一个基于陀螺仪加速度计和跌倒检测算法的优化

摘要

跌倒是老年人(>65岁)常见和重要的伤害原因，经常导致残疾和死亡。在美国，每年有三分之一的老年人遭受摔伤。本研究的目的是开发、优化和评估基于三轴加速度计和陀螺仪组成的无线可穿戴传感器系统(WSS)的跌倒检测算法的有效性。在本研究中，WSS被放置在胸部中心，收集各种模拟日常活动(如行走、跑步、步进、跌倒)的实时运动数据。研究人员在实验室环境中对36名受试者进行了总共702种不同动作的测试。数据集的一半用于开发跌倒检测算法，包括对关键传感器阈值的调查，其余数据集用于评估算法的敏感性和特异性。实验结果表明，与其他日常动作相比，该算法检测跌倒的灵敏度和特异度分别为96.3%和96.2%。陀螺仪信息的添加极大地提高了文献结果的灵敏度，因为角速度变化提供了进一步描述其他活动的跌落事件，这些活动也可能经历高加速度峰值。

1.介绍

跌倒事件是老年人受伤的最重要原因。跌倒导致许多致残性骨折，最终可能因感染或肺炎等并发症导致死亡。在美国，超过三分之一的65岁以上的老年人每年至少跌倒一次[1.］.2008年，医院急诊室治疗的老年人，其中25％的住院治疗中超过210万非致命跌倒受伤。不幸的是，随着年龄的增长，掉落的增加和伤病的机会加剧。因为对于那些超过85岁跌打损伤明显高于年龄65〜74成人另外，一旦一个人跌倒，他们很可能会再次下降的四倍。

虽然跌倒对老年人的健康有直接影响，但另一个关键影响与事故相关的财务成本有关。2000年，疾病预防控制中心估计与老年人跌倒相关的费用约为200亿美元，到2020年将增加到549亿美元[2.]. 一半的老年跌倒者不能自己站起来[3.］.平均而言，老年人跌倒无助于10分钟以上，在收到援助之前等待超过一小时的3％以上[4.]. 这些谎言谎言经常导致住院，制度化和高发病率 - 死亡率。Bertera等人的研究。[5.研究表明，老年人对支持他们的健康、独立和安全的新技术感兴趣，特别是当这些新技术支持他们“老去”的愿望时[6.］.

已经开发了个人应急响应系统（PERS），以便于在坠落事件后呼救。但是，在严重的紧急情况下，个人可能无法激活PERS警报。最近的报告显示，80%跌倒后无法起床的老年人没有使用PERS设备呼救[7.,8.］.出于这个原因，自动跌倒检测是一个活跃的研究领域。很多跤，研究使用加速度计，主要利用加速度的变化幅度来确定跌倒的策略。当加速度超过临界阈值，当检测到下降[9,10.]. 这些systems successfully detect falls with sensitivities greater than 85% and specificities between 88 and 94%. However, focusing only on large acceleration can result in many false positives as other activities such as sitting, running, and jumping may also result in large peak accelerations. For example, Huynh et al. [11.已经表明，在运行期间的平均峰值加速度（2.3-2.8g）与下降期间观察到的范围重叠（2.4-5.4g）。该重叠减少了基于加速度计的算法的特异性（即，误报的检测）。

其他跌倒检测算法依赖于跌倒后的身体方向(即俯卧)检测。然而，这些策略可能会受到类似姿势的活动的影响(例如，睡觉，斜倚)，当一个人的摔倒姿势不是水平的时候，效果就不太好。此外，其他研究还使用了支持向量机(SVM)等复杂算法[12.马尔可夫模型[13.来探测瀑布。这些系统的鲁棒性尚未得到证实。它们还受到计算资源过度使用的限制，无法实时响应。虽然计算复杂性可能被云计算服务取代，但实时和持续的云访问可能不可靠，尤其是在农村社区。

与之前的其他工作不同，本项目建议使用加速计和陀螺仪传感器的组合，以实现稳健的坠落检测。虽然加速计提供了关于碰撞导致的身体惯性变化的宝贵信息，但陀螺仪提供了关于坠落事件中身体旋转速度的独特信息。坠落事件会产生高加速度和角速度，在正常日常活动中无法观察到两者的结合。这项工作的主旨是开发和优化一种鲁棒性坠落检测算法，同时优化灵敏度和特异性。

2.方法论

在以前的研究中[11.]，我们的团队开发了一个无线传感器系统和一个算法，用于从其他日常活动（如行走、跑步、坐着和爬楼梯）中识别坠落事件。该系统包括一个由三轴加速计和陀螺仪组成的无线传感器系统（WSS）。图形1.显示了系统的总体原理图。在下落过程中，WSS传输和接收实时加速度计和陀螺数据。检测算法是基于一种简单的阈值检测方法，利用文献中发现的加速度计阈值。利用收集的初步数据，通过实验确定陀螺仪阈值。

2.1. 无线传感器系统（WSS）

无线传感器系统（图2.）包含传感器模块（图2（a）)、微控制单元(MCU)和Wi-Fi模块分别用于感知身体方位和活动数据、控制数据流和发送/接收数据。WSS放置在胸部中心(图)2（c）)．

2.1.1。传感器模块

由于我们的系统采用加速度和角速度检测跌倒，我们选择使用具有小尺寸和功耗的要求六自由度模块。它包括一个三轴加速度计ADXL345和三轴陀螺仪ITG3200（图2（a）)．加速度测量范围ADXL345, 13位分辨率，4mg /LSB16克。另外，ITG-3200陀螺仪可以捕获±2000°/秒之间的角速度。两个传感器通过I2C数字接口端口与MCU连接。

2.1.2. 微控制单元（MCU）模块

控制系统的MCU是一个LPC1786（NXP半导体），一个基于ARM Cortex-M3 32位的微控制器，专为需要高集成度和低功耗的嵌入式应用而设计。该芯片最多可运行100次 兆赫CPU频率。此外，UART接口提供的采样频率高达4 Mb/s。

2.1.3. 无线模块

WIFLY RN131模块是在完全集成的2.4 GHz上操作的独立Wi-Fi模块，并提供IEEE 802.11 B / G标准的IP堆栈。RN131可以通过通信速度操作，高达11 Mbps。由于其较小的外形和极低的功耗，它非常适用于具有便携式电池供电设备的移动无线应用。此外，其UART硬件接口用于连接MCU的连接可以运行高达1 Mbps的数据速率。

2.1.4。收集项目

数据采集程序用Matlab（Mathworks，Inc.，Natick，MA）编写，用于接收、显示和分析来自WSS的实时加速度和角速度数据[11.］.该程序还存储数据以供以后分析。

２.２.跌倒检测算法

分析中使用的参数类似于先前研究中提出的参数[10.,14.］.总和加速度向量，ACC，含有静态和动态的加速度分量，从采样的数据计算出的使用 在哪里,，及是加速度（g）,，及方向。同样，根据采样数据计算角速度，如下所示： 在哪里,，及是角速度,，及的方向。

当静止时，从三轴加速度计的加速度幅度Acc是恒定（+1g），角速度为0°/ s。当受试者落下时，加速度迅速改变，角速度沿着落下方向产生各种信号。然后使用加速度和角速度的临界阈值来确定秋季事件。这些关键阈值定义并导出如下[15.］.(我)下降下限（LFT）：对于每个记录的活动的ACC所得局部最小值被称为信号下峰值（LPVS）。这对于加速度信号，将其设置为记录的最小幅度下降峰值（LFP）水平。（ii）秋季阈值（UFT）：每个记录活动的Acc结果的局部最大值称为信号峰值上限（UPV）。每个加速度的UFT()和角速度(）信号被设置为为ACC记录的最低秋季峰值（UFP）的电平。分别地这个与在秋季冲击阶段期间的体段经历的峰值冲击力有关。

使用加速度计的跌倒检测算法通常被分为两组，一组基于比较和另一个基于比较。虽然以往的研究取得了一些显著的成果，但这些策略的准确性仍低于预期水平。Bourke等[15.] 用过的和并发现的灵敏度和性能特异性分别为83.33％和67.08％。

在这项研究中，我们同时使用和结合用于崩溃。基于所收集的实验数据，我们确定LFT和UFT的加速度和角速度。我们所提出的算法如图所示3.．首先，计算和比较瞬时加速度幅度ACC．当Acc下降到阈值，从下0.5秒的数据，期间称为下降窗口，比较UFT的加速度和角速度矢量。秋季窗期的资料来自文献[16.,17.]. 在下降窗口内，如果加速度和角速度的大小都高于和分别接检测到跌倒。如果只有一个或没有观察到，下降不指示。

通过测量灵敏度和特异性（通常定义为 发生以下情况的地方。(我)#真阳性(No.TP):出现下降;设备检测。（ii）＃假阳性（No.FP）：设备检测下降;并没有出现下跌。(iii)＃true否定（no.tn）：正常运动（即，没有秋季）;设备不会宣布跌倒。(iv)#假阴性(No.FN):下降;设备没有检测到它。

难度在于确定LFT的最佳阈值_{行政协调会}，窃贼_{行政协调会}和uft._陀螺．不恰当的低阈值选择可能导致在日常活动中检测到的假阳性发生率增加，导致特异性降低。另外，过于严格的阈值选择也可能导致跌倒检测失败，导致假阴性增加和系统灵敏度降低。

许多算法通过实验确定阈值[18.］.同样地，该研究确定最佳的灵敏度和特异性这些阈值。为了优化的阈值，灵敏度和特异性来计算用于从实验数据的所有可能的阈值的值。灵敏度反比在这个意义上的特异性相关的该灵敏度随着特异性跨越各种阈值减小。接收器操作特性（ROC;图4.)曲线显示灵敏度之间的折衷(-axis）和特异性（设在)。最佳阈值是在点(0,1)与自身之间提供最小距离的点[19.］.距离定义为(4.)，在哪里,敏感性和特异性分别如下所示：

2.3。实验和程序

为了收集跌倒数据以开发和优化跌倒算法，对27名年轻健康受试者（男性和女性，年龄18至28岁，体重50至90）进行了实验 公斤，高度从154.5到180.0 cm）和9名中年受试者（年龄38-56岁，体重55-87 公斤，高度从160.0到185.0 CM）在美国天主教大学（华盛顿特区）。研究方案由人体受试者/机构审查委员会（IRB）委员会批准。WSS连接到每个受试者的胸部中心，根据我们之前的研究确定为最佳位置[20.］.每位受试者被要求进行站立、行走、坐/站、步、跑等动作，以及四种不同的跌倒测试，前、后和左右侧身跌倒。为了防止受伤，人们在一个36英寸高的跳高垫子上摔倒。

结果

数字5.展示了在进行不同的日常活动时加速度和角速度信号的一个典型例子。当加速度和角速度值超过时对应的实例,，及在各种日常活动中，如站立、跑步、坐起、躺下、行走、踏步和跌倒，也显示在原始信号之下。在一个下落事件(~10秒)，加速度信号从1 g下降到LFT以下_{行政协调会}并且，在0.5秒内，加速度和角速度增加到UFT以上_{行政协调会}和UFT_陀螺几乎同时。有了严格的活动，如跑步，加速度的峰值可以达到临界LFT_{行政协调会}和UFT_{行政协调会}指示下降事件的阈值。然而，确认的UFT_陀螺阈值从来没有达到过。对于事件，如躺下或坐起来时，触发阈值，但不满足加速条件。因此，加速计和陀螺仪传感器系统的组合相互补充，形成了更稳健的坠落检测算法。

从收集的实验数据中，分析了数据（18个科目）的子集以识别和加速和的角速度。然后用剩余的数据进行验证，以确定算法的敏感性和特异性。加速度最小值和最大值以及角速度最大值的均值和标准差值在统计学上分别为90%和99%的置信水平。表格1.显示了的平均值和标准误差,，及以及90％和99％的上下置信水平的值。

为了提高系统的精度上置信限在90%和99%之间（0.27 g–0.33 g） 为了和降低90％至99％（2.37 g-2.77 g）之间的信心限制和（151.7-254.5°5°5°/ s用于秋季检测算法。为了优化用于最终算法的阈值，所提出的算法在指定的范围内以不同的级别运行,，及为组合算法计算灵敏度和特异性值。数字6.显示了系统在范围内的灵敏度和特异性的空间映射（0.2g-0.4g）和(2 g-3 g） 加速。正如预期的那样，随着敏感性增加而特异性降低，敏感性和特异性之间存在权衡，反之亦然。优化算法同时最大化了两个度量。

因为这项研究的目标是开发具有90％超过90％的坠落检测系统，因为灵敏度和特异性，最初选择了三个阈值,，及0.26 g, 2.77 g, and 254.5°/s, respectively, based upon individual analyses from experimental data. Each threshold is then varied for the ranges above and sensitivity and specificity are calculated. From the ROC curves, the optimal threshold is chosen which minimizes distance在图4.．

数字7.显示(a)的灵敏度与阈值，（b），和（c），分别和对应的ROC曲线（（d） - （F））。为正确识别跌倒或nonfall最优阈值是通过最小化距离决定在ROC曲线中。角速度(图7（a）和7 (d))，这个最小的距离是0.063，发生在什么时候为240°/s，相应的灵敏度为95.5%，特异性为97.1%（100%− 特异性=2.9%）。同样，数字7 (b)和7 (e)代表敏感性和特异性和ROC曲线的变化是多种多样的。最小距离为0.062，对应的LFT范围为0.30 g至0.35 g，敏感度为96%，特异度为95%。最后,数据7 (c)和7 (f)显示最优阈值()第2.4节 相应的敏感性和特异性分别为94.9%和97.5%。

表格2.提供坠落敏感性和特异性的结果摘要，不包括（即，仅加速计）和陀螺仪信息。在本表中，LFT和UFT的临界阈值设置为两个置信水平，即90%和99%。由于阈值设置为期望的置信水平，因此未实施优化策略。结果表明，如预期的那样，将置信水平从90%提高到99%，将灵敏度从83.56%提高到98.75%，同时显著降低了仅加速度计算法的特异性（从96.12%降低到75.93%）。这些结果与其他人的发现相似[9,10.]. 陀螺仪信息的添加通过区分坠落与其他严格措施的能力提高了特异性。与仅使用加速计的方法相比，灵敏度略有降低。

当使用ROC分析建立和优化临界阈值时，就能够实现改进的特异性，同时对仅使用加速度计和结合加速度计和陀螺仪策略的算法实现高水平的灵敏度(表)3.)．加速度计和陀螺仪组合传感器加优化策略对跌倒检测的灵敏度和特异度分别为96.3%和96.2%。

4。讨论

本研究调查了一种无线传感器系统，该系统将机身的加速度和角速度的尺寸与日常活动中的落下结合起来。在这项研究中，36个受试者进行了四种不同类型的跌落以及每日活动，共有9种不同的活动。实验数据集的一半用于开发和培训算法并确定临界阈值，而另一半用于验证和测试最终的跌落检测算法。

Tolkiehn等人。[21.]报告的仅加速计算法检测跌倒的灵敏度为83.3%，特异性为79.1%。陈等人[22.]报告说，他们的下降检测算法的特异性达到94%，但灵敏度低(76%)。Bourke等[23.]最近提出了一种灵敏度高（97%）但特异性低（83%）的算法。其他人在实现高特异性[88–94%]和降低跌倒检测率（敏感性=85%）之间也表现出类似的权衡[9,10.,24.］.

在本研究中，在使用ROC曲线的优化模式之后，迭代分析灵敏度和特异性，我们能够确定关键阈值,，及同时也提高了跌倒检测的灵敏度和特异性。优化值分别为0.30 g - 0.35 g、2.4 g和240°/s。结果证明了联合治疗的有效性加速度计，陀螺仪与传统相比，针对灵敏度和特异性优化的算法仅加速度计跌倒检测的策略。优化，组合传感器架构兼顾高灵敏度（96.3％）和高特异性（96.3％），同时，远高于之前的结果在文献中报道。增加的灵敏度由夹杂物的，其提供关于身体旋转，以便从其他高冲击活动，如跑步和跳跃区分坠落事件有价值的附加信息陀螺仪信息来实现的。优化策略导致了特异性的显着增加，而只是稍微牺牲跌倒检测灵敏度。

陀螺仪信息的添加减少了严格的活动导致的误报的发生，例如跑步和跳跃。虽然这些活性产生类似于下降的高加速峰，但旋转角速度远低于秋季事件中看到的低得多，因此不会被提出的算法触发。包含对体角速度阈值的检查显着改善了82.72％的特异性，没有陀螺仪的陀螺仪与陀螺仪96.2％。由于灵敏度和特异性之间存在权衡，通过ROC分析优化关键阈值，提供了一种系统策略，可以同时最大化敏感性和特异性。

5.结论和今后的工作

跌倒检测是老年人护理的一个重要重点领域，对健康、身心健康和残疾有着重大影响。在这项研究中，使用从位于中心胸部的无线传感器系统收集的加速度和角速度数据，开发了一种优化的坠落检测算法。使用优化方法，通过这项工作确定关键阈值，从而实现稳健的坠落检测。与其他研究人员先前的策略相比，优化后的算法能够以较高的灵敏度（96.3%）和特异性（96.2%）检测跌倒要么高灵敏度或者高特异性，但不是两者都有。在这项工作中采用的方法学方法也提供了一个系统的方法来选择坠落检测的关键阈值，同时优化灵敏度和特异性。提出的方法是一种简单的阈值方法，因此，易于移植到可穿戴、电子设备或包含在其他移动健康平台。

本研究的一个局限性是使用从年轻健康受试者获得的数据和出于安全原因，在落在缓冲垫上的实验室设置中，开发了阈值和算法。我们预计，落在正常硬地板上的老年人的实际数据将经历更高的峰值加速度，并且可能会出现意外的较高的角速度。因此，我们期待,，及这项工作的阈值仍适用于现实世界的情景。尽管该系统可以在检测跌倒是有效的，它可以是在检测的不太有效瀑布附近另一个临床上的临床研究。

本文提出的系统是一个专用的、可穿戴的跌倒检测传感器系统。在智能手机、智能手表设备或其他移动通信系统上集成并部署该算法，不仅有助于检测摔倒，还有助于提醒护理人员和其他供应商注意摔倒事件。在这些情况下，检测算法的临界阈值需要进一步研究。我们和其他人已经证明，下落时的峰值加速度测量值随身体的位置有很大的不同[16.,20.］.无论如何，仍然预计将加速度计和陀螺仪措施的结合策略仍然导致稳健的跌倒检测算法。

利益冲突

作者声明本文的发表不存在利益冲突。

参考

1. J. Y.黄，J. M.康，和H. C.金，“新颖的算法和实时监控使用中老年人跌倒检测蓝牙模块动态系统的开发”，在医学与生物学学会IEEE工程第26届国际会议的诉讼程序（IEMBS04），第1卷，第2204页-第2207页，旧金山，Calif，美国，2004年9月。浏览：出版商网站|谷歌学者
2. 国家伤害预防控制中心和疾病预防控制中心，老年人跌倒的代价，国家伤害预防和控制中心，疾病控制和预防中心，2013年。
3. A. Bueno-Cavanillas, F. Padilla-Ruiz, J. J. Jiménez-Moleón, C. A. Peinado-Alonso，和R. Gálvez-Vargas，“老年人摔倒的风险因素根据外在和内在的诱发原因，”欧洲流行病学杂志，第16卷，第5期。9，页849-859,2000。浏览：出版商网站|谷歌学者
4. ME蒂内蒂，W。L刘和E。B克劳斯，“老年人跌倒后无法起床的预测因素和预后，”美国医学协会杂志，卷。269，没有。1，第65-70，1993。浏览：出版商网站|谷歌学者
5. E. M. Bertera，B. Q. Tran，E. M. Wuertz和A. Bonners“关于社区的老年人少数民族人群的远程护理技术的接受性研究”，远程医疗与远程医疗杂志，卷。13，不。7，pp。327-332,2007。浏览：出版商网站|谷歌学者
6. N.法伯，D.辛克尔，J.林诺特，W.福克斯-格雷奇和R.哈勒尔，适龄:宜居性政策和实践的国家调查，美国退休人员协会公共政策研究所，华盛顿特区，美国，​​2011。
7. J. Fleming和C. Brayne，“跌倒后无法站起来，随后在地板上的时间，以及召唤帮助:对90岁以上人群的前瞻性队列研究，”英国医学杂志，卷。337，没有。7681，pp。1279-1282，2008。浏览：出版商网站|谷歌学者
8. D. Kunkel，R. M. Pickering和A. M. Ashburn，“追溯访谈和前瞻性日记的比较，以促进卒中人们的秋季报告”年龄和衰老，第40卷，第5期。2，页277 - 280,2011。浏览：出版商网站|谷歌学者
9. U林德曼，A。霍克，M。斯塔伯，W。凯克和C。贝克尔，“基于加速度计的坠落探测器评估：初步研究，”医疗和生物工程和计算号，第43卷。5，pp。548-551,2005。浏览：出版商网站|谷歌学者
10. M.康拉斯，A. Konttila，P. Lindgren，I. Winblad和T.Jämsä，“身体附加加速度计的低复杂性跌倒检测算法的比较”步态和姿势，卷。28，不。2，第285-291，2008。浏览：出版商网站|谷歌学者
11. Q. T.黄长发，U. D.阮，S. V.陈，A. Nabili，和B. Q.陈，“跌倒检测使用组合的加速度计和陀螺仪，”在电子设备和电路进步国际会议的诉讼程序（EDC'13）马来西亚吉隆坡，2013年。浏览：谷歌学者
12. T.张，J.Wang，L. Xu和P. Liu，“通过可穿戴传感器和单级SVM算法进行崩溃”信号处理和模式识别中的智能计算：国际智能计算国际会议，ICIC 2006昆明，中国，2006年8月16日至19日，卷。345的控制与信息科学课堂讲稿，第858-863，施普林格，柏林，德国，2006年。浏览：出版商网站|谷歌学者
13. P.贾雅彻德伦，T. F. Abdelzaher，J. A.斯坦科维奇和R. K. Ganti，“讽刺：软件架构的智能服装”，在第四届流动系统、应用及服务国际会议论文集(MobiSys '06)，第110-123页，2006年6月。浏览：谷歌学者
14. J. Klenk, C. Becker, F. Lieken等人，“模拟和真实世界后退加速度信号的比较”，医学工程与物理学，第33卷，第3期，第368-373页，2011年。浏览：出版商网站|谷歌学者
15. A.K伯克，K。J奥多诺万和G。ÓLaighin，“使用惯性传感器识别垂直速度剖面，以调查碰撞前坠落检测，”医学工程与物理学，第30卷，第2期7，第937-946页，2008。浏览：出版商网站|谷歌学者
16. A. Ibrahim和M. Younis，“MEMS传感器的简单秋季标准：数据分析和传感器概念”，传感器，第14卷，第7期，第12149-121732014页。浏览：出版商网站|谷歌学者
17. M波佩斯库，B。哈瓦南达酒店。摩尔和M。Skubic，“使用垂直PIR传感器阵列的VAMPIR自动坠落检测系统”，年第六届医疗保健普适计算技术国际会议论文集(PervasiveHealth’12)，第163-166页，美国加利福尼亚州圣地亚哥，2012年5月。浏览：谷歌学者
18. C. Dinh, D. Tantinger, M. Truck，“使用商业加速度计和知识的自动应急检测”，心脏病学的计算机，第36卷，第485-4882009页。浏览：谷歌学者
19. R库马尔和A。Indrayan，“医学研究人员的受试者操作特征（ROC）曲线，”印度儿科，卷。48，不。4，pp。277-287，2011。浏览：出版商网站|谷歌学者
20. QT休恩，U。D阮，S。vTran和B。QTran，“坠落检测中传感器的最佳位置”，摘自绿色和人类信息技术国际会议的诉讼程序, 2013年。浏览：谷歌学者
21. M. Tolkiehn，L. Atallah，B.Lo，G.-Z.杨，“使用三轴加速度计和气压传感器的方向敏感崩溃检测”医学与生物学学会IEEE工程国际会议的会议记录（emc'11），pp.369-372，波士顿，大众，2011年8月至9月。浏览：出版商网站|谷歌学者
22. J陈克强。邝博士。张，J。陆和R。Bajcsy，“用于可靠坠落检测的可穿戴传感器”，年第27届医学与生物学会国际会议第27届国际会议（IEEE-EBS'05），pp。3551-3554，2005年9月。浏览：谷歌学者
23. A. K.Bourke，P.Van deve，M. Gamble等，“脚本和综合无文件活动期间的腰部侧轴加速度计的腰部检测算法”，“生物力学杂志号，第43卷。15，第3051-3057页，2010。浏览：出版商网站|谷歌学者
24. 黄世建。Kim, S. Im, E. Hong, S. C. Ahn, h . g。Kim，“使用三轴加速度计和RFID进行ADL分类泛在计算融合技术国际会议论文集，2007年。浏览：谷歌学者

版权

版权所有©2015 Quoc T。Huynh等人，这是一篇在知识共享署名许可协议，允许在任何媒介中不受限制地使用、分发和复制，前提是原作被正确引用。