21世纪的中国,随着医疗科技的进步和生活水平的提高,老龄化现象日益凸显,独居老人比例也逐步攀升。如果老人发生跌倒后未被及时发现,错过了最佳治疗时期,不仅会造成严重的身心损伤,甚至可能导致死亡,因此实时跌倒检测的研究对于提高老人的独居能力和健康水平具有重要的社会意义。目前国内外常见的跌倒检测技术可以分为基于环境信息的跌倒检测,基于视频的跌倒检测和穿戴式跌倒检测。其中,基于环境信息的跌倒检测和基于视频的跌倒检测虽然能够清晰地展示人体运动姿态,准确度高,但却暴露了用户的个人隐私,且安装成本较高,监测范围也有一定的局限性。而穿戴式跌倒检测使用简单,价格低廉,其随时随地检测的特点使之得以广泛应用。目前最常见的穿戴式跌倒检测装置是惯性传感器结合阈值算法的跌倒检测系统。但是该装置的准确率较低,误报率和漏报率较高,用户体验较差。针对上述问题,本文提出了一种基于粒子群算法和支持向量机的跌倒检测方法,并设计了对应的便携式跌倒检测系统,旨在提高基于惯性传感器的跌倒检测系统的准确率,降低系统误报率和漏报率。论文的主要研究内容包括:1、硬件系统的搭建(便携式跌倒检测系统的设计)。本文研究的老年人实时跌倒检测系统以嵌入式处理器STM32F103作为微处理内核,利用三轴加速度计和陀螺仪传感器相融合的方法采集人体的加速度数据和姿态角信息,并用SD卡完成数据的存储,利用GPRS模块实现远程求救功能,系统采用3Ah的可充电锂电池供电,可持续工作24小时以上。整个系统体积小,质量轻,功耗低,配置在腰间,符合便携性的要求。2、人体运动状态特征值的提取。为了更好的区分跌倒行为和日常活动,我们基于原始数据提取以下5个特征参数:合加速度SV,动态加速度SVD,身体垂直方向的加速度分量BVA,加速度变化量K和姿态角变化量M。实验表明,上述5个特征值大大提高了系统的分类准确率,满足设计要求。3、跌倒检测的算法设计。本文利用MATLAB工具分析所采集的模拟跌倒和日常活动数据,并研究了一种基于粒子群算法和支持向量机(PSO-SVM)的跌倒检测算法。该算法首先利用支持向量机分类器标记疑似跌倒行为,然后利用粒子群算法完成分类算法中惩罚因子C和径向基参数g的优化,最终将最优参数移植到下位机程序中。实验结果表明,该算法能够很好地区分跌倒和日常行为。实验结果表明,在区分跌倒与类似跌倒的日常活动时,基于PSOSVM算法的跌倒检测系统准确率、误报率和漏报率分别为97.67%,4.0%和0.67%。与传统的阈值方法相比,跌倒检测性能有很大提高,进而加强了该系统在老人跌倒检测中的应用。