1．目的及意义

随着医疗技术的发展与人民生活水平的提高，人类社会日益步入老龄化阶段. 如何实现健康老龄化、提高老年人的生活质量是全社会亟待解决的难题. 老年人在日常生活中由于平衡能力差、身体素质弱等因素，极易发生跌倒. 跌倒后如不能得到及时救治，将会给老人带来极其严重的伤害，甚至危及生命. 因此，跌倒检测是面向老年人监护的一项重要研究内容.

老年人由于其自身年龄和体质下降而导致的跌倒事件具有发生率高、后果严重等特点，是高龄老年人排在首位的伤害原因之一。随着中国人口结构老龄化的不断加剧，老年人的健康问题越发引起全社会的热切关注。近年来，我国老年人的死亡原因中由于跌倒事件所导致的占27%，在65岁的老年人中有30%每年至少跌倒一次，而在85岁以上的老年人中更是达到了60%~75%。作为远程医疗体系中家庭终端部分的一种实现方式，跌倒检测系统涵盖了多个学科的研究领域，包括生理信号检测与处理、信号特征提取、数据传输等方面。通过对终端对象的动作情况、生理功能进行监测，为其提供适当的护理和医疗服务。

目前对老年人跌倒领域的研究多集中为跌倒的事后检测，对于跌倒预测的研究则不多。老年人跌倒后如果无人救助又无力自救，会造成长时间保持卧姿，留下后遗症，严重时更会危及生命，以美国为例，65 岁以上的老年人平均每年跌倒至少一次，但只有 1/40 的人会被送往医院，而这 1/40 中又只有一半会在跌倒后的第二年康复。所以对跌倒的事后检测并辅以报警救助功能很有必要，但同时跌倒的事后检测又有一定的局限性，因为跌倒已经发生并造成了伤害，即使事后检测救助得以成功，即使在救助后身体上的创伤得以恢复，但跌倒留下的阴影却挥之不去，进而导致抑郁等心理疾病，因此在跌倒事后检测的基础上对跌倒的预测防护加以研究很有必要。跌倒预测虽然能避免跌倒对老年人身心的危害，但是人体运动多样，如何从众多的日常活动中准确预测出跌倒以及如何在尽早的预测跌倒一直是跌倒预测防护系统的研究难点，而准确性和及时性一直是一对矛盾，这也造成了跌倒预测的局限性。

随着微型传感器件的升级和人工智能技术的发展，纷繁众多的可穿戴设备日益涌入人们的日常生活，广泛应用于健康监护、运动保健等领域. 可穿戴行为识别利用设备内嵌的传感器采集数据，根据数据识别用户的日常行为. 可穿戴行为识别对提高老年人监护水平、应对老龄化社会挑战等具有重要的研究价值.

近年来，随着移动终端的大规模普及，尤其是内嵌有微型传感器的智能手机被广泛使用，这使得基于智能手机的老年人跌倒检测成为了可能。利用移动终端进行跌倒数据的采集，再对原始数据进行预处理之后，利用相关的分类算法进行跌倒检测模型的构建，最终实现对老年人跌倒事件的监测，减少因跌倒而造成的老年人伤害加重的问题。{title}

2. 研究的基本内容与方案

{title}

当前，对于老年人跌倒检测相关研究主要有三大类基本方式：1、基于视频图像的视觉分析，对老年人的实时运动经由摄像头进行监测。2、基于声频信号的听觉分析，通过对跌倒事件冲击所导致的震动频率部分分析判断后进行跌倒检测。但是，其设备的安装比较复杂，而且花费比较昂贵。3、基于可穿戴式设备的传感器信号分析，该方法通过对行为的加速度信号进行判别所完成。该方式具有成本低、简单且较少干扰老年人日常生活等优点，已被广泛采用。

基于可穿戴设备的跌倒检测算法仍存在如下几方面的挑战：1）轻量级计算. 与固定设备或云服务设备相比，可穿戴设备的电池、计算、存储等资源十分受限，这给基于可穿戴设备的算法设计带来了诸限制. 跌倒检测是一项需提供长期、实时、精准服务的应用，如何在不损失精度的前提下有效控制模型的计算和存储消耗，十分关键. 2）现实环境中检测精度的稳定性. 当前的跌倒检测模型以离线训练为主，训练数据通常是在固定的实验场景中组织采集的，数据包含的行为类别及表征能力均十分有限. 以此为训练数据构建的跌倒检测算法，当面对新用户、新行为、动态变化的环境等诸多因素时，检测精度通常会有不同程度的下滑. 如何根据动态的现实环境对算法本身进行自适应调整和修正，实现精准且稳定的个性化跌倒预测，也是一个待解决的问题。3. 参考文献
[1]李双涛.探究机器学习面临的挑战[J].计算机产品与流通,2018(01):119.
[2]魏烨敏,蒋子元.机器学习聚类组合算法及其应用[J].电子世界,2018(13):102.
[3]韩帅,张新平,张爽.基于移动智能终端的老年人跌倒检测方法研究[J].计算机与数字工程,2018,46(08):1613-1619.
[4]王秉睿,兰慧盈,陈云霁.深度学习编程框架[J].大数据,2018,4(04):56-63.
[5]忽丽莎,王素贞,陈益强,高晨龙,胡春雨,蒋鑫龙,陈振宇,高兴宇.基于可穿戴设备的跌倒检测算法综述[J].浙江大学学报(工学版),2018,52(09):1717-1728.
[6]刘志强.大数据下的机器学习算法探讨[J].中国新通信,2018,20(21):183.
[7]周闯,傅珈豫,雷中贵,王志雄.老年跌倒检测技术研究现状及展望[J].软件,2018,39(10):111-115.
[8]胡越,罗东阳,花奎,路海明,张学工.关于深度学习的综述与讨论[J].智能系统学报,2019,14(01):1-19.
[9]姜娜,杨海燕,顾庆传,黄吉亚.机器学习及其算法和发展分析[J].信息与电脑(理论版),2019(01):83-84 87.
[10]杭琦,杨敬辉.机器学习随机森林算法的应用现状[J].电子技术与软件工程,2018(24):125-127.
[11]胡双杰,秦建邦,郭薇.基于特征自动提取的跌倒检测算法[J].传感技术学报,2018,31(12):1842-1847.
[12]李广鹏,刘波,李坤,黄思琦.一种基于机器学习的人脸情绪识别方法研究[J/OL].计算机技术与发展,2019(05):1-6[2019-02-27].http://kns.cnki.net/kcms/detail/61.1450.TP.20181221.1524.026.html.

[13]王玉源,徐杰,吉卫喜.基于监督式机器学习的零件几何特征智能识别[J/OL].计算机工程与应用:1-8[2019-02-27].http://kns.cnki.net/kcms/detail/11.2127.tp.20190116.1756.023.html.

[14]Won-Jae Yi,Saniie, J.. Design flow of a wearable system for body posture assessment and fall detection with android smartphone[P]. Technology Management Conference (ITMC), 2014 IEEE International,2014.
[15]Lih-Jen Kau,Chih-Sheng Chen. A smart phone-based pocket fall accident detection system[P]. Bioelectronics and Bioinformatics (ISBB), 2014 IEEE International Symposium on,2014.
[16]Biros, O.,Karchnak, J.,Simsik, D.,Hosovsky, A.. Implementation of wearable sensors for fall detection into smart household[P]. Applied Machine Intelligence and Informatics (SAMI), 2014 IEEE 12th International Symposium on,2014.