CN105575058A - 基于朴素贝叶斯算法的跌倒检测报警系统及方法 - Google Patents

Abstract

本发明公开了基于朴素贝叶斯算法的跌倒检测报警系统及方法，包括：采集模块、处理模块、传输模块、识别模块、判断模块和通知模块；采集模块用于采集人体活动中上躯干部位的三维加速度和三维角速度数据；处理模块通过三维加速度和三维角速度数据计算合加速度与合角速度；识别模块通过朴素贝叶斯跌倒检测算法对人体活动状态进行分类识别，识别出人体的运动类型；判断模块判断是否为“跌倒”类型，当判断结果为“跌倒”类型时，通知模块通过设置的报警方式通知设定的联系人。本发明通过朴素贝叶斯跌倒检测算法对人体活动状态进行识别，检测准确率高、误报率低；具备通信功能，能够实时通知跌倒老人的亲属，确定跌倒位置。

Description

基于朴素贝叶斯算法的跌倒检测报警系统及方法

技术领域

本发明涉及电子检测技术领域，尤其涉及基于朴素贝叶斯算法的跌倒检测报警系统及方法。

背景技术

目前人口老龄化程度的日益加剧，跌倒已经成为影响老年人健康的一个严重问题，它不仅严重影响了老年人的身体健康和独立生活能力，还造成了老年人心理上的负担和恐惧，有时造成的后果甚至是致命的。采取适当的措施进行跌倒检测报警可以使他们得到及时的救助，避免一些不必要的麻烦，同时也能减少医药开销。

现在针对老年人的跌倒检测方法主要分为三种：第一种是基于视频监测，在特定区域安装视频监视器，在该区域对人体进行跟踪监测；第二种是基于振动监测，在地面安装振动传感器，当振动传感器周围一定范围内人体跌倒时，振动传感器会振动；第三种是基于人体姿势和动作监测，人体跌倒前姿势和方向会发生变化，通过测定人体跌倒过程中各种物理量的变化，来判断人体是否跌倒。这几种方法各有利弊，基于视频监测和基于振动监测都受到环境和空间的限制，视频监测还涉及隐私的问题，振动监测的识别准确率不好，很容易造成误判。而基于人体姿态和动作的监测采用的是移动便携设备，环境和空间上没有受到限制，也能和现有的通信技术、检测技术相结合，更有利于老年人跌倒的检测。然而针对人体姿态和动作的监测，目前国内外的研究趋势主要是基于加速度阈值的判定，但是阈值法存在很大局限；当人体进行蹲起、坐下等与跌倒动作幅度相似的运动时，就很容易发生误报。这种检测方法比较单一，造成的误警率比较高，也不具备通信功能，不能实时通知跌倒老人的亲属，确定跌倒位置。

发明内容

针对上述问题中存在的不足之处，本发明提供基于朴素贝叶斯算法的跌倒检测报警系统及方法。

为实现上述目的，本发明提供一种基于朴素贝叶斯算法的跌倒检测报警系统，包括：采集模块、处理模块、传输模块、识别模块、判断模块和通知模块；

所述采集模块包括三轴加速度传感器和三轴陀螺仪，三轴加速度传感器和三轴陀螺仪以采样频率f分别实时采集人体活动中上躯干部位的三维加速度a_x、a_y、a_z数据和三维角速度ω_x、ω_y、ω_z数据；其中：a_x为沿x轴方向的加速度，a_y为沿y轴方向的加速度，a_z为沿z轴方向的加速度，ω_x为沿x轴方向的角速度，ω_y为沿y轴方向的角速度，ω_z为沿z轴方向的角速度；

所述处理模块与所述采集模块相连，用于计算合加速度a与合角速度ω，其中：

所述识别模块通过所述传输模块与所述处理模块相连，用于接收合加速度数据和合角速度数据，并对人体活动状态进行分类识别，识别出人体的运动类型；所述运动类型包括：“跌倒”类型、“站立”类型、“下蹲”类型、“上楼”类型、“下楼”类型、“步行”类型中的一种或多种；

所述判断模块与所述识别模块相连，用于判断人体的运动类型是否为“跌倒”类型；

所述通知模块与所述判断模块相连，当判断模块的判断结果为“跌倒”类型时，通知模块通过设置的报警方式通知设定的联系人。

作为本发明的进一步改进，所述判断模块中，当判断结果不属于“跌倒”类型时，则返回采集模块重新进行数据采集。

作为本发明的进一步改进，所述识别模块包括：

初始化子模块，与所述传输模块相连；用于接收人体活动中上躯干部位的合加速度与合角速度；

采样子模块，与所述初始化子模块相连；采样子模块内建立合加速度数据滑动窗口，用acc[m]表示，窗口长度为m；建立合角速度数据滑动窗口，用angle[m]表示，窗口长度为m；用于以采样频率f接收初始化子模块中人体活动中上躯干部位的合加速度与合角速度并分别依次存入滑动窗口acc[m]和angle[m]中；

判定子模块，与所述采样子模块相连，用于判定滑动窗口acc[m]和angle[m]是否已经填满；若没有填满，则继续进行合加速度数据和合角速度数据采集；

计算子模块，与所述判定子模块相连；当滑动窗口acc[m]和angle[m]均已填满，则计算子模块用于统计、计算测试样本属于各个运动类型的条件概率，测试样本指被测人体在活动中采集到的合加速度和合角速度数据；找出条件概率的最大值，判断当前时刻测试样本所属的运动类型；

其中：

式中，x代表测试样本；

y_i代表第i类运动类型，n代表n类运动类型；

P(y_i|x)是测试样本x属于第i类运动类型的条件概率；

a_j和ω_j分别代表测试样本x在滑动窗口acc[m]与angle[m]内的第j个合加速度与合角速度数据，a_j和ω_j共同组成测试样本x的第j个属性(a_j,ω_j)；

P(x)代表测试样本在所有训练样本中出现的概率，所有训练样本指所有合加速度和合角速度数据的数据库，P(x)为常数；

P(y_i)代表第i类运动类型在所有训练样本中出现的概率；

P((a_j,ω_j)|y_i)代表在第i类运动类型训练样本的第j个属性中出现测试测试样本x的第j个属性(a_j,ω_j)的概率。

作为本发明的进一步改进，所述处理模块为微处理器，所述传输模块为蓝牙设备。

作为本发明的进一步改进，所述通知模块中设置的报警方式包括：向预设联系人号码拨打电话进行报警，或者向预设联系人号码发送含有用户位置信息的短信进行报警。

本发明还公开了一种监控终端，包含上述的识别模块、判断模块、通知模块，所述识别模块、所述判断模块、所述通知模块依次相连。

本发明还公开了一种基于朴素贝叶斯算法的跌倒检测报警方法，包括：

步骤1、采集模块中的三轴加速度传感器和三轴陀螺仪以采样频率f分别实时采集人体活动中上躯干部位的三维加速度a_x、a_y、a_z数据和三维角速度ω_x、ω_y、ω_z数据；其中：a_x为沿x轴方向的加速度，a_y为沿y轴方向的加速度，a_z为沿z轴方向的加速度，ω_x为沿x轴方向的角速度，ω_y为沿y轴方向的角速度，ω_z为沿z轴方向的角速度；

步骤2、处理模块计算合加速度a与合角速度ω，其中：

步骤3、传输模块传输合加速度a和合角速度ω数据到识别模块；

步骤4、识别模块通过朴素贝叶斯跌倒检测算法对人体活动状态分类识别，识别出人体的运动类型；

步骤5、判断模块判断人体的运动类型是否为“跌倒”类型，若为“跌倒”类型则执行步骤6，否则执行步骤1；

步骤6、通知模块根据所设置的报警方式通知预设的联系人。

作为本发明的进一步改进，所述步骤4包括：

步骤401、接收人体活动中上躯干部位的合加速度与合角速度；

步骤402、建立合加速度数据滑动窗口，用acc[m]表示，窗口长度为m；建立合角速度数据滑动窗口，用angle[m]表示，窗口长度为m；以采样频率f接收人体活动中上躯干部位的合加速度与合角速度并分别依次存入滑动窗口acc[m]和angle[m]中；

步骤403、判断滑动窗口acc[m]和angle[m]是否已经填满，没有填满则继续执行步骤402，否则执行步骤404；

步骤404、统计、计算测试样本属于各个运动类型的条件概率，测试样本指被测人体在活动中采集到的合加速度和合角速度数据；找出条件概率的最大值，判断当前时刻测试样本所属的运动类型；

其中：

式中，x代表测试样本；

y_i代表第i类运动类型，n代表n类运动类型；

P(y_i|x)是测试样本x属于第i类运动类型的条件概率；

a_j和ω_j分别代表测试样本x在滑动窗口acc[m]与angle[m]内的第j个合加速度与合角速度数据，a_j和ω_j共同组成测试样本x的第j个属性(a_j,ω_j)；

P(x)代表测试样本在所有训练样本中出现的概率，所有训练样本指所有合加速度和合角速度数据的数据库，P(x)为常数；

P(y_i)代表第i类运动类型在所有训练样本中出现的概率；

P((a_j,ω_j)|y_i)代表在第i类运动类型训练样本的第j个属性中出现测试测试样本x的第j个属性(a_j,ω_j)的概率。

作为本发明的进一步改进，所述步骤404中找出条件概率的最大值，判断当前时刻测试样本所属的运动类型的公式为：

P(y_k|x)＝max{P(y_i|x)},i＝1,2,…,n；

y_k代表测试样本最终的计算结果属于第k类运动类型。

作为本发明的进一步改进，所述步骤6中设置的报警方式包括：向预设联系人号码拨打电话进行报警，或者向预设联系人号码发送含有用户位置信息的短信进行报警。

与现有技术相比，本发明的有益效果为：

本发明公开的基于朴素贝叶斯算法的跌倒检测报警系统及方法，通过朴素贝叶斯跌倒检测算法对人体活动状态进行识别，通过朴素贝叶斯跌倒检测算法得到的波形进行跌倒检测，可以更准确地描述人体动作复杂的变化趋势，有效避免阈值法存在的误差；本发明检测准确率高、误报率低；具备通信功能，能够实时通知跌倒老人的亲属，确定跌倒位置；采用监控终端检测，方便小巧，便于携带；操作简单，检测方法没有受到环境和空间上的限制。

附图说明

图1为本发明一种实施例公开的基于朴素贝叶斯算法的跌倒检测报警系统的框架图；

图2为图1中识别模块的框架图；

图3为本发明一种实施例公开的基于朴素贝叶斯算法的跌倒检测报警方法的流程图；

图4为图3中识别人体活动状态的流程图；

图5为本发明一种实施例公开的加速度、角速度坐标示意图。

图中：1、采样模块；2、处理模块；3、传输模块；4、识别模块；4-1、初始化子模块；4-2、采样子模块；4-3、判定子模块；4-4、计算子模块；5、判断模块；6、通知模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图对本发明做进一步的详细描述：

实施例1：如图1-2、5所示，本发明提供一种基于朴素贝叶斯算法的跌倒检测报警系统，包括：采集模块1、处理模块2、传输模块3、识别模块4、判断模块5和通知模块6，其中：识别模块4、判断模块5和通知模块6构成监控终端，识别模块4、判断模块5、通知模块6依次相连；监控终端具有向联系人号码拨打电话进行报警，或者向预设联系人号码发送含有用户位置信息的短信进行报警的功能，该监控终端可为智能手机。

采集模块1包括三轴加速度传感器和三轴陀螺仪，三轴加速度传感器和三轴陀螺仪安装在人体的上躯干部位，三轴加速度传感器和三轴陀螺仪以100次/每秒的采样频率分别实时采集人体活动中上躯干部位的三维加速度a_x、a_y、a_z数据和三维角速度ω_x、ω_y、ω_z数据；其中：a_x为沿x轴方向的加速度，a_y为沿y轴方向的加速度，a_z为沿z轴方向的加速度，ω_x为沿x轴方向的角速度，ω_y为沿y轴方向的角速度，ω_z为沿z轴方向的角速度，如图5所示。

处理模块2与采集模块1相连，处理模块2选用微处理器，用于计算每个采集点的合加速度a与合角速度ω，其中：

识别模块4通过传输模块3与处理模块2相连，识别模块4用于接收处理模块2所处理得到的所有合加速度数据和合角速度数据，通过朴素贝叶斯跌倒检测算法对人体活动状态进行分类识别，识别出人体的运动类型；其中：运动类型包括：“跌倒”类型、“站立”类型、“下蹲”类型、“上楼”类型、“下楼”类型和“步行”类型等等，传输模块3采用蓝牙设备进行数据传输；

识别模块4包括：初始化子模块4-1采样子模块4-2、判定子模块4-3和计算子模块4-4；

初始化子模块4-1，与传输模块3相连；用于接收人体活动中上躯干部位所有的合加速度与合角速度；

采样子模块4-2，与初始化子模块4-1相连；采样子模块4-2内建立合加速度数据滑动窗口，用acc[m]表示，窗口长度为m；建立合角速度数据滑动窗口，用angle[m]表示，窗口长度为m，窗口长度可以根据实际应用进行设置，本发明优选m＝200；采样子模块4-2以100次/每秒的采样频率接收初始化子模块4-1中人体活动中上躯干部位的合加速度与合角速度并分别依次存入滑动窗口acc[200]和angle[200]中；

判定子模块4-3，与采样子模块4-2相连，用于判定滑动窗口acc[200]和angle[200]是否已经填满(滑动窗口acc[200]和angle[200]填充是同时进行的，因此acc[200]和angle[200]是同时填满的)；若没有填满，则继续进行合加速度数据和合加速度数据采集；

计算子模块4-4，与判定子模块4-3相连；当滑动窗口acc[200]和angle[200]均已填满，则计算子模块4-4用于统计、计算测试样本属于各个运动类型的条件概率，测试样本指被测人体在活动中采集到的合加速度和合角速度数据；找出条件概率的最大值，判断当前时刻测试样本所属的运动类型；

其中：基于朴素贝叶斯跌倒检测算法计算测试样本属于各个运动类型的条件概率的公式为：

$P\left(y_i\right|x)=\frac{P\left(y_i\right){\mathrm{\Π}}_{j=1}^{200}P\left(\right(a_j,{\mathrm{\ω}}_j)\left|y_i\right)}{P\left(x\right)},i=1,2,...,n,j=1,2,...,200;$

式中，x代表测试样本，j表示存在滑动窗口中的顺序，即每次采集的顺序；

y_i代表第i类运动类型，n代表n类运动类型；

P(y_i|x)是测试样本x属于第i类运动类型的条件概率；

a_j和ω_j分别代表测试样本x在滑动窗口acc[m]与angle[m]内的第j个合加速度与合角速度数据；举例来说，窗口总长度是200，代表这个样本中具有200个属性。

这个j如果是50，那么a_j就代表样本200个属性中第50个属性的加速度数据，而这个数据存放于acc[50]这个位置。ω_j就代表这个样本200个属性中第50个属性的角速度数据，而这个数据存放于angle[50]这个位置。a_j和ω_j共同组成属性向量(a_j,ω_j)，就代表样本的第50个属性为(a₅₀,ω₅₀)。

P(x)代表测试样本在所有训练样本中出现的概率，所有训练样本指所有合加速度和合角速度数据的数据库，P(x)为常数；

P(y_i)代表第i类运动类型在所有训练样本中出现的概率；

((a_j,ω_j)|y_i)代表在第i类运动类型训练样本的第j个属性中出现测试测试样本x的第j个属性(a_j,ω_j)的概率。

在计算条件概率P(y_i|x)的过程中，由于P(x)是常数，所以无需计算分母，仅完成分子计算即可；

找出条件概率的最大值，从而判断当前时刻的测试样本所属运动类型的公式为：

P(y_k|x)＝max{P(y_i|x)},i＝1,2,…,n

y_k代表测试样本最终的计算结果属于第k类运动类型。测试样本所属运动类型y_k可以为“跌倒”类型、“蹲下”类型、“站起”类型、“步行”类型等多种类型。

判断模块5与识别模块4相连，用于判断人体的运动类型是否为“跌倒”类型，当判断结果不属于“跌倒”类型时，则返回采集模块1重新进行数据采集，同时采样子模块4-2内的滑动窗口均移出一个数据重新进行计算；比如，第一次检测时，滑动窗口内的数据为1-200；第二次检测时滑动窗口的数据为2-201，依次类推；

通知模块6与判断模块5相连，当判断模块5的判断结果为“跌倒”类型时，通知模块6通过设置的报警方式通知设定的联系人；其中：通知模块6中设置的报警方式包括：监控终端向预设联系人号码拨打电话进行报警，或者监控终端向预设联系人号码发送含有用户位置信息的短信进行报警。

进一步，本实施例的三轴加速度传感器采用AnalogDevices公司的ADXL345，其测量范围是±16g；三轴陀螺仪采用InvenSense公司的ITG3200，其测量范围是±2000°/s；微处理器采用Atmel公司的ATmega168PA-AU；蓝牙模块采用CSR公司的BC04-B，其有效通讯距离为10米，波特率为115200bps；传感器采样频率为100Hz；若监控终端为智能手机，则智能手机运行Android4.0系统。

实施例2：如图3-5所示，本发明还提供了一种基于朴素贝叶斯算法的跌倒检测报警方法，包括：

步骤1、三轴加速度传感器和三轴陀螺仪以100次/每秒的采样频率分别实时采集人体活动中上躯干部位的三维加速度a_x、a_y、a_z数据和三维角速度ω_x、ω_y、ω_z数据；其中：a_x为沿x轴方向的加速度，a_y为沿y轴方向的加速度，a_z为沿z轴方向的加速度，ω_x为沿x轴方向的角速度，ω_y为沿y轴方向的角速度，ω_z为沿z轴方向的角速度，如图5所示。

步骤2、微处理器计算合加速度a与合角速度ω，其中：

步骤3、蓝牙设备传输合加速度a和合角速度ω数据到监控终端；

步骤4、监控终端通过朴素贝叶斯跌倒检测算法对人体活动状态分类识别，识别出人体的运动类型；其具体包括：

步骤401、接收人体活动中上躯干部位的合加速度与合角速度；

步骤402、建立合加速度数据滑动窗口，用acc[m]表示，窗口长度为m；建立合角速度数据滑动窗口，用angle[m]表示，窗口长度为m；窗口长度可以根据实际应用进行设置，本发明优选m＝200；以100次/每秒的采样频率接收初始化子模块中人体活动中上躯干部位的合加速度与合角速度并分别依次存入滑动窗口acc[200]和angle[200]中；

步骤403、判断滑动窗口acc[200]和angle[200]是否已经填满，没有填满则继续执行步骤402，否则执行步骤404；

步骤404、统计、计算测试样本属于各个运动类型的条件概率，测试样本指被测人体在活动中采集到的合加速度和合角速度数据；找出条件概率的最大值，判断当前时刻测试样本所属的运动类型；

其中：

式中，x代表测试样本，j表示存在滑动窗口中的顺序，即每次采集的顺序；

y_i代表第i类运动类型，n代表n类运动类型；

P(y_i|x)是测试样本x属于第i类运动类型的条件概率；

a_j和ω_j分别代表测试样本x在滑动窗口acc[m]与angle[m]内的第j个合加速度与合角速度数据，a_j和ω_j共同组成测试样本x的第j个属性(a_j,ω_j)；

P(x)代表测试样本在所有训练样本中出现的概率，所有训练样本指所有合加速度和合角速度数据的数据库，P(x)为常数；

P(y_i)代表第i类运动类型在所有训练样本中出现的概率；

P((a_j,ω_j)|y_i)代表在第i类运动类型训练样本的第j个属性中出现测试测试样本x的第j个属性(a_j,ω_j)的概率。

找出条件概率的最大值，判断当前时刻测试样本所属的运动类型的公式为：

P(y_k|x)＝max{P(y_i|x)},i＝1,2,…,n；

y_k代表测试样本最终的计算结果属于第k类运动类型。

步骤5、监控终端判断人体的运动类型是否为“跌倒”类型，若为“跌倒”类型则执行步骤6，否则执行步骤1；

步骤6、监控终端根据所设置的报警方式通知预设的联系人；其中：通知模块中设置的报警方式包括：监控终端向预设联系人号码拨打电话进行报警，或者监控终端向预设联系人号码发送含有用户位置信息的短信进行报警。

实施例3：本发明公开的基于朴素贝叶斯算法的跌倒检测报警系统及方法的具体原理在于：由于人体跌倒、蹲起、坐下等动作一般从开始到结束不会超过2秒，因此选取人体在跌倒、蹲起、坐下等动作发生2秒内合加速度与合角速度的波形，组成训练样本(即每个训练样本中包含合加速度与合角速度两个波形)，对系统实时采集到的数据波形进行对比，从而进行跌倒检测。

本发明中滑动窗口的意义在于，计算机无法对无穷而连续的数据进行处理，因此需要根据采样频率，采集2秒内的波形进行检测。由于采样时间固定为2秒，因此滑动窗口的长短与采样频率相关。当采样频率达到100次/秒的时候，滑动窗口长度为200，这就表示2秒内的波形被计算机分割为200个数据来描述，每一个数据都可以认为是波形的一个属性。当1个样本中包含多个波形时，可以令不同波形在同一时间的两个数据共同构成一个属性。所以，在本专利中，由于样本中同时存在合加速度波形与合角速度波形，所以每个样本的每个属性同时包含合加速度数据与合角速度数据。

朴素贝叶斯算法的核心思想在于通过计算测试样本每个属性出现在某一类别的概率，从而得出测试样本属于某一类别的条件概率，并找出条件概率最大的类别作为测试样本的所属类别；其具体计算过程为：

假设共有100个训练样本，分为“跌倒”类型、“站立”类型、“下蹲”类型、“上楼”类型、“下楼”类型共5个运动类型，每个类型均包括其中的20个训练样本。设样本采样频率为100秒/次，则滑动窗口长度为200。测试样本中包括200个合加速度a₁，a₂，…，a₂₀₀，200个合角速度数据ω₁，ω₂，…，ω₂₀₀，从而形成200个属性(a₁,ω₁)，(a₂,ω₂)，…，(a₂₀₀,ω₂₀₀)。

y_i代表5个运动类型中的第i类运动类型，i＝1、2、3、4、5，n＝5；

P(y_i)代表第i类运动类型在所有训练样本中出现的概率，由于每一类训练样本的数目均为20个，训练样本的总数为100，因此有：P(y₁)＝P(y₂)＝…＝P(y₅)＝1/5。

P(x)代表测试样本在所有训练样本中出现的概率，由于P(x)是贝叶斯计算公式的分母且为常数，所以可以不做计算。

a_j和ω_j分别代表测试样本x在滑动窗口acc[m]与angle[m]内的第j个合加速度与合角速度数据，a_j和ω_j共同组成测试样本x的第j个属性(a_j,ω_j)；

P((a_j,ω_j)|y_i)代表在第i类运动类型训练样本的第j个属性中出现测试测试样本x的第j个属性(a_j,ω_j)的概率。假设j＝1，跌倒为第1类运动，测试样本x的第1个属性中的数据为(10,20)，且跌倒类别中全部20个训练样本的第1个属性为(10,20)的概率为1/2，则P((a₁,ω₁)|y₁)＝1/2。以此类推，逐步求得测试样本全部200个属性出现在跌倒类别全体训练样本中的每一个概率并累计相乘，最后与P(y_i)相乘，便可获得测试样本属于跌倒类别的近似条件概率(之所以说是近似，是因为省略了公式中分母的计算)。

求得测试样本属于各个类别的近似条件概率后，通过对比便可知道测试样本最有可能属于哪一类别。

本发明公开的基于朴素贝叶斯算法的跌倒检测报警系统及方法，通过朴素贝叶斯跌倒检测算法对人体活动状态进行识别，通过朴素贝叶斯跌倒检测算法得到的波形进行跌倒检测，可以更准确地描述人体动作复杂的变化趋势，有效避免阈值法存在的误差；本发明检测准确率高、误报率低；具备通信功能，能够实时通知跌倒老人的亲属，确定跌倒位置；采用监控终端检测，方便小巧，便于携带；操作简单，检测方法没有受到环境和空间上的限制。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于朴素贝叶斯算法的跌倒检测报警系统，其特征在于，包括：采集模块、处理模块、传输模块、识别模块、判断模块和通知模块；

所述采集模块包括三轴加速度传感器和三轴陀螺仪，三轴加速度传感器和三轴陀螺仪以采样频率f分别实时采集人体活动中上躯干部位的三维加速度a_x、a_y、a_z数据和三维角速度数据；其中：a_x为沿x轴方向的加速度，a_y为沿y轴方向的加速度，a_z为沿z轴方向的加速度，为沿x轴方向的角速度，为沿y轴方向的角速度，为沿z轴方向的角速度；

所述处理模块与所述采集模块相连，用于计算合加速度a与合角速度其中：

所述识别模块通过所述传输模块与所述处理模块相连，用于接收合加速度数据和合角速度数据，并对人体活动状态进行分类识别，识别出人体的运动类型；所述运动类型包括：“跌倒”类型、“站立”类型、“下蹲”类型、“上楼”类型、“下楼”类型、“步行”类型中的一种或多种；

所述判断模块与所述识别模块相连，用于判断人体的运动类型是否为“跌倒”类型；

所述通知模块与所述判断模块相连，当判断模块的判断结果为“跌倒”类型时，通知模块通过设置的报警方式通知设定的联系人。

2.如权利要求1所述的基于朴素贝叶斯算法的跌倒检测报警系统，其特征在于，所述判断模块中，当判断结果不属于“跌倒”类型时，则返回采集模块重新进行数据采集。

3.如权利要求1所述的基于朴素贝叶斯算法的跌倒检测报警系统，其特征在于，所述识别模块包括：

初始化子模块，与所述传输模块相连；用于接收人体活动中上躯干部位的合加速度与合角速度；

采样子模块，与所述初始化子模块相连；采样子模块内建立合加速度数据滑动窗口，用acc[m]表示，窗口长度为m；建立合角速度数据滑动窗口，用angle[m]表示，窗口长度为m；用于以采样频率f接收初始化子模块中人体活动中上躯干部位的合加速度与合角速度并分别依次存入滑动窗口acc[m]和angle[m]中；

判定子模块，与所述采样子模块相连，用于判定滑动窗口acc[m]和angle[m]是否已经填满；若没有填满，则继续进行合加速度数据和合角速度数据采集；

计算子模块，与所述判定子模块相连；当滑动窗口acc[m]和angle[m]均已填满，则计算子模块用于统计、计算测试样本属于各个运动类型的条件概率，测试样本指被测人体在活动中采集到的合加速度和合角速度数据；找出条件概率的最大值，判断当前时刻测试样本所属的运动类型；

其中：

式中，x代表测试样本；

y_i代表第i类运动类型，n代表n类运动类型；

P(y_i|x)是测试样本x属于第i类运动类型的条件概率；

a_j和分别代表测试样本x在滑动窗口acc[m]与angle[m]内的第j个合加速度与合角速度数据，a_j和共同组成测试样本x的第j个属性

P(x)代表测试样本在所有训练样本中出现的概率，所有训练样本指所有合加速度和合角速度数据的数据库，P(x)为常数；

P(y_i)代表第i类运动类型在所有训练样本中出现的概率；

代表在第i类运动类型训练样本的第j个属性中出现测试测试样本x的第j个属性的概率。

4.如权利要求1所述的基于朴素贝叶斯算法的跌倒检测报警系统，其特征在于，所述处理模块为微处理器，所述传输模块为蓝牙设备。

5.如权利要求1所述的基于朴素贝叶斯算法的跌倒检测报警系统，其特征在于，所述通知模块中设置的报警方式包括：向预设联系人号码拨打电话进行报警，或者向预设联系人号码发送含有用户位置信息的短信进行报警。

6.一种监控终端，其特征在于，包含权利要求1-5任一项中的识别模块、判断模块、通知模块，所述识别模块、所述判断模块、所述通知模块依次相连。

7.一种如权利要求1-5任一项所述的基于朴素贝叶斯算法的跌倒检测报警系统的报警方法，其特征在于，包括：

步骤1、采集模块中的三轴加速度传感器和三轴陀螺仪以采样频率f分别实时采集人体活动中上躯干部位的三维加速度a_x、a_y、a_z数据和三维角速度 数据；其中：a_x为沿x轴方向的加速度，a_y为沿y轴方向的加速度，a_z为沿z轴方向的加速度，为沿x轴方向的角速度，为沿y轴方向的角速度，为沿z轴方向的角速度；

步骤2、处理模块计算合加速度a与合角速度其中：

步骤3、传输模块传输合加速度a和合角速度数据到识别模块；

步骤4、识别模块通过朴素贝叶斯跌倒检测算法对人体活动状态分类识别，识别出人体的运动类型；

步骤5、判断模块判断人体的运动类型是否为“跌倒”类型，若为“跌倒”类型则执行步骤6，否则执行步骤1；

步骤6、通知模块根据所设置的报警方式通知预设的联系人。

8.如权利要求7所述的基于朴素贝叶斯算法的跌倒检测报警方法，其特征在于，所述步骤4包括：

步骤401、接收人体活动中上躯干部位的合加速度与合角速度；

步骤402、建立合加速度数据滑动窗口，用acc[m]表示，窗口长度为m；建立合角速度数据滑动窗口，用angle[m]表示，窗口长度为m；以采样频率f接收人体活动中上躯干部位的合加速度与合角速度并分别依次存入滑动窗口acc[m]和angle[m]中；

步骤403、判断滑动窗口acc[m]和angle[m]是否已经填满，没有填满则继续执行步骤402，否则执行步骤404；

步骤404、统计、计算测试样本属于各个运动类型的条件概率，测试样本指被测人体在活动中采集到的合加速度和合角速度数据；找出条件概率的最大值，判断当前时刻测试样本所属的运动类型；

其中：

式中，x代表测试样本；

y_i代表第i类运动类型，n代表n类运动类型；

P(y_i|x)是测试样本x属于第i类运动类型的条件概率；

a_j和分别代表测试样本x在滑动窗口acc[m]与angle[m]内的第j个合加速度与合角速度数据，a_j和共同组成测试样本x的第j个属性

P(x)代表测试样本在所有训练样本中出现的概率，所有训练样本指所有合加速度和合角速度数据的数据库，P(x)为常数；

P(y_i)代表第i类运动类型在所有训练样本中出现的概率；

代表在第i类运动类型训练样本的第j个属性中出现测试测试样本x的第j个属性的概率。

9.如权利要求8所述的基于朴素贝叶斯算法的跌倒检测报警方法，其特征在于，所述步骤404中找出条件概率的最大值，判断当前时刻测试样本所属的运动类型的公式为：

P(y_k|x)＝max{P(y_i|x)},i＝1,2,…,n；

y_k代表测试样本最终的计算结果属于第k类运动类型。

10.如权利要求7所述的基于朴素贝叶斯算法的跌倒检测报警方法，其特征在于，所述步骤6中设置的报警方式包括：向预设联系人号码拨打电话进行报警，或者向预设联系人号码发送含有用户位置信息的短信进行报警。