随着人民生活水平的提高,人口老龄化越来越严重,摔倒对于老年人来说是一个十分严重的问题,实时监测老年人是否摔倒对于减轻摔倒造成的伤害具有重要意义。由于传统的基于阈值门限特征的摔倒检测方法往往不能完全描述摔倒行为,从而导致了摔倒检测算法的准确率不高,并存在大量误判误报问题,因此设计一种高效的摔倒感知检测算法就显得十分必要。针对传统的基于阈值门限检测方法误判率高的问题,本文研究基于机器学习的摔倒感知算法来加以优化。将传统人工提取摔倒阈值门限特征而导致的模型不稳定性问题,通过机器学习算法来训练模型,并结合多种显性和隐性的特征来检测感知摔倒,可以很好地解决误判误报问题。然而,机器学习领域的算法众多,目前仍没有一个受到广泛认可的摔倒检测算法,为此,本文在对基于机器学习的摔倒检测算法进行研究的基础上,设计了一种基于LM-BP神经网络的摔倒检测算法,并使用三种数据集在准确率和时间复杂度两方面对算法进行评估。与其他机器学习算法相比,基于LM-BP神经网络的摔倒检测算法在保证准确率的基础上很好地兼顾了时间复杂度,总体上要优于其他基于机器学习的摔倒检测算法。为了测试该算法的可行性,本文设计了一款可穿戴式腰牌设备,该设备可以通过GPRS联网并配备有运动传感器,可以实时检测佩戴者的加速度和角速度信号,并将信号上传至云服务器,由云服务器调用摔倒检测算法,一旦感知到佩戴者发生摔倒,云服务器会发出报警信息并通过GPS定位到摔倒者的位置。本文的主要研究内容如下:(1)通过对人体活动行为进行分析,将人体活动分为摔倒行为和日常活动两类,并确定将传感器佩戴在腰部。进行了数据采集实验,建立了摔倒与日常行为的数据集,与Mobi Act和Sis Fall两个公共数据集一起用来评估算法,并介绍了传统的摔倒检测算法,结合数据进一步说明了传统算法的弊端。之后,对数据集的数据进行预处理和特征提取,用于BP神经网络的数据输入,然后使用LM算法完成神经网络的训练。实验证明基于LM-BP神经网络的摔倒检测算法的准确率可达99%以上,对比其他几种机器学习算法,基于LM-BP神经网络的摔倒检测算法很好地兼顾了准确率和时间复杂度,具有良好的应用价值。(2)本文设计了一款基于MTK平台的可穿戴设备,具有GPRS上网、加速度与角速度采集、GPS定位等功能,本文完成了该设备的软硬件设计,并将以上研究的摔倒检测算法成功应用于可穿戴设备。(3)最后,对可穿戴设备和摔倒检测算法进行了联合测试,实验证明,本文的摔倒检测设备和算法很好地实现了摔倒自动检测与报警功能,达到了预期目标。