我們選用有限脈衝響應濾波器(Finite Impulse Response Filter)去除肌電 訊號中的雜訊。Ｍoving average 演算法將會以一滑動之視窗一次讀入二十五 資料點，用此資料點之平均值取代這視窗之第十三點資料值。每移動一點 重複運算下一批進入視窗之資料。所有的肌電訊號數據將會以前述之最大 自主收縮(MVC)之 EMG 平均值正規化，以便進行不同受測者間肌肉活化程 度之比較。正規化過程以所量測得之六秒間肌肉自主收縮的肌電訊號，取 中間三秒之數據資料整流後計算平均值，並將各部位肌肉的所有量得之肌 電訊號除以各肌肉之MVC 平均值正規化。此正規化之過程將會由於量測 MVC 時不同量測動作的適用範圍，或是由於肌肉之反射機制，而導致正規 化後之肌電訊號資料具有超過100%之可能性，但此情況並不影響數據之相 對比較。
受測者每一次日常生活試驗的各部位肌肉之肌電訊號(EMG)將會被記 錄，並且以所有日常生活實驗的峰值計算出各肌肉在此日常生活動作試驗 中可以出力的平均最大峰值與標準差。各肌肉的平均值與標準差將會用以 訂立辨識日常生活與模擬絆倒之門檻值，即每一個受測者將會依照日常生 活實驗的表現針對八個肌肉分別設立八個門檻值。而門檻值的訂定標準則
為各肌肉群的日常生活肌電訊號峰值之平均加上2 倍標準差(此門檻訂定標 準為：經由測試平均值加數倍標準差為門檻後，以下述之方法辨識，並且 以95%以上之 specificity 為前提下，sensitivity 最高者選定作為各肌肉之門 檻訂定方式)。
在使用上述肌電訊號門檻分辨模擬跌倒與日常生活的方法部份，本研究 設定在兩百毫秒的時間區間內如果八個肌肉群中有任意三個肌肉的肌電訊 號超過預設的門檻值即判定為跌倒的發生。選擇任三個肌肉作為判斷標準 是爲了避免只以單一肌肉判斷，可能因為受測者單一肌肉持續的過度用力 或反射機制而導致訊號超過此門檻，而若以四個肌肉的肌電訊號超過門檻 才判定跌倒的發生，可能讓門檻過於嚴苛導致sensitivity 降低。
在慣性的門檻部分，本研究以量測所得之加速度代表常見之慣性感測器 (如加速規)，爲sacrum 處反光式標記所擷取得到之總合加速度資料設置約 0.85g (m/s2)之加速度作為慣性資料的跌倒辨識門檻，門檻設定之選擇依據 同樣為：在95%以上的 specificity 前提下，能夠達到最高之 sensitivity。此 外，本研究設定慣性與肌電訊號有效判斷跌倒的時間區間為跌倒發生至發 生後的700 毫秒。此 700 毫秒之區間是依據 Nagata 與 Ohno (2007)使用一急 速滑動之平台與假人(dummy)模擬人體向後跌倒的落地時間之研究，得出假 人自實驗開始最快碰撞至地面的時間約為800 毫秒，本研究爲了安全之考 量，選擇700 毫秒定為跌倒發生後成功判定跌倒的區間。
在日常生活動作與絆倒的肌電訊號之比較，本研究將所有日常生活動作 及絆倒實驗之肌電訊號峰值依受測者八個肌肉各自平均作為日常生活動作 與絆倒實驗各肌肉之特徵值後，分日常生活動作與絆倒，依照受測者順序，
進行各肌肉之配對T 檢驗(paired T-test)。設定「*」為 p 值小於 0.01，「**」
為 p 值小於 0.001，以此方法比較兩種不同情況下之肌肉活化程度是否具有 顯著差異。