随着生活水平的发展和人均寿命的提高,人口老龄化已成为各国普遍面临的严重问题。而我国的老龄化趋势呈现速度快、程度高等特点的同时,还伴随着严重的空巢现象,从而使老龄化形势更加严峻。与此同时,跌倒作为一种最为普遍意外伤害,已经成为导致老年人伤残甚至死亡的主要因素。如果得不到及时救治,不仅会加剧伤害的程度,还会为家庭和社会造成巨大的医疗投入和经济负担。因此,进行跌倒检测技术的研究和应用,对于帮助老年人获得及时救援、提高生活质量具有积极作用,并存在显著的社会意义。然而,目前的跌倒检测技术仍存在许多不足。基于情境感知的跌倒检测系统往往存在成本高、计算复杂、侵犯隐私等缺陷,而部署于可穿戴设备中的检测系统,则存在识别策略简单、单一传感器精度不足、识别准确率低等缺陷。所以,多传感器的部署和数据融合技术的应用已经成为提高跌倒检测效果的主流方案,并为提升可穿戴系统的识别效果带来了显著改善。本课题主要针对面向可穿戴设备的跌倒检测数据融合技术进行研究和应用。在研究过程中,首先为满足跌倒识别的速度和性能要求,结合姿态角构造了老年人活动模型并设计开发了包含三轴加速计、陀螺仪与蓝牙芯片的数据采集模块,保证可以实时获取老年人的活动数据并通过无线通信技术传输到智能手机。其次,以姿态角和信号向量模共同构建系统特征,结合卡尔曼滤波消除加速度和角速度的抖动并融合,并引入滑动窗口与基于曼哈顿距离的k-NN算法,从而使系统可快速识别用户跌倒并发出警报。然后,通过仿真实验依次就各种距离公式及卡尔曼滤波对k-NN算法的影响进行了分析,并将其与多种主流分类算法进行严格对比。最后,仿真实验证明:在二分类场景下,本文的跌倒检测敏感度和特异性分别为98.9%和98.5%,从而证明该融合策略能够满足运行时间和识别性能的需求。本课题为帮助老年人获得及时救助提供了有力的技术支持,同时也为多传感器数据融合技术在日常生活中的应用和发展提供了新的思路与指导。