"基于智能手机的人体跌倒检测系统" 智能手机的人体跌倒检测系统是一种基于信号向量模和特征量W相结合的跌倒检测算法，利用加速度传感器和陀螺仪监测人体姿态变化，有效减少了跌倒检测结果的假阳性和假阴性。该系统可以实时监测人体活动，结合GPS确定用户的跌倒位置，同时降低系统成本。 该系统的检测算法设计基于智能手机内置的加速度传感器和陀螺仪，分别测量三轴方向运动加速度和角速度大小信息。通过使用信号向量模(magnitude of signal vector, SVM)阈值法来识别区分低强度日常生活活动(activities of daily living, ADL)与跌倒，对于阈值法不能识别的较高强度ADL，则通过对角速度信号向量模数据进一步处理得到的新特征量来判别。 信号数据人体活动主要分为以下几种：躺下、步行、坐下—起立、上楼梯、下楼梯、慢跑、蹲下—起立以及跌倒等。智能手机的加速度传感器和陀螺仪输出的信号数据可以反映出人体日常运动姿态变化。 信号向量模(SVM)是跌倒发生时的加速度及角速度变化的主要特征量，可以将空间的加速度或角速度变化集合为一矢量。加速度信号向量模(SVMA)及角速度信号向量模(SVMW)的定义分别如式(1)和式(2)所示。 跌倒检测方法设计中，通过对人体摔倒过程及其它日常生活行为过程中实验结果数据SVMA和SVMW进行分析，识别跌倒的加速度信号向量模阈值取SVMAT =20m/s2 和角速度信号向量模阈值取SVMWT =4rad/s。 然而，慢跑等动作也具有大加速度和角速度峰值的特征，单独的SVM 特征量并不能区分摔倒过程与慢跑或手机日用等较高强度运动过程。因此，本文对角速度信号向量模数据作进一步处理，来寻找新的特征量。定义一个人体跌倒时躯干倾斜的合角度θ，它是通过对角速度信号向量模数据进行积分得到的。 该系统可以实时监测人体活动，结合GPS确定用户的跌倒位置，同时降低系统成本。该系统的检测算法设计基于智能手机内置的加速度传感器和陀螺仪，能够有效减少跌倒检测结果的假阳性和假阴性。

心率血氧浓度、人体温度、跌倒检测：人体加速度向量幅值SVM和微分加速度幅值的绝对平均值DSVM是区分人体运动状态的重要参量。SVM通过计算加速度幅度表征人体运动的剧烈程度，其值越大表明运动越剧烈。 当LED光射向皮肤，透过皮肤组织反射回的光被光敏传感器接受并转换成电信号再经过AD转换成数字信号，简化过程：光--> 电 --> 数字信号。 - STM32f103c8t6 - 0.96 oled IIC 模块 - max30100心率血氧模块 - mpu-6050模块 - 人体温度模块

基于Arduino，Windows 10和Microsoft Azure的跌倒检测系统

基于深度学习的视频中人物跌倒检测系统

针对老年人意外失足或者某种疾病突然发作引起的跌倒问题， 设计一种便携式无线跌倒检测系统， 在现有三轴加速度 SMV 阈值算法的基础上， 建立二级阈值的人体跌倒检测算法， 判断人体跌倒行为， 并通过无线传输方式发送报警信息。 实验测试结果表明： 该系统具有实时性强、 正确率高、 体积小以及使用距离不受限制等特点。

通过研究中老年人常见的紧急事故——跌倒为研究对象，针对现有跌倒检测方法存在的诸多问题，我们设计了一种基于压力传感器的跌倒检测系统，该系统包含压力采集模块，基于微处理器的数据处理模块，无线通信模块和后台四个模块。通过检测并分析研究脚底压力在正常行走和跌倒状态下的变化，实现跌倒事件的实时检测。并在此基础上，提出基于支持向量机的跌倒识别方法。实验结果证明该系统的判别具有较高的可靠性和准确性.

针对老年人意外跌倒的问题，设计了一种新型的可穿戴式跌倒检测系统。利用惯性测量单元（Inertial Measurement Unit，IMU）对人体的6个自由度（Directions of Free，DoF）参数进行测量，通过跌倒检测算法分析自由度数据，及时检测出跌倒，并将报警信息通过低功耗蓝牙（Bluetooth Low Energy，BLE）发送到智能手机等终端。对不同的跌倒情况进行一系列的试验，测试结果表明，该系统可以有效地检测到意外跌倒事件并发出报警信息，达到预期目标。

使用3D运动传感器的姿势和跌倒检测系统 这项工作提出了一种监督学习方法，用于训练姿势检测分类器，并使用Microsoft Kinect v2传感器使用姿势分类结果作为输入来实施跌倒检测系统。 Kinect v2骨架跟踪为25个身体部位提供3D深度坐标。 我们使用这些深度坐标来提取七个特征，这些特征包括对象的高度和某些身体部位之间的六个角度。 然后将这些特征输入到完全连接的神经网络中，该神经网络输出对象的三种已考虑姿势之一：站立，坐着或躺下。 在由多个对象组成的测试数据上，所有三种姿势的平均分类率均达到99.30％以上，这些对象大部分时间甚至没有面对Kinect深度相机，并且位于不同的位置。 这些结果表明，采用提议的设置对人体姿势进行分类的可行性与对象在房间中的位置以及3D传感器的方向无关。 系统演示请观看Posture_fall_detection_demo.mp4视频，以了解姿势和跌倒

本文研究了一种基于多传感器的，可穿戴的，实时检测老年人日常运动状况的嵌入式系统，可以及时准确地检测到老年人因为意外而发生的跌倒状况，并发出报警求救信息，将老人发生意外跌倒的位置和求救信息发送至监护人，以便可以对老人进行及时的救助，使得因跌倒对老人造成的伤害降至最低限度。经实验分析，本文设计的跌倒检测系统误报率和错报率较低，具有较高的准确性和可靠性。

款基于Android手机的老人跌倒检测系统，该系统能够通过Android手机内置的加速度传感器实时采集人体姿态加速度的信息数据，通过该多阈值法跌倒检测系统实时监测目标用户是否发生跌倒行为。