近年来,我国人口老龄化现象日益严峻,加之独生子女政策影响,空巢老人的比例逐年上升,这些老年人无法受到24小时的监护。研究表明,摔倒是造成老年人伤残甚至死亡的一大因素。空巢老人摔倒之后若无法独自起身,往往难以发出求救信息,当家人发现时,通常错过了救援的黄金时间。因此,为更好保护空巢老人,开发一款摔倒检测系统尤为重要。现有的摔倒检测方法对于训练集中不存在的“新类别”样本检测性能较差。为了较好地解决这一问题,我们研究并开发一套基于三轴加速度传感器的摔倒检测系统。本文的主要内容如下:一、设计并搭建一套摔倒检测系统,该系统由外置加速度传感器、智能手机以及服务器组成。外置传感器佩戴于腰部,实时采集用户运动信息,并通过蓝牙将数据传至智能手机。智能手机利用互联网将数据传输至服务器,从而在服务器端进行摔倒行为检测。二、为构建摔倒检测分类模型,需要通过自建数据集进行分类器的模型训练。共有6名志愿者参与数据采集工作,志愿者模拟11种日常行为动作以及9种摔倒行为动作。除此之外,为验证检测方法的泛化能力,本文还使用三个公开数据集进行算法的验证实验。三、设计基于隐马尔科夫模型的摔倒检测方法。摔倒检测实则为二分类问题,该方法需为两类数据分别训练一个隐马尔科夫模型,检测时,比较样本在两个模型中生成概率,概率较高的类别即为样本的动作类别。针对时间序列采用保留协方差的过采样法解决类别不均衡问题。本文针对该方法提出两个特征提取方程,并对连续时间序列进行离散化处理,同时证明均值降维不影响该检测方法的分类效果。四、设计基于支持向量机的摔倒检测方法。根据日常行为与摔倒行为的运动差异,提出七个特征提取方程,从而提升了摔倒检测方法对“新类别”样本的分类性能。为选出分类效果最优的特征组合,本文进行了序列后向特征选择实验。同时,我们还进行了未提取特征数据的支持向量机分类实验,证明特征提取对分类性能的提升明显。实验表明:隐马尔科夫模型对于动作种类较过复杂的数据集,分类效果不佳,而对于类别较少的数据集,可取得较为理想的分类效果;基于支持向量机的摔倒检测分类性能优于基于隐马尔科夫模型的摔倒检测分类性能。在五个数据集上,支持向量机分类结果的灵敏度与特异性均高于96%;基于支持向量机的摔倒检测方法对于训练集中不存在的运动类别依然有良好的分类效果,灵敏度与特异性高于94%。