跌倒是严重危害老年人身体健康的突发性事件。相比于传统的老年人主动报警设备,智能手机具有跌倒检测、自动报警、主动定位等功能,尤其在户外情况下,老年人跌倒后可能丧失主动求救的能力,智能手机的优势更易显现。智能手机跌倒检测研究的核心在于跌倒检测方法的实现。目前,基于智能手机的人体跌倒检测研究还处在一个相对基础的阶段,很多亟待解决的问题仍然阻止着跌倒检测算法在实际生活中的使用。包括如何针对智能手机的佩戴位置设计最佳跌倒检测算法;算法的鲁棒性和稳定性等研究;多佩戴位置、多传感器数据库的建立;跌倒检测算法在智能手机上的性能表现和功耗等。本文围绕着这些难点对基于智能手机的跌倒检测方法展开了一系列研究,主要工作包括:1.提出了基于智能手机佩戴位置的人体跌倒检测方法。智能手机的佩戴位置作为一种重要的情境信息,影响着跌倒检测活动的识别效果。首先提出了旋转模式分量和姿态角融合算法(FRMAA,Fusion of Rotation Mode and Attitude Angle)区分智能手机的佩戴位置;然后提出一种时序跌倒检测算法(TSFDA,Time Series Fall Detection Analysis),该算法利用Filter特征选择法在不同佩戴位置选用不同的特征子集构建模型,以此优化各佩戴位置跌倒检测算法的效果。2.本文构建了 一个支持人体跌倒检测识别的基础数据集,数据集由多部智能手机同时佩戴在人体不同位置下采集得到,包含腕部、腰部、口袋部位等多个位置的跌倒动作(Fall)和人体日常行为动作(ADL,Activities of daily living)数据。数据集被命名为浙江大学多佩戴位置人体跌倒动作数据库(Zhejiang University of Multi-Wearing-Position Fall Activity Dataset),下文缩写为ZJU-MWPFA 库。3.针对当前开源跌倒检测数据集中Fall和ADL样本标记错误引起的噪声问题,通过调节正则化参数,使得TSFDA算法能够利用增量数据改善学习机的性能。在这一部分,首先从理论上解释了支持向量机(SVM,Support Vector Machine)对类别噪声具有鲁棒性的原因,并利用ZJU-MWPFA数据库中的数据验证本文提出的TSFDA算法具有较高的鲁棒性。4.基于Android平台的人体跌倒检测原型系统的开发和实现。在Android操作系统中,开发出了基于FRMAA和TSFDA算法的人体跌倒检测原型系统。系统主要包括初始设置模块、跌倒检测模块和报警求助模块。在不同品牌的Android手机中对原型系统测试和分析,结果发现,该系统可以在多种型号的Android手机中稳定运行,在各佩戴位置下,跌倒检测识别效果与理论结果基本一致。