跌倒已成为老人意外死亡的重大诱因之一，严重威胁着老年人的健康和生命。提供实时、精准、可靠的跌倒检测及报警机制，对老年人的生活质量和生命保证有重大的研究意义和应用价值。随着移动技术的持续发展，可穿戴设备作为一种非侵入、体积小、功耗低、对用户的生活影响较小等特点的移动设备，已逐渐成为主要的移动检测手段。通过可穿戴设备中的微型传感器芯片（加速度计，陀螺仪，磁力计等）能够实时有效地感知被检测者的日常行为，这种检测方法具有实时跟随，场景多样，检测范围广等优势，适用于复杂多变场景下的实时监控。　　虽然基于新型可穿戴设备的跌倒检测技术日益成熟，但在实际应用中仍存在检测精度低、误报警率较高等问题，这些问题主要由以下几个方面造成:1）数据预处理使用阈值法，划分方式单一且对噪声敏感;2）行为特征提取不充分，同时检测模型在非均衡数据下训练易出现模型偏移;3）传统方法没有根据跌倒行为特有的特征进行分析，忽略了跌倒行为人体姿态变化的特殊性。本文构建了面向跌倒检测的多阶段层级过滤检测模型，通过层级过滤方式，逐步提高检测精度、降低误报警率。该模型主要包含自适应阈值选取、非均衡数据集下分类器设计以及基于方向自适应的姿态估计方法，具体的研究内容如下:　　提出了一种面向跌倒检测的参数自适应预处理方法　　在数据预处理阶段，参考异常检测（离群点）等方法，本文针对跌倒的行为特征使用自适应的阈值选取方法，通过使用少量的跌倒数据，确定日常行为的数据边界。此方法的阈值选取是多样的，自适应的，并且在当前的应用场景中能够达到鲁棒的识别效果。通过边界模型，能够快速地计算出当前环境下合适的阈值范围，从而在多维空间中，使用多样的阈值进行行为表征。　　实验表明，参数自适应的阈值选取方法相比传统的单一阈值法，能够在保证跌倒检出率为99.61％的基础上，将日常行为的误报警率由25.73％降低至12.16％。基于异常检测的过滤方法在实际应用中能够在前期阶段就有很好的检测效果，在全面覆盖用户行为的基础上，过滤大部分的非跌倒行为，大大降低了数据的非均衡性，为后续的检测模块提供准确的数据保障。　　构建了基于非均衡数据的代价敏感学习模型　　对于跌倒检测而言，由于跌倒行为的稀缺性和日常行为的不确定性及多样性，使得跌倒行为数据和日常行为数据呈现极度不平衡的比例分布。本文拟采用代价敏感学习的方式来处理数量类别失衡问题。代价敏感学习可以有效地解决类别不平衡问题，通过使小类别具有较大的错分代价使得在分类时，高代价错误产生的数量和错误分类的代价总和最小，并以此来解决类别不平衡问题。　　实验表明，代价敏感学习能够克服数据不均衡所引起的模型偏移问题。相比传统的欠采样和过采样等方法，能够将第一阶段参数自适应方法所产生的误报警由12.16％进一步降低至0.51％并保证了97.12％的跌倒检出率，大大提高模型的鲁棒性和实用性。　　提出了面向跌倒检测的姿态自适应估计方法　　由于跌倒行为在信号表现上与某些正常数据高度相似，如跌倒、跳跃、快速坐下、躺下等，人体的姿态和加速度都会在一定程度上具有相似性并产生大量的误报警，将日常非跌倒行为误报为跌倒行为，这就大大降低了用户的体验和模型的鲁棒性。　　本研究细致地分析了跌倒的过程，仅仅通过计算加速度计的重力方向轴就能够实时感知用户的姿态变化。实验表明，信号数据经过姿态估计方法,能够提高跌倒行为的检出率，同时大大降低误报警，将第二阶段代价敏感学习模型所产生误报警率由0.51％降低至0.02％，并保证了98.05％的跌倒检出率。姿态自适应估计方法能够更进一步地降低误报警，并具有极高的跌倒检测精度，大大提高了整体算法的实用性和用户体验。　　最后，基于上述研究成果，本文设计并实现了面向跌倒检测的实时监测系统。利用穿戴在用户腰部的智能贴件，实现了跌倒等异常行为等的准确识别与实时检测，此系统具有较高的跌倒检测精度和较低的误报警，具有较强的实用性。