1所示，本次測試的行走區域共10 m 長，啟動過渡區（2 m）和停止過渡區（2 m）的設置是為了減小由于被測人員在啟動或停止行走時的反應時間帶來的誤差，保證被測人員在進入和離開計時區時都處于行走狀態[30]。當被測人員的前腿完全進入計時區時，計時人員使用秒表開始計時，當前腿完全離開計時區時停止計時，同時為了避免由于不同計時人員的反應時間不同帶來的誤差，本次測試的計時工作均由同一名訓練有素的計時人員在視野良好的地方完成。每位被測人員在每種安裝高度下首先以個人的正常行走速度行走50次，然后再以稍快和稍慢的行走速度分別行走30次，稍快要求 v ≥1.4 m/s ，即6 m 的通過時間tlt;4.29 s，稍慢要求 vlt;1.0 m/s ，即6 m 的通過時間tgt;6 s ，被測人員在正式測試前均反復練習，以控制通過時間和速度的均勻性，每 2次測試間有10 s 休息時間，總測試次數為6600次，本次測試的具體工況情況見表1。

2 研究結果

2.1 安裝高度對測試精度的影響

分別統計6種不同安裝高度下，當總測試次數為 m 時，探測器準確探測到人員通過的次數 n ，并按照式（ 1）計算出相應的測試精度 P ，得出如圖2所示的柱狀圖，可以看出測試精度隨安裝高度的降低先升高后降低，當安裝高度為1.10 m 時，測試精度達到最大值72.2%，但是72.2%的測試精度的實際應用價值并不高，現有研究中的人員探測器的測試精度一般在90%[14 ，23]以上，因此只考慮探測器的安裝高度這一個影響因素還不夠，還需進一步分析其他因素對測試精度的影響。

2.2 通過速度對測試精度的影響

在測試每一種安裝高度時，安排10名被測人員按照正常行走速度通過外門各50次，實際共記錄2910個正常行走速度的數據，由這些數據得出的人員正常行走速度的分布直方圖如圖3所示，經計算得出84.4%的速度都在區間[1.0， 1.4）之內，只有1.4%的速度值大于或等于1.4 m/s 。故接下來針對通過速度對測試精度的影響進行分析時選取的速度分界值為1.0 m/s 和1.4 m/s ，這與Keijsers等[31]的研究結果（慢速行走速度為1.0 m/s ，正常行走速度小于1.38 m/s）非常接近。

圖4為6種安裝高度下通過速度位于不同速度區間時測試精度的柱形圖，可以看出當通過速度超過人正常行走的速度上限1.4 m/s 時，測試精度明顯降低，其范圍為26.0%～58.6%。當通過速度位于人正常行走的區間[1， 1.4）之內時，測試精度相比于快速通過時的測試精度明顯升高，其中1.10 m 、1.00 m 和0.65 m的測試精度分別為78.7%、76.7%和79.2%，這 3種安裝高度對應的測試精度比其他3種安裝高度對應的測試精度高很多。當通過速度低于1.0 m/s 時， 1.10 m 、1.00 m 和0.65 m 這3種安裝高度對應的測試精度均達到95%以上，其中安裝高度為1.10 m 時，測試精度達到98.6%。

由于本次測試中人員進出房間時外門始終處于開啟狀態，人員在通過紅外屏障時沒有阻礙，而平時大家進出外門時會有開/關門動作，也就是說人員在進出外門時通常會有一段停頓的時間，而前面的研究表明，通過速度越慢，測試精度越高，由此可推測當人員在外門的紅外線處有停頓時，測試精度將會明顯升高，甚至可能達到100%。為了證明這一推論，將探測器安裝在門框的1.10 m 高度處，邀請6名受試者一共進行了120次反復測試，且每次通過外門時都有開/關門的動作，最終統計發現每次人員通過均被探測器準確探測到，即當人員通過且有開/關門動作時探測器的測試精度為100%。

為了對通過速度對測試精度的影響進行深入的分析，將1.10 m 、1.00 m 和0.65 m 這3種測試精度較高的安裝高度對應的3320組數據合并起來分析，將速度以0.1 m/s 為間隔劃分為16個速度區間，并計算出每個速度區間對應的測試精度，最后繪制出如圖5所示的折線圖。分析該折線圖可知，通過速度對測試精度有較大的影響，當 v ≥1.4 m/s 時，測試精度低于60%，如圖5中的黑色圓圈所示，除 2.1 m/s ≤ vlt;2.2 m/s 對應的測試精度之外，因為該區間的數據大多來源于 BMI 分類為超重/肥胖的人員；當1.0 m/s ≤ vlt;1.4 m/s 時，測試精度為70%～81%，如圖5中的綠色圓圈所示；當 vlt;1.0 m/s 時，測試精度高于95%，如圖5中的紅色圓圈所示，且通過速度越慢，測試精度越高，當 vlt;0.8 m/s 時，測試精度達到100%。

2.3 人員體型對測試精度的影響

此部分分析時，選取的數據是除安裝高度為0.30 m 以外的所有數據，因為安裝高度為0.30 m 時，測試精度低于20%，而且對于每種體型的被測人員都是如此，究其原因是在該安裝高度下，人員通過時從紅外線上方跨過的情況比較多，導致漏檢的次數比較多。

將人員身高和 BMI 分別與測試精度進行斯皮爾曼（Spearman）相關性分析，分析結果如圖6所示。根據經驗，變量之間的相關性強度分為4種類型，如表2所示[32]，其中 R 表示斯皮爾曼相關系數。

如圖6所示，身高和 BMI 與測試精度的斯皮爾曼相關系數 R 分別為0.809和0.794，且顯著性水平 p 值均小于0.01，根據表2可知，相關系數|R |gt;0.5表明2個變量間的相關性等級為強相關，所以身高和 BMI 均與測試精度呈強正線性相關，其中身高與測試精度的線性相關性更強。

3 討論

上述研究結果中主要分析了探測器的安裝高度、被測人員的通過速度以及體型這3種因素分別對測試精度的影響，本小節將把這3種因素綜合起來進行討論分析，旨在為人們使用主動紅外入侵探測器進行在室人數的監測時提供比較可靠的測試方法。首先，將所有數據根據被測人員的身高和 BMI 分類劃分為6類： 1）身高 h ≥170 cm ， BMI 分類：超重/肥胖； 2）身高 h ≥170 cm ， BMI 分類：正常； 3）身高 h ≥170 cm ， BMI 分類：偏瘦；4 ）身高 hlt;170 cm ， BMI 分類：超重/肥胖；5 ）身高 hlt;170 cm ， BMI 分類：正常； 6）身高 hlt;170 cm ， BMI 分類：偏瘦。然后計算出每一類的不同安裝高度、不同通過速度下的測試精度，并繪制出如圖7所示的柱狀圖。

每一類被測人員不同的通過速度都會對應一個或多個最佳安裝高度，比如對于身高 h ≥170 cm ， BMI 分類為超重/肥胖的被測人員 （圖7（a）） 在慢速通過 （vlt;1.0 m/s）時，探測器的最佳安裝高度為1.20 m 和1.30 m ，對應的測試精度均為100%，而快速通過（v≥1.4 m/s）時，探測器的最佳安裝高度為1.20 m ，對應的測試精度為89.8%。不同體型的被測人員在同一安裝高度下以相同速度通過時對應的測試精度不一樣，比如當被測人員在安裝高度為1.30 m ，慢速通過（vlt;1.0 m/s）時，對于身高 h ≥170 cm 的3類 （圖7（a）～ （c）） 的測試精度均為100%，而對于 hlt;170 cm 的3類 （圖7（d）～ （f）） 的測試精度均為0%，這是由于1.30 m 對應身高h ≥170 cm 的被測人員的胸部位置， 1.30 m 對應身高hlt;170 cm 的被測人員的肩頭或頸部的位置，后者的厚度太小，導致探測器探測不到人員通過，精度為0%。而且同一體型的被測人員不同通過速度對應的測試精度隨探測器的安裝高度的降低而變化的趨勢也不一樣，比如對于身高 h ≥170 cm ， BMI 分類為正常的被測人員（圖7（b）），通過速度 v ≥1.4 m/s 和1.0 m/s ≤ vlt;1.4 m/s 對應的測試精度隨探測器的安裝高度的降低先升高后降低，而通過速度 vlt;1.0 m/s 對應的測試精度隨探測器的安裝高度的降低先不變后降低。

為了便于查詢和選擇，表 3中列出了不同人員體型、通過速度和安裝高度對應的探測器測試精度范圍。對于單人使用的房間，可根據人員體型特征及平時的行走速度直接查詢表3得到不同安裝高度對應的測試精度范圍。然而面向更廣的實際應用場景時，某一房間的人員體型一般是由多種體型組合而成的，此時需要結合表3和式（2） 來得出當主動紅外入侵探測器的被測對象為某種人員體型組合，并在某種通過速度場景下應用時的不同安裝高度對應的綜合精度Pcom的范圍，以便用戶根據需要選取安裝高度。

式中：xi 表示測試時間段內第i位被測人員進出房間總次數占所有人員進出房間總次數的比例，η代表測試時間段內房間外門處于開啟狀態的時長與總測試時長的比例，Pi 代表根據第i位被測人員身高、BMI 分類、通過速度及探測器的安裝高度范圍，查表3所得的測試精度。

最后，為了驗證該估算方法的有效性，以某小型科研辦公室為例，其長期在室人數為4人，他們的體型及某天進出房間的次數見表4。以攝像頭的記錄作為真實值，對比安裝高度為1.10 m 時根據表3和式 （2） 計算出的綜合測試精度與實際測試精度的差異。該辦公室會有將外門開啟進行自然通風的習慣，辦公時間中約有一半的時間外門處于開啟狀態，因此η=0.5，外門開啟時間段內，人員以正常的速度通過外門，即1.0 m/s ≤ vlt;1.4 m/s ，查表3得，P 1 =79.7%～95.2%，P2 =78.0%～95.6%，P3 =78.4%～87.8%，P4 =64.2%～68.7%，根據表4，此例中 x 1 = ，x2 = ，x3 = ，x4 = ，將上述所有值帶入式（2） 中，計算得到綜合測試精度Pcom =86.3%～91.4%，而以攝像頭為真實值的實際測試精度為90.6%，說明本研究提出的綜合精度估算方法是可行的。

4 結論

選取主動紅外入侵探測器，研究了探測器的安裝高度和人員通過速度對探測器測試精度的影響，還將人員體型與測試精度進行了斯皮爾曼相關性分析，并提出了在實際場景中應用主動紅外入侵探測器進行在室人數監測時的綜合精度估算方法。

主要結論為以下幾點：

1）考慮各種人員體型及通過速度時，測試精度隨安裝高度的降低先升高后降低，當安裝高度為1.10 m時，測試精度達到最大值；

2）通過速度對測試精度有較大的影響，通過速度越慢，測試精度越高，當 v≥1.4 m/s 時，測試精度低于60%；當1.0 m/s ≤ vlt;1.4 m/s 時，測試精度為70%～81%；當 vlt;1.0 m/s 時，測試精度高于95%，當 vlt;0.8 m/s 時，測試精度達到100%；當人員通過且有開/關門的動作或在門口有停留時，測試精度為100%。

3）被測人員的身高和 BMI 均與測試精度呈強正線性相關；

4）通過不同工況分析，提出了應用于實際場景的綜合精度估算方法，可以很好地為用戶提供選擇特定應用場景下探測器最佳安裝高度的方法。

參考文獻

[1] BP p l c . BP energy outlook：2020 edition[EB/OL].[2021-11-30]. https：//www.bp .com/content/dam/bp/business-sites/en/global/corporate/pdfs/energy-economics/energy-outlook/bp-energy-outlook-2020.pdf.

[2] Newsham G R ， Xue H ， Arsenault C ， et al. Testing the accuracy of low -cost data streams for determining single-person officeoccupancy and their use for energy reduction of building services[J]. Energy and Buildings， 2017， 135：137-147.

[3] SzczurekA ，Maciejewska M ， Pietrucha T. Occupancy determination based on time series of CO2 concentration， temperatureand relative humidity[J]. Energy and Buildings， 2017， 147：142-154.

[4] Chen J， Wang X H ，Steemers K . A statistical analysis of a residential energy consumption survey study in Hangzhou， China[J].Energy and Buildings， 2013， 66：193-202.

[5] HuMM ，XiaoF. Quantifyinguncertaintyintheaggregateenergyflexibilityofhigh-riseresidentialbuildingclustersconsidering stochastic occupancy and occupant behavior[J]. Energy， 2020， 194：116838.

[6] 周亞蘋 ， 俞準 ， 李郡 ， 等.建筑用戶在室行為測量方法及預測模型綜述[J].暖通空調 ， 2017， 47（9）：11-18.

Zhou Y P， Yu Z ， Li J， et al. Reviewof measuring methods and prediction models of building occupant behavior[J]. Heating Ventilating amp; Air Conditioning， 2017， 47（9）：11-18.（in Chinese）

[7] Saha H ， Florita A R ， Henze G P， et al. Occupancy sensing in buildings： a review of data analytics approaches[J]. Energy andBuildings， 2019， 188/189：278-285.

[8] Chen Z H ， Jiang C Y， Xie L H . Building occupancy estimation and detection： a review[J]. Energy and Buildings， 2018， 169：260-270.

[9] JinM . Data-efficientanalyticsforoptimal human-cyber-physicalsystems[D]. Berkeley： Universityof California，Berkeley，

[10] Zou H ， Zhou Y X ， Yang J F， et al. Device-free occupancy detection and crowd counting in smart buildings with WiFi-enabledIoT [J]. Energy and Buildings， 2018， 174：309-322.

[11] AlishahiN ， Nik-Bakht M ， Ouf M M . A framework to identify key occupancy indicators for optimizing building operation usingWiFi connection count data[J]. Building and Environment， 2021， 200：107936.

[12] Li N ，Calis G ， Becerik-Gerber B . Measuring and monitoring occupancy with an RFID based system for demand-driven HVACoperations[J]. Automation in Construction， 2012， 24：89-99.

[13] FadhlullahSY，IsmailW. Astatisticalapproachindesigninganrf-basedhumancrowddensityestimationsystem[J].International Journal of Distributed Sensor Networks， 2016， 12（2）：8351017.

[14] Zhao Y， Zeiler W， BoxemG ， et al. Virtual occupancy sensors for real-time occupancy information in buildings[J]. Building andEnvironment， 2015， 93：9-20.

[15] Labeodan T， Zeiler W， BoxemG ， et al. Occupancy measurement incommercial office buildingsfor demand-drivencontrolapplications： a survey and detection system evaluation[J]. Energy and Buildings， 2015， 93：303-314.

[16] Candanedo L M ，Feldheim V， Deramaix D . A methodology based on Hidden Markov Models for occupancy detection and acase study in a low energy residential building[J]. Energy and Buildings， 2017， 148：327-341.

[17] Jiang C Y， Chen Z H ，Su R ， et al. Bayesian filtering for building occupancy estimation from carbon dioxide concentration[J].Energy and Buildings， 2020， 206：109566.

[18] JinM ，Bekiaris-LiberisN ，WeeklyK ，etal. Occupancydetectionviaenvironmentalsensing[J]. IEEETransactionsonAutomation Science and Engineering， 2018， 15（2）：443-455.

[19] YangJJ，SantamourisM ， LeeSE . Reviewof occupancysensingsystemsandoccupancy modeling methodologiesfor theapplication in institutional buildings[J]. Energy and Buildings， 2016， 121：344-349.

[20] Becker V， Kleiminger W. Exploring zero-training algorithms for occupancy detection based on smart meter measurements[J].Computer Science - Research and Development， 2018， 33（1/2）：25-36.

[21] Wang Z X ， Ding Y. An occupant-based energy consumption prediction model for office equipment[J]. Energy and Buildings，2015， 109：12-22.

[22] Chen Z H ， Zhu Q C ， Masood M K ， et al. Environmental sensors-based occupancy estimation in buildings via IHMM -MLR [J].IEEE Transactions on Industrial Informatics， 2017， 13（5）：2184-2193.

[23]聶芹芹.基于主動紅外入侵探測器的室內人員計數方法研究[D].合肥：安徽建筑大學 ， 2020.

Nie Q Q . Research on indoor occupant counting method based on active infrared intrusion detector[D]. Hefei： Anhui Jianzhu University， 2020.（in Chinese）

[24]劉越.主動紅外探測監控器的有效性驗證[J].網絡與信息 ， 2009， 23（8）：38.

Liu Y. Validation of active infrared detection monitor [J]. Network amp; Information， 2009， 23（8）：38.（in Chinese）

[25]蔣靜.關于主動紅外入侵探測器原理與應用探析[J].中國公共安全 ， 2019（ S1）：105-106.

Jiang J . Principle and application of active infrared intrusion detector[J]. China Public Security， 2019（ S1）：105-106.（in Chinese）

[26]黃文理 ， 葉晨.智能車輛計數器的設計[J].電子世界 ， 2018（13）：115-117.

Huang W L ， Ye C . Design of intelligent vehicle counter [J]. Electronics World， 2018（13）：115-117.（in Chinese）

[27] MukkamalaN ， Patel P， Shankar G ， et al. Relationship between body mass index and skin fold thickness in young females[J].Journal of Pharmaceutical Research International， 2021：188-193.

[28]劉勇 ， 劉桂娜 ， 龔佳祺 ， 等.結直腸癌患者的 BMI 會影響術后住院時間：基于 DACCA 的真實世界數據研究[J].中國普外基礎與臨床雜志 ， 2021， 28（11）：1486-1493.

Liu Y， Liu G N ， Gong J Q ， et al. BMI of colorectal cancer patients will affect post-operative hospital stay： a real world study based on DACCA [J]. Chinese Journal of Bases and Clinics in General Surgery， 2021， 28（11）：1486-1493.（in Chinese）

[29] MaggioM ，CedaGP，Ticinesi A ，etal. Instrumentalandnon-instrumentalevaluationof 4-meterwalkingspeedinolderindividuals[J]. PLoS One， 2016， 11（4）： e0153583.

[30] KarpmanC ，Lebrasseur N K ， Depew Z S ， et al. Measuring gait speed in the out-patient clinic： methodology and feasibility[J].Respiratory Care， 2014， 59（4）：531-537.

[31] Keijsers NL W，Stolwijk NM ，RenzenbrinkGJ，etal. Predictionof walkingspeedusingsinglestanceforceor pressuremeasurements in healthy subjects[J]. Gait amp; Posture， 2016， 43：93-95.

[32] Xiao C W， Ye J Q ， Esteves R M ， et al. Using Spearman's correlation coefficients for exploratory data analysis on big dataset[J].Concurrency and Computation： Practice and Experience， 2016， 28（14）：3866-3878.

（編輯鄭潔）