随着经济社会的不断发展,人口老龄化和“空巢”现象日益明显,老人的健康和安全问题引起了社会的普遍关注。跌倒是威胁老人生命的主要风险之一,老年人跌倒不仅会造成身体上的伤害,还会因为没有得到及时救治而威胁生命安全。精准识别跌倒行为可以提高独居老人跌倒的救助水平,减轻他们的心理负担,其相关技术逐渐成为当前研究热点。根据信号采集渠道的不同,目前已有的跌倒识别方法主要分为三类:(1)基于视频图像的跌倒识别;(2)基于可穿戴设备的跌倒识别;(3)基于楼板振动的跌倒识别。前两种方法存在泄露隐私或者忘记穿戴的缺陷,本文从楼板振动的角度研究跌倒识别问题。此前有学者提出基于楼板振动的人为活动识别基准问题(Benchmark Problem),并建立了包含球跌落、包跌落、人体自由跳跃的基准数据库,但该基准数据库中未包含人体跌倒行为,因此提出的识别算法缺乏针对性。本文利用数值模拟人体跌倒行为弥补了基准数据库,在此基础上提出了多特征集半监督SVM跌倒识别算法,与基准问题算法进行比较验证了本文方法的优越性,最后通过实验数据进一步验证了本文方法。针对真人跌倒实验中铺设海绵垫减弱楼板振动信号的问题,本文提出跌倒荷载模型,通过数值模拟进行跌倒识别数据库建立和算法设计。本文在对跌倒过程进行定性分析的基础上提出跌倒荷载模型,将跌倒过程分为站立、失重、碰撞和静止四个阶段,对于失重阶段,假设人体对地面作用力服从抛物线分布,对于碰撞阶段,引入卧姿人体垂直振动模型,将人体在碰撞阶段的振动简化为三自由度有阻尼系统的自由振动。利用基于可穿戴设备的跌倒数据库对模型进行了验证,结果表明本文模型可以用在基于楼板振动的跌倒识别的数值模拟研究中。针对基准问题以跌倒识别为研究背景但是没有涉及跌倒实验的问题,建立基准问题实验室楼板ANSYS有限元模型,模拟跌倒、行走、节奏性跳跃三种人致荷载作用下的楼板振动,提取基准问题传感器布置位置节点加速度时程数据,与基准问题数据库中包跌落、球跌落、自由跳跃三种活动一起构成基于基准问题的跌倒识别数据库。利用基于基准问题的跌倒识别数据库进行特征选择和算法设计。采用类间散度法选择峰值、能量、传感器相关系数作为分类特征,提出了多特征集半监督SVM算法。针对SVM算法对于训练样本数量敏感而现实情况下无法获得大量训练样本的问题,本文算法采取了半监督学习策略;针对单一特征集的SVM算法识别结果中非跌倒事件的跌倒误判率不同,本文算法采取了多特征集构造基分类器的策略。结果表明,本文提出的多特征集半监督SVM算法具有很好的学习能力,在不同标记率下识别准确率均有明显的提高,准确率平均提高9.68%。同时与单一特征集的半监督SVM算法相比,在识别准确率和运行时间上有明显优势,与基准问题算法相比,在跌倒识别灵敏性方面有明显优势。由于算法的提出依据基于基准问题的数据库,而数据库中跌倒、行走、节奏性跳跃是通过数值模拟得到的,因此本文最后利用实验数据库对算法进行进一步验证,数据库中跌倒实验采用仿真人体模型。结果表明本文提出的算法在不同标记率下均能有效提高识别精度,具有很好的学习能力和抗噪性,同时跌倒误报率明显高于漏报率,非跌倒事件中包跌落和球跌落是引起跌倒误报的最主要因素。