CN104586398A

CN104586398A - 一种基于多传感器融合的老人跌倒检测方法及系统

Info

Publication number: CN104586398A
Application number: CN201310524378.7A
Authority: CN
Inventors: 不公告发明人
Original assignee: GUANGZHOU HUAJIU INFORMATION TECHNOLOGY Co Ltd
Current assignee: GUANGZHOU HUAJIU INFORMATION TECHNOLOGY Co Ltd
Priority date: 2013-10-30
Filing date: 2013-10-30
Publication date: 2015-05-06

Abstract

本发明涉及一种基于多传感器融合的老人跌倒检测方法，该方法包括步骤：自动采集每个传感器信息，构造每个传感器的特征向量，合并形成整体的跌倒特征向量，完成特征选择，调用分类器完成跌倒识别。本发明涉及一种基于多传感器信息融合的跌倒预警系统，其特征在于，所述的系统包括：传感器信息采集模块，传感器特征向量构造模块，跌倒特征向量构造模块，特征选择模块，跌倒识别模块，跌倒识别模型的学习模块，跌倒预警模块，跌倒档案管理模块。本发明的效果是跌倒检测的准确率高，跌倒呼救及时，功能全面，成本低，携带方便。

Description

一种基于多传感器融合的老人跌倒检测方法及系统

技术领域

本发明涉及一种基于多传感器融合的老人跌倒检测方法及系统，属于医疗健康、机器学习和移动互联网技术领域。

背景技术

我国社会的老龄化问题日益加剧，其中老年人的健康安全监护问题的需求日益增加。卫生部2007 年公布的《中国伤害预防报告》指出，老年人意外伤害的首要原因是跌倒。根据调查，49.7%的城市老人独自居住；每年有25%的70岁以上老人在家中发生跌倒。在跌倒后会面临双重危险，首先是跌倒本身直接造成的人体伤害，其次是如果跌倒后不能得到及时的救助，可能会导致更加严重的后果，因此跌倒是老年人群伤残、失能和死亡的重要原因之一，严重影响老年人日常生活能力、身体健康及精神状态，会给老年人造成巨大伤害，伤痛、慢性病急性发作、生活质量急剧下降及沉重的医疗负担往往接踵而至，会给家庭和社会增加巨大的负担，因此，如何预知老人跌倒的风险并最大限度地减少跌伤程度，往往是亲属们最为关心的问题，能够随时检测老年人跌倒事件的发生，让老年人能够及时获得救治就显得极为重要，这引起了跌倒检测系统研制的兴起和重视，它能够有效检测老年人是否发生跌倒并及时报警，保护了老年人群的健康与安全。例如2010 年，飞利浦公司推出了Lifeline 紧急医疗救援系统，拥有项链式、手表式造型，可以随身佩戴，能及时准确地检测到老人因意外或突发疾病而发生的跌倒并连接中心请求救援，为老人提供了生命保障。2012 年，深圳爱福莱科技有限公司推出了“跌倒自动求救手机”爱福莱A03，它能够在老人发生跌倒时自动侦测、自动定位、自动报警和自动求救，最大限度地保障了老人独居和外出期间的健康安全。

相关专利比较

现有跌倒方案大多只是利用了加速度传感器，有一定的误报率。第１点，部分单独结合了其它1到2个传感器，本发明专利融合了更多的传感器。第2点，跌倒识别方法分为阀值方法和机器学习分类方法，本发明采用机器学习分类方法，但采用的具体分类方法不同。第3点，本发明采用了新的特征选择算法，而已有技术很少采用特征选择算法。因此虽然目前已有不少研究机构和公司推出了跌倒检测产品，但目前跌倒检测系统的研究仍存在诸多问题，主要问题是检测的准确率不高，存在一定的误判率。

发明内容

本发明要解决的技术问题是：跌倒检测方法及系统的跌倒检测准确率不高，存在较大的误判情况。本发明涉及一种基于多传感器融合的老人跌倒检测方法，其特征在于该方法包括以下步骤：

[1] 采集每个传感器信息，传感器包括三轴加速度传感器、陀螺仪、声音传感器、压力传感器、气压传感器、地磁传感器、温度传感器、湿度传感器、GPS传感器、红外传感器；

[2] 构造每个传感器特征向量；

[3] 构造跌倒特征向量，其是对所有传感器特征向量的串接；

[4] 实施特征选择，获得降维后的跌倒特征向量；

[5] 调用分类器对降维后的跌倒特征向量分类，获得跌倒识别结果。

一种基于多传感器融合的老人跌倒检测系统，其特征在于，所述的系统包括：一个跌倒训练样本数据库，存储很多跌倒特征向量及跌倒类别的训练样本。一个跌倒档案数据库，用以储存跌倒时的每个传感器特征向量，跌倒特征向量，跌倒预警信息，和跌倒预警时间地点。系统还包括模块：传感器信息采集模块，传感器特征向量构造模块，跌倒特征向量构造模块，特征选择模块，跌倒识别模块，跌倒识别模型学习模块，跌倒预警模块，跌倒档案管理模块，其中传感器信息采集模块的输出与传感器特征向量构造模块的输入连接，传感器特征向量构造模块的输出与跌倒特征向量构造模块的输入连接，跌倒特征向量构造模块的输出与特征选择模块的输入连接，特征选择模块的输出与跌倒识别模块的输入连接，跌倒识别模型的学习模块的输出与跌倒识别模块的输入连接，跌倒识别模块的输出与跌倒预警模块的输入连接，跌倒预警模块的输出与跌倒档案管理模块的输入连接。其中跌倒识别模型学习模块离线独立运行，只运行一次。

有益效果

与现有技术相比，本发明一种基于多传感器融合的老人跌倒检测方法及系统具有以下优点：

[1] 采用了多种传感器以及鲁棒分类器，跌倒检测的准确率高；

[2] 跌倒检测系统能够运行在智能手机上，仅使用日用手机就能检测用户是否跌倒，方便易用；

[3] 跌倒预警与移动通讯相结合，对用户所在位置和时间进行锁定，呼救及时。

附图说明

图1 一种基于多传感器融合的老人跌倒检测方法流程图；

图2 一种基于多传感器融合的老人跌倒检测系统结构图。

具体实施方式

本发明提出的一种基于多传感器融合的老人跌倒检测方法及系统，结合附图和实施例说明如下。

如图1 所示，为一种基于多传感器融合的老人跌倒检测方法流程图，该方法包括以下步骤：

[2] 构造每个传感器特征向量，每个传感器采集的信息不同，因此获得特征向量的方法和维度不同，需要分别构造；

[3] 构造跌倒特征向量，其是对所有传感器特征向量的串接；

[4] 实施特征选择，获得降维后的跌倒特征向量；

步骤[1] 采集每个传感器信息

a) 被采集的传感器包括三轴加速度传感器、陀螺仪、声音传感器、压力传感器、气压传感器、地磁传感器、温度传感器、湿度传感器、GPS传感器、红外传感器；

b) 三轴加速度传感器：个体运动时，会在三个正交方向产生不同的加速度，这些加速度的变化值可用来判断身体姿态的变化，是判断个体是否发生跌倒的依据；

c) 陀螺仪：现代陀螺仪可以精确地确定运动物体的方位，可以通过陀螺仪获取人体运动方位的变化来判断跌倒；

d) 声音传感器：人体跌倒时与地面发生撞击时会产生声音，老人摔到时也会发出声音。例如人体在跌落过程中与地面发生撞击的声音频率多数小于200Hz，这可以作为跌倒判断依据；

e) 压力传感器：个体跌倒着地时，传感器撞击地面，会发生振动，从而会产生压力，可检测出撞击地面的压力值作为判断跌倒的依据；

f) 气压传感器：能够测量不同高度的大气压力，可用于判断人体所处的位置以及跌倒检测仪的高度变化，另外气压本身是环境的一部分，环境也是导致跌倒的一个因素，从而气压提供了检测跌倒的依据；

g) 地磁传感器：采用法拉第电磁感应定律，即线圈切割地磁场磁力线产生感应电动势的原理，主要用途是感应姿态的变化。当跌倒时会导致地磁信息变化，进而作为姿态变化的判断依据；

h) 温度传感器：指能感受温度并转换成可用输出信号的传感器，可用于判断人体所处的环境。环境是导致跌倒的一个因素，从而温度也提供了检测跌倒的依据。例如可用来发现容易发生跌倒的温度，为预防性跌倒提供依据；

i) 湿度传感器：指能感受湿度并转换成可用输出信号的传感器，可用于判断人体所处的环境。环境也是导致跌倒的一个因素，从而湿度也提供了检测跌倒的依据。例如可用来发现容易发生跌倒的湿度，为预防性跌倒提供依据；

j) GPS：感知个体的物理位置，为救援提供依据，也为判断是否跌倒提供依据，例如通过数据挖掘发现某些地点很容易发生跌倒，而有些地方则不太容易发生跌倒；

k) 红外线传感器：能够检测出人体发出的红外线信息，可以用它来判断传感器是否穿戴在人体身上，若检测不到红外信息，表示人体没有穿戴红外传感器，因而不能判定为跌倒，以免误判。可以用它作为防止误判的依据。

为了直接与智能手机等连接，以上传感器均采用输出信号为数字信号的数字传感器。

步骤[2] 构造每个传感器特征向量

每个传感器均采用数字传感器。按时间区间作为分析范围，并且将此时间区间划分为若干时间片段，对每个片段采集信息，并生成特征向量，因此整个时间区间是一个特征向量序列，在跌倒过程中要不断检测。下面对每个传感器在每个时间片段上生成的特征向量说明如下：

a) 三轴加速度传感器，每轴测量范围从几g到几十g不等，因此三轴加速度传感器的输出是构成三维特征向量；

b) 三轴陀螺仪，能够测量沿三个轴运动的角速度，形成三维特征向量。将加速度计与陀螺仪相结合，就能得到既纯净又反应敏捷的输出；

c) 声音传感器，输出声音信号，提取声音特征，形成特征向量。提取的声音特征包括短时过零率，短时能量，基音频率，共振峰，谐波噪声比，MFCC参数，一阶MFCC参数，二阶MFCC参数，LPC倒谱系数，线性预测系数，子带能量，和频率中心的平均值，标准方差，最大值，和最小值；

d) 压力传感器：输出一个压力值（撞击时产生的最大压力），形成一个一维的特征向量；

e) 气压传感器，输出为数字信号为大气压值，正常与跌倒时的大气压值差形成一个一维的特征向量；

f) 地磁传感器，通过给出在X轴，Y轴和Z轴上的地磁力投影，可以提供活动物体的航向角、俯仰角和横滚角，从而可以确定物体的姿态，形成6维特征向量。例如在地磁传感器HMC5883的内部一共有12组寄存器，其中用于存放X、Y、Z三轴数据的寄存器有6个；

g) 温度传感器，输出一个温度值，形成一个一维的特征向量。例如Galaxy Nexus等手机不仅包括气压传感器，还包括温度传感器；

h) 湿度传感器，输出一个湿度值，形成一个一维的特征向量；

i) GPS：输出位置坐标，形成三维特征向量；

j) 红外传感器：利用远红外线范围的感度作为人体检出用，红外线的波长比可见光长而比电波短。人体的体温约为36～37°C，所放射出峰值为9～10μm的远红外线。输出数值一个一维的特征向量，用于搜索和跟踪人体红外目标，确定其空间位置并对它的运动进行跟踪。

然后对每个传感器的片段特征向量，串接形成每个传感器的特征向量。

步骤[3] 构造跌倒特征向量

合并所有传感器特征向量，形成整体的跌倒特征向量。

步骤[4] 实施特征选择

采用特征选择算法MCFS（Deng Cai et al., Unsupervised feature selection for multi-cluster data, Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining 2009）选择特征，获得特征数量减少的跌倒特征向量。

MCFS特征选择算法

第一步：构造p近邻图，边之间的权重设为：如果两个点相邻为1，不相邻为零。 p=5;

第二步：计算式(1)的特征值，式中L=D-W, , W为第一步求得的权重。为最小的k个特征值对应的特征向量，

Ly =λDy (1)

第三步：使用Least Angel Regression算法解决公式(2)所示的L1-regularized regression 问题，

(2)

第四步：使用式(3)计算MCFS得分，

(3)

第五步：返回得分最高的d个特征即为特征选择的结果。

步骤[5] 调用分类器对跌倒特征向量分类，获得跌倒识别结果

实施案例1：采用支持向量机分类器识别跌倒

支持向量机 (Support Vector Machine, SVM)实现人脸表情自动识别。SVM是近几年刚发展起来的一种分类方法，它基于结构风险最小化原则,具有良好的泛化能力。给定训练样本集，其中为输入向量，为对应的类别，SVM在特征空间中寻找能将两类样本正确分开的最优分界超平面。对于输入空间中的向量x，假如使用z =Ф(x)表示其在特征空间中对应的特征向量，则最优分界超平面表示为w · z +b = 0。相应的决策方程为f(x) = sign (w · z + b)。在任何情况下，SVM并不要求知道映射Ф。引入核函数k(·)，特征空间中向量间的点积能在输入空间中通过核函数表示为。

训练SVM等价于求解如下最优化问题：

这是正定的二次规划问题，目标方程由拉格朗日乘子向量a决定。一旦向量a已知，决策方程中的权重向量w和阈值b能够通过KKT条件容易地计算出来。KKT条件是上述二次规划问题的充分必要条件。定义

则KKT条件为

其中不为零对应的样本就是支持向量，它们通常只是全体样本中的少部分。计算出支持向量后，便得到决策函数

其中S为支持向量集合。决策函数中常用核函数有：多项式核、径向基核函数（RBF）、Sigmoid核函数等。本实施案例选择径向基核函数RBF作为核函数，以预测性能为准则，以10倍交叉验证方式选择SVM的合适参数，进而获得对应的SVM分类模型。

SVM分类模型的获取过程包含以下步骤：

a) 采集1000个跌倒特征向量及对应的跌倒类别的数据样本

b) 构造训练数据，以跌倒特征向量为输入，其对应的跌倒类别为输出，构成训练样本集合

c) 采用训练样本集合，训练SVM分类器

d) 以10倍交叉验证方式选择SVM分类器的最佳参数，进而获得对应参数的SVM分类模型。

实施案例2：采用集成分类器AdaBoost识别跌倒

AdaBoost分类器是数据挖掘中十大分类算法之一，具有速度快、简单等优点，除了迭代次数外不需调整参数，不需要弱分类器的先验知识。给定足够数据以及一个中等精度的弱分类器，它可以把该弱分类器提升为强分类器，从而提高识别效果。

AdaBoost分类器中不同的训练集是通过调整每个样本对应的权重来实现的。开始时，每个样本对应的权重是相同的，即对于n 个样本，在此样本分布下训练出一个弱分类器。对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到一个新的样本分布。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器。依次类推，经过 T 次循环，得到 T 个弱分类器，把这 T 个弱分类器按一定的权重叠加（boost）起来，就得到最终想要的强分类器。最终的分类规则为加权投票法。

AdaBoost分类算法

给定训练样本集，其中为输入向量， Q为对应的类别。

a) 初始化n个样本的权值，假设样本分布为均匀分布： , 表示在第t轮迭代中赋给样本的权值。令T表示迭代的次数；

b) For t=1 to T

l )根据样本分布，通过对训练集S进行抽样（有回放）产生训练集；

2)在训练集上训练SVM分类器；

3)用分类器对训练集S中的所有样本分类；

4)得到本轮的分类器的分类误差；

5)令；

6)更新每个样本的权值

，

其中，是一个正规因子，用来确保

End For

c) 最终的预测输出为：

实施案例 3：采用旋转森林分类器识别跌倒

旋转森林是Juan J. Rodriguez等人提出的基于特征提取方法的一种集成学习方法(Rodrignez J J et al, Rotation forest:a new classifier ensemble method, TPAMI, 2006)。该方法首先会对特征集合进行随机的划分成k个子集，其中k是算法的一个参数。然后在每个划分的子集上应用主成分分析方法（Principal component Analysis, PCA）。方法中为了能够保留数据的信息，会将所有的主成分保留下来。使用基于主成分分析坐标轴方法有两个目的：提高个分类器的性能和提高所有分类器的多样性。决策树方法被选做基分类器方法，所以该集成方法被称作“旋转森林”,选决策树作为基分类器的原因是对旋转操作具有敏感性而且旋转操作后还能保持较好的分类准确率。该方法的具体描述如下：

设为n维特征空间中的样本点，阶矩阵X为训练样本集合，为相应的类标记，其中属于类标记的集合，为n维特征的集合。假设表示共L个基分类器，则得到分类器的训练集步骤为：

a) 随机划分特征集为k个不相交的子集。假设总共具有n个特征，则每个子集中包含的特征数为M=n/k；

b) 设为对分类器划分特征空间得到的第j个子集。首先，在每个得到的特征子集上随机抽取训练样本集X中各个类中的样本的75%组在一个样本子集；然后在X的选取子集和特征的选取子集上进行主成分分析，保存主成分分析协方差，其中每个协方差为向量。由于特征值可能为0，所以不一定会得到所有M个向量，即。在每一个类对应的样本子集上进行主成分分析而不是在所有样本集的原因是避免在同一个特征子集下对不同的分类器产生相同的协方差；

c) 将所有的得到的协方差向量组成一个稀疏的“旋转”矩阵：

其中，旋转矩阵的维度为为得到分类器的训练集，首先重排列旋转矩阵的列（即特征）使其与原特征相对应。重排列的旋转矩阵由表示，具有维。则得到分类器的训练集为。

获得若干分类器后，对测试数据的分类，则采用多分类器投票决定。

如图2 所示，为一种基于多传感器信息融合的跌倒预警系统结构图，其特征在于，所述的系统包括：一个跌倒训练样本数据库211，存储很多跌倒特征向量及跌倒类别（跌倒和非跌倒两个类别）的训练样本。一个跌倒档案数据库212，用以储存跌倒时的传感器特征向量，跌倒特征向量，对应的预警信息，和时间。系统还包括模块：传感器信息采集模块201，传感器特征向量构造模块202，跌倒特征向量构造模块203，特征选择模块204，跌倒识别模块205，跌倒识别模型的学习模块206，跌倒预警模块207，跌倒档案管理模块208。其中传感器信息采集模块201的输出与传感器特征向量构造模块202的输入连接，传感器特征向量构造模块202的输出与跌倒特征向量构造模块203的输入连接，跌倒特征向量构造模块203的输出与特征选择模块204的输入连接，特征选择模块204的输出与跌倒识别模块205的输入连接，跌倒识别模型的学习模块206的输出与跌倒识别模块205的输入连接，跌倒识别模块205的输出与跌倒预警模块207的输入连接，跌倒预警模块207的输出与跌倒档案管理模块208的输入连接。其中跌倒识别模型的学习模块206是离线独立在计算机上运行。

[1] 传感器信息采集模块201，检测可用传感器，并采集每个传感器的信息，传感器均采用数字传感器。

[2] 传感器特征向量构造模块202，负责将采集的每个传感器信息转化为特征向量表示，并归一化处理。

[3] 跌倒特征向量构造模块203，合并所有传感器的特征向量，形成一个整体的跌倒特征向量。

[4] 特征选择模块204，对跌倒特征向量实现特征选择，获得降维后的跌倒特征向量。

[5] 跌倒识别模块205，采用跌倒识别分类模型如集成分类模型对跌倒特征向量分类，获得是否跌倒的结论。

[6] 跌倒识别模型学习模块206，采用跌倒识别训练样本数据库211中的数据训练分类器，获得跌倒识别分类模型。

[7] 跌倒预警模块207，若跌倒识别结果为跌倒，则生成预警信息，并发送短信和拨打电话到预先指定的手机，同时发送到服务器，完成跌倒呼救等功能。

[8] 跌倒档案管理模块208，将时间，地点，传感器采集信息，跌倒特征向量，预警信息等信息保存到跌倒档案数据库212，并能查询跌倒档案数据库212的历史记录。

实施案例1

图2所述的系统模块全部在Android智能手机上实现。Android平台提供了应用程序框架，提供了很多传感器、语音识别、桌面组件开发、Android游戏引擎设计、Android应用优化等各类开发工具，提供了对音频、视频和图片等多媒体的支持，提供了用于结构化数据存储的关系型数据库SQLite3。因此本实施案例采用Android平台开发，采用SQLite3管理数据库。

实施案例2

图2所述的系统模块采用客户端/服务器方式实现。Android智能手机上实现模块：传感器信息采集模块201，传感器特征向量构造模块202，跌倒特征向量构造模块203，特征选择模块204，跌倒识别模块205，跌倒预警模块207。服务器上实现模块：跌倒识别模型的学习模块206，跌倒档案管理模块208，保存一个跌倒训练样本数据库211和一个跌倒档案数据库212。实施案例中的服务器采用J2EE平台， WEB服务器采用Tomcat， OpenCV等实现，采用MYSQL数据库实现数据库管理。

本领域的普通技术人员应当理解，本发明的技术方案可以进行修改，变形或等同变换，而不脱离本发明技术方案的本质和范围，均覆盖在本发明的权利要求范围之中。

Claims

1.一种基于多传感器融合的老人跌倒检测方法，其特征在于，该方法包括以下步骤：［1］采集每个传感器信息；［2］构造每个传感器特征向量；［3］构造跌倒特征向量，其组合所有传感器特征向量；［4］实施特征选择，从跌倒特征向量中选择主要特征，获得降维后的跌倒特征向量；［5］调用分类器对降维后的跌倒特征向量分类，获得跌倒识别结果。

2.根据权利要求1 所述的一种基于多传感器融合的老人跌倒检测方法，其特征在于所述的步骤[1] 采集的传感器包括三轴加速度传感器、陀螺仪、声音传感器、压力传感器、气压传感器、地磁传感器、温度传感器、湿度传感器、GPS传感器、红外传感器。

3.根据权利要求1 所述的一种基于多传感器融合的老人跌倒检测方法，其特征在于所述的步骤[2] 构造每个传感器的特征向量，构造方法是按时间区间作为分析范围，并且将此时间区间再划分为若干时间片段，对每个时间片段采集信息，生成片段特征向量，因此时间区间是一个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量。

4.根据权利要求1 所述的一种基于多传感器融合的老人跌倒检测方法，其特征在于所述的步骤[3] 构造跌倒特征向量，其是对所有传感器特征向量的串接。

5.根据权利要求1 所述的一种基于多传感器融合的老人跌倒检测方法，其特征在于所述的步骤[4] 采用特征选择方法，从跌倒特征向量中选择主要特征，对跌倒特征向量降维。

6.根据权利要求1和权利要求5 所述的一种基于多传感器融合的老人跌倒检测方法，其特征在于所述的步骤[4] 采用多簇特征选择（MCFS）算法选择特征。

7.根据权利要求1 所述的一种基于多传感器融合的老人跌倒检测方法，其特征在于所述的步骤[5] 调用集成分类器Adaboost完成跌倒识别，其弱分类器采用支持向量机分类器。

8.根据权利要求1 所述的一种基于多传感器融合的老人跌倒检测方法，其特征在于所述的步骤[5] 调用旋转森林分类器完成跌倒识别。

9.一种基于多传感器融合的老人跌倒检测系统，其特征在于，所述的系统包括：一个跌倒训练样本数据库，存储很多跌倒特征向量及跌倒类别的训练样本；一个跌倒档案数据库，用以储存跌倒时的每个传感器特征向量，跌倒特征向量，跌倒预警信息，和跌倒预警时间地点；系统还包括模块：传感器信息采集模块，传感器特征向量构造模块，跌倒特征向量构造模块，特征选择模块，跌倒识别模块，跌倒识别模型学习模块，跌倒预警模块，跌倒档案管理模块，其中传感器信息采集模块的输出与传感器特征向量构造模块的输入连接，传感器特征向量构造模块的输出与跌倒特征向量构造模块的输入连接，跌倒特征向量构造模块的输出与特征选择模块的输入连接，特征选择模块的输出与跌倒识别模块的输入连接，跌倒识别模型的学习模块的输出与跌倒识别模块的输入连接，跌倒识别模块的输出与跌倒预警模块的输入连接，跌倒预警模块的输出与跌倒档案管理模块的输入连接，其中跌倒识别模型学习模块离线独立运行，只运行一次。

10.根据权利要求9 所述的一种基于多传感器融合的老人跌倒检测系统，其特征在于所述的系统采用所述的一种基于多传感器融合的老人跌倒检测方法实现。

11.根据权利要求9所述的一种基于多传感器融合的老人跌倒检测系统，其特征在于所述的系统按客户端和服务器方式实现，其中客户端包括：跌倒预警模块，传感器信息采集模块；服务器包括：传感器特征向量构造模块，跌倒特征向量构造模块，特征选择模块，跌倒识别模块，跌倒识别模型学习模块，跌倒档案管理模块。

12.根据权利要求9所述的一种基于多传感器融合的老人跌倒检测系统，其特征在于所述的系统在智能终端上实现，其中跌倒识别模型学习模块离线独立运行，只运行一次。