随着我国人口老龄化和独居现象的加剧,老年人的健康问题一直备受社会关注,其中跌倒问题对老年人健康造成了很大的威胁。然而,由于跌倒行为的复杂性与随机性,其检测难度很大,现有的跌倒行为检测算法还未能满足实际需求。因此,在新形势下研究老年人跌倒行为检测具有十分重要的意义。考虑到人体跌倒引起的加速度变化,本文提出了基于加速度的跌倒检测算法,其主要工作和贡献如下:1.从老年人日常行为入手,分析各种行为的特征变化,得出加速度在跌倒过程中有着显著的变化,因此本文选择以加速度作为数据来源来研究跌倒问题。2.由于跌倒数据的时间序列性,本文通过时间序列提取特征的方法提取出跌倒数据的不同特征。考虑到所提取的特征之间具有冗余性和相关性,本文提出了最小冗余最大相关跌倒特征选择算法。该算法首先求出各特征之间的相关程度,通过互信息最大化,实现最小冗余性。然后利用互信息、信息差、信息熵等特征的最大值实现最大相关性。最后,通过分类器验证该算法的有效性。3.跌倒行为是模式识别领域中的一种二分类问题。本文将模式识别中的几种典型分类算法运用到跌倒问题中,通过在跌倒数据集上进行实验得出SVM和Adaboost算法具有较好的分类效果。4.跌倒检测是一种数据不平衡和误分类代价不等问题。为了解决这一问题,本文分别提出了代价敏感支持向量机(CS-SVM)和代价敏感Adaboost(CS-Adaboost)算法。CS-SVM算法是在SVM算法的基础上,通过引入代价函数和基于最小风险贝叶斯决策来改进的。CS-Adaboost算法是通过引入代价函数和不均衡策略来修改Adaboost算法的。提出的这两种算法都能显著地提高跌倒的识别率,且CS-SVM算法有着更好的识别效果。