近年来,社会老龄化愈发普遍,老年人的健康问题逐渐成为社会关注的热点。摔倒是老年人群体中的高发性事件,严重威胁着老年人的身心健康。摔倒发生后,如果能够及时的检测到,并发出求救信号可以加快医疗救护赶到的步伐,为老人争取宝贵的时间。为此,国内外研究人员进行了大量的相关研究。但摔倒已然发生,伤害也已经造成,因此,另一研究方向—摔倒预测逐渐发展起来。摔倒预测的核心问题是在摔倒发生后,身体开始失去平衡到身体与地面发生碰撞的这段时间内检测出摔倒,从而为打开保护装置争取时间,避免或减轻因碰撞造成的伤害,并且与日常活动区分开来。表面肌电(surface electromyography,sEMG)信号是一种重要的电生理信号,反映了人体动作时肌肉的活动意图和状态,蕴含了很多与肢体运动相关联的信息。本研究以sEMG信号作为信号源,提出基于sEMG信号的摔倒预测方法,主要工作如下:(1)研究下肢肌肉块在人体活动中的作用,确定影响行走稳定性的主要肌肉,为信号采集位置提供依据;成功采集20名受试者摔倒和日常活动中下肢sEMG信号,完成数据采集工作;为提高识别准确率,对原始sEMG信号进行预处理,降噪、分割,为后续摔倒预测提供可靠的信号源。(2)采用支持向量机(Support Vector Machine,SVM)对摔倒进行预测。对预处理后的sEMG信号提取特征值,构造特征向量,设计并训练SVM获得分类模型对测试数据进行检测识别,同时采用滑动时间窗技术模拟在线情形。其中,为提高SVM性能,使用交叉验证法对惩罚参数C与核函数g进行寻优。识别结果灵敏度83%,特异性92%,正确率90%,平均前置时间220.62ms。(3)采用卷积神经网络(Convolutional Neural Network,CNN)对摔倒进行预测。使用SVM进行模式识别需要先进行特征提取,识别的准确性很大程度上取决于提取的特征,而CNN可以自动提取特征,省去人工提取特征的过程,并且提取到的特征依赖于任务而并非是人工设计的,具有更强的辨识力。对sEMG信号进行滤波等预处理后,搭建CNN模型,设置参数,训练CNN获得分类模型对测试数据进行检测识别,并采用滑动时间窗技术模拟在线情形。识别结果灵敏度91%,特异性96%,正确率94%,平均前置时间250.2ms。对两种方法进行比较分析,基于CNN方法的评价指标高于基于SVM方法的,表明CNN的预测效果更佳。本研究通过设计实验,采集主要肌肉sEMG信息,研究采用SVM和深度学习实现准确、快速的摔倒预测方法,为摔倒预防提供了可行方法。