在全球人口老龄化背景下,老年人跌倒事件的发生愈发频繁,近年来已经引起了社会的广泛关注。为了减少因跌倒对老年人造成的伤害,相关研究者试图用科学的手段有效地检测及预测老年人跌倒。微型传感器技术和集成工艺的进步为获取人体运动状态相关的数据提供了有力的工具,通过特定算法的应用,可以对用户的运动状态进行检测。然而,现有的大多数基于单一传感器的方法不能有效地将跌倒与类似跌倒的活动区分开来。因此,本文通过对多传感器信号的处理方案进行探索,设计出基于多传感器的跌倒检测及预测框架,解决人体跌倒检测与预警保护问题,从而进一步提高检测的准确性及预测的时效性。论文的主要工作及贡献总结如下:(1)通过分析实验室自主研发的智能鞋垫拥有的特性以及功能,将嵌入其中的三种传感器采集到的数据作为人体跌倒的特征信息。将一维卷积神经网络(1D CNN)应用到跌倒检测系统中,与传统的机器学习方法相比,验证了一维卷积神经网络在准确性、敏感性和特异性方面都具有优势。(2)我们利用卷积神经网络来检测跌倒撞击前的跌倒方向。为了解决现有的大多数研究没有考虑跌倒方向的问题,提出将跌倒检测作为一个多分类问题来处理,跌倒的方向检测可以用来激活有效的保护装置,减轻创伤的严重程度。(3)提出了一种多源CNN集成结构(MCNNE),将来自不同传感器的输出特征映射连接起来,构成一个完整的特征映射。另外,为了优化MCNNE的训练时间,我们采用主成分分析(PCA)的方法对特征向量进行简化。MCNNE结合了多传感器和集成结构的优点,表现出良好的性能,消除了过拟合问题。与单一的CNN结构和各种集成的双模型结构进行对比,结果表明MCNNE具有更好的性能。