跌倒及后续可能引发的问题对于老年人来说是生命健康的严重威胁,跌倒检测技术可以减少跌倒后长时间救助缺失的现象,避免造成更严重的伤害。本文详细调研了国内外相关研究领域的进展,选择了基于智能手表实现跌倒检测。针对不同使用场景,本文提出了低功耗的定位信息辅助决策阈值算法和基于GBDT-SVM融合模型算法,创新性地使用双轨融合决策机制,并基于通用智能设备实现跌倒检测原型系统。本文的主要工作及创新性如下:1)提出一种对跌倒敏感、对日常活动保感持钝的时序信号窗口提取方法,避免了滑动窗口检测造成的持续性功耗浪费,增强了算法在智能手表等资源受限环境下的适用性,减少了不必要的检测,也在一定程度上提升了检测精度。2)提出一种定位信息辅助决策的阈值算法,针对跌倒信号特点,选择了具有区分度好且计算量小的特征指标,构建了跌倒事件查全率较高的阈值算法;再通过引入定位信息排除掉一部分非跌倒动作,降低了误报率。3)提出一种基于GBDT-SVM融合模型的分类算法,模型经过验证对现实中多种跌倒和日常活动取得了非常好的泛化性能和分类能力;GBDT模型对原始特征作的自动组合,增强了特征的非线性表达能力。同时,生成的新的高维稀疏特征大大加快了模型训练和检测的速度,保障了算法的时效性。4)提出了一种多层预警的双轨融合决策机制,一方面在本地执行低功耗的定位信息辅助阈值算法,另一方面在适当条件下,在远程进行更复杂的基于GBDT-SVM融合模型的检测算法,两部分的检测相互独立,但最终按一定的规则融合决策,最终决定介入和提醒方式,增强了系统的整体可用性和实用性。在对原型系统的实际场景验证中,对固定动作类型的检测精度可以达到98%以上,且对未知动作类型也能保证非常好地鲁棒性。