目前,在全球步入老年化社会、老年人独居家庭普遍的大背景下,中国人口老龄化、空巢化现象呈现出快速增长的趋势。随着年龄的增长,老年人的身体机能和反应能力逐渐降低,在日常生活中容易发生各种危险。老年人意外伤害给社会医疗资源带来了沉重的负担,因此老年人日常健康监护受到了人们的广泛关注。为了避免老年人因跌倒后得不到及时救助而造成严重的后果,在不影响老年人的正常生活状态下,实时监测老年人的日常行为,准确识别出跌倒行为并发送报警信号具有重大的实际意义。可穿戴式人体跌倒识别系统是老年人健康监护系统中的一个子模块,本文研究的核心内容是跌倒识别算法,因为一次跌倒行为的漏判就有可能给老年人的人身安全带来巨大的风险。针对目前应用最多的阈值法中特征指标单一,对经验值依赖性大等问题,在详细分析人体运动特征的基础上,提出了以加速度峰值、倾角为特征值的支持向量机跌倒识别算法。本文主要研究工作如下:(1)详细分析了经典支持向量机算法的原理,通过样本标记、归一化处理、支持向量机训练、修正样本标记阈值等步骤完成支持向量机分类器的设计。针对样本偏斜现象,本文提出了不均衡支持向量机跌倒识别算法。通过对比反比例、平均密度等惩罚因子选择方法对不均衡支持向量机识别性能的影响,发现平均密度方法能取得更好的识别效果。(2)为了进一步提高跌倒识别算法的识别性能,提出了从数据层面对偏斜样本进行过采样处理。针对虚拟少数类过采样算法中噪声样本干扰、生成样本盲目、样本重叠、信息冗余等缺点,提出了基于类中心距离的改进虚拟少数类过采样算法。该算法依据类稀疏程度选择的子样本与类中心距离得到的分布函数获取子样本附近生成新样本的数目,能生成有利于跌倒识别的新样本。(3)在VS 2010环境下,设计并实现了方便操作的老年人跌倒识别算法的可视化验证软件。为了验证基于改进的虚拟少数类过采样算法的不均衡支持向量机算法的可行性,将待识别样本数据输入分类器模型进行人体跌倒识别测试。实验测试结果显示,经过样本偏斜处理的不均衡支持向量机算法在识别性能方面有所提高,能够满足系统可靠性和准确性的要求。