CN105708470A - 基于多普勒探测器与传感器联合的跌倒检测系统和方法 - Google Patents

Abstract

本发明公开了一种基于多普勒探测器与传感器联合的跌倒检测系统和方法，包括：传感器检测装置、多普勒探测装置和远端服务器；传感器检测装置与多普勒探测装置通信，多普勒探测装置与远端服务器通信；传感器检测装置用于采集用户的运动方向及在该方向上的加速度值和倾斜角度数据并传送至多普勒探测装置，多普勒探测装置用于检测用户的生命体征数据，并判断生命体征数据是否正常，同时，判断接收到的用户加速度值和倾斜角度数据是否超过设定阈值；根据上述判断结果，利用机器学习的方法确定用户是否跌倒；本发明实现了生理信息的监测及精确有效地判别跌倒检测，降低了佩戴传感器的硬件要求。

Description

基于多普勒探测器与传感器联合的跌倒检测系统和方法

技术领域

本发明属于家庭健康监控技术领域，尤其涉及一种基于多普勒探测器与传感器联合使用的跌倒检测系统和方法。

背景技术

随着人口老龄化，空巢老人数量逐渐居多，家庭健康安全监护得到了广泛地关注。其中，跌倒现象给老年人带来极大的伤害，尤其是跌倒后产生的一系列影响(如瘫痪等)，对其整个家庭带来负担，严重影响老年人的身心健康。因此精确而有效地跌倒检测和实时报警，能减少医疗资源的占用，有效地预防老人跌倒，对整个家庭和社会有着深远的意义。

目前家庭安全健康监护有基于视频监控的，但是视频监控的成本比较大，并且涉及老年人个人隐私；基于声频的监测的装置，由于生活中的噪声比较多，干扰比较大，不利于检测；随着微电子的速度发展，基于可穿戴设备的研究近年来变成热门。很多研究利用加速度计或陀螺仪，通过阈值法或是机器学习的方法进行检测跌倒，其检测精确度不是很高，如果使用复杂的算法对硬件的要求又比较大。此外，在家庭安全健康监测中，用户的生理数据采集对于日常健康监护非常有参考价值，但我们没有办法从静态的健康数据中直接地判断老年人摔倒。

随着生物特征识别技术的发展，非接触式的探测技术逐渐被引入家庭健康安全监测中，通过非接触的方式探测由于人体呼吸心跳所引起的多普勒频移信号，获取生命体征信号，从而监测用户健康安全。

上述的各种监测系统，各有利弊，例如视频监控涉及隐私，使用范围不是很大；声频监控干扰大，精确度低；传统的传感器监测缺少生命体征数据。因此针对上述系统中的不足，需要一种既能监测用户日常生理特征，又能精确而高效地检测用户跌倒并提供实时报警的装置。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于多普勒探测器与传感器联合的跌倒检测系统和方法，该系统及方法适合用于家庭健康安全监控，并且能够获取用户的生命体征信号，通过接触式传感器测量和非接触式多普勒探测两种方式结合，对老人的跌倒行为做出精准地判断与实时地报警。

为了实现上述目的，本发明采用如下技术方案：

一种基于多普勒探测器和传感器联合的跌倒检测系统，包括：传感器检测装置、多普勒探测装置和远端服务器；

所述传感器检测装置与多普勒探测装置通信，所述多普勒探测装置与远端服务器通信；

所述传感器检测装置用于采集用户的运动方向及在该方向上的加速度值和倾斜角度数据并传送至多普勒探测装置，所述多普勒探测装置用于检测用户的生命体征数据，并判断生命体征数据是否正常，同时，判断接收到的用户加速度值和倾斜角度数据是否超过设定阈值；根据上述判断结果，利用机器学习的方法确定用户是否跌倒；

所述多普勒探测装置将上述用户的生命体征数据、用户的运动方向及在该方向上的加速度值和倾斜角度数据以及用户是否跌倒的数据传送至远端服务器。

所述传感器检测装置包括：三轴加速度计、三轴陀螺仪、三轴磁力计、第一主控单元和第一无线传输单元；所述第一主控单元分别与三轴加速度计、三轴陀螺仪、三轴磁力计和第一无线传输单元连接；所述第一主控单元通过第一无线传输单元接收到多普勒探测装置发送的信号，确定传感器检测装置是否开启监测模式；所述第一主控单元通过第一无线传输单元将三轴加速度计、三轴陀螺仪和三轴磁力计的数据传送至多普勒探测装置。

所述多普勒探测装置包括：多普勒收发单元、第二无线传输单元、信号处理单元、第二主控单元和报警单元；所述第二主控单元分别与多普勒收发单元、信号处理单元和报警单元连接，信号处理单元与第二无线传输单元连接。

所述多普勒收发单元向用户发射电磁波信号并接收经人体呼吸和心脏跳动引起的回波信号，通过信号处理单元得到带有呼吸和心率的生命体征数据；第二主控单元根据多普勒收发单元获得的数据，利用多普勒频移原理判断是否有人进来，如果有人进来，则开启监测装置；

第二主控单元接收传感器检测装置发来的确认用户的运动方向及在该方向上的加速度值和倾斜角度数据，判断用户的运动方向，用户的加速度值及在用户运动方向上的倾斜角度，同时判断生命体征数据是否正常；根据上述判断结果确认其是否发生可能跌倒，接着在此基础上利用机器学习的方法判断用户是否的确发生跌倒。

所述第二主控单元判断出用户跌倒后，报警单元触发，发出报警信号并将信号传送至远端服务器。

一种基于多普勒探测器和传感器联合的跌倒检测系统的方法，包括以下步骤：

步骤(1)：利用多普勒频移的原理，发射电磁波测量信号，当测量信号经过人体胸腔，由于呼吸和心脏跳动会产生回波；

步骤(2)：回波信号经过多普勒探测装置的解调得到生命体征信息，所述生命体征信息通过分离得到人体的呼吸和心率信号；

步骤(3)：系统探测到呼吸和心率信号，向传感器检测装置发送指令，开启监测模式，实时接收传感器检测装置检测到的人体实时运动数据；

步骤(4)：将传感器检测装置检测到的人体实时运动数据和呼吸心率信号发送给远端服务器，并保存在相应的数据库中；

步骤(5)：多普勒探测装置的主控单元判断用户是否发生跌倒，如果发生跌倒，启动报警装置，并向远端服务器发送报警命令。

远端服务器接收到报警命令后，向设定监护人的移动终端发送报警信号。

多普勒探测装置的主控单元判断用户是否发生跌倒的方法具体为：

1)参数初始化，分别设定加速度，陀螺仪旋转角度，磁力计值的阈值，设定用户的呼吸心率的正常范围；

2)处理传感器检测装置发送的用户的运动方向及在该方向上的加速度值和倾斜角度数据和用户的生命体征数据，去除干扰的噪声；

3)判断用户的加速度，在运动方向上的倾斜角度，及竖值位置的变化是否超出阈值，上述数据中如果各项数据都超过阈值，执行步骤4)，如果有一项没有超过阈值，返回步骤2)；

4)判断用户的呼吸和心率信号是否正常，若正常，执行步骤5)，若不正常，执行步骤10)；

5)判断为用户发生可能跌倒，并对加速度值，陀螺仪值，磁力计值计算，进行特征向量提取；

6)检查是否存在该用户的行为模型，判断是否需要进行模型训练，若没有该用户的行为模型，则需要训练模型，执行步骤7)；若确定已经存在用户的行为模型，执行步骤8)；

7)分类训练各种行为模型，包括：走路，慢跑，坐，躺，上楼，下楼，坐立，走停；利用支持向量机作为分类器，选用径向基函数作为核函数，把输入的数据映射到高维空间中，得到各种行为模型的参数，再执行步骤8)；

8)根据得到的各种行为模型的参数，构建线性分类器f(x)；

9)将步骤5)中得到的特征向量作为输入，利用步骤8)得到的线性分类器，进行分类判别，若f(x)＜0，表示识别对象处于w_-1状态；若f(x)≥0，表示识别对象处于w₊₁状态；

10)判断是否摔倒，根据步骤9)中识别对象的状态判断，若状态为w₊₁，判断得出用户跌倒，执行步骤11)，若状态为w_-1，判断得出用户没有发生跌倒，返回步骤2)；

11)跌倒报警，向远端服务器发出报警信号。

所述步骤5)中，在三轴加速度计、三轴陀螺仪和三轴磁力计传感器信号中，选择设定时长的滑动窗口，提取的特征向量具体为：

T＝{SMV,SMA,θ,E,AI,VI,MaxMin_y,MaxMin_z}；

其中，SMV为合加速度的峰值；SMA为加速度信号幅度变化区域；θ为身体的倾斜角度；E为合加速度的能量；AI为合加速度的均值；VI为合加速度的方差；MaxMin_y为三轴陀螺仪值经巴特沃斯滤波器滤波后的水平方向角度变化范围；MaxMin_z为三轴陀螺仪值经巴特沃斯滤波器滤波后的垂直方向角度变化的范围。

所述步骤8)中，构建的线性分类器f(x)具体为：

$f\left(x\right)=sgn\left(\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i{y}_{i}K\left(x_i,x\right)+b\right);$

其中，x_i为特征向量；α_i为与x_i对应的拉格朗日乘子；b为常量；K(x_i,x)为非线性映射对应的核函数；y_i为类别标签；N为训练样本的个数。

本发明的有益效果：

1.本发明采用多普勒探测和传感器结合使用的方法，对用户进行实时地监测。

2.本发明通过使用加速度计，陀螺仪，磁力计三种传感器数据和多普勒探测的生命体征数据进行跌倒检测，提高检测精度。

3.本发明通过非接触式多普勒探测获取生命体征信号，并将其存入数据库，作为家庭健康安全的一部分。

4.本发明具有良好的稳定性，佩戴传感器的硬件要求小，跌倒检测的判别精度高等优点。

附图说明

图1为本发明的系统在房间的应用示意图；

图2为整个跌倒检测系统结构的原理框图；

图3为回波信号解调原理图；

图4为整个跌倒检测系统的流程图；

图5跌倒检测算法的流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，图为跌倒监测系统在某一家庭房间中的应用示意图，在房间的一角放置A装置(多普勒探测装置)，用户在腰上佩戴B装置(传感器检测装置)，A装置和B装置之间通过无线传输模块进行连接，A装置利用多普勒频移检测用户是否进入房间，当检测到用户进入房间后，开启A装置和B装置同时监测模式，B装置通过加速度计，陀螺仪，磁力计监测用户行为的变化，通过无线模块把传感器数据发送到A装置，A装置接收B装置发送来的数据，结合通过多普勒收发前端获取的生命体征数据，判断用户是否跌倒，如果检测发生跌倒则启动报警，并监护人发送报警信息。

如图2所示，图为整个跌倒检测系统的结构框图，整个系统有三部分组成，A：多普勒探测装置，B传感器检测装置，C远端设备。传感器检测装置与多普勒探测装置通信，多普勒探测装置与远端服务器通信。

在A装置中，包括主控单元，信号处理单元，无线传输单元，报警单元，多普勒收发前端和电源系统。

多普勒收发前端用于发射探测信号及接收经用户胸腔散射回来的信号，由于人体心脏跳动和呼吸会引起多普勒频移，所以散射回来的信号通过接收部分的解调处理，如图3所示，回波信号被接收器接收，经过低噪声放大后，由混频器变成零中频的多普雷回波信号，再通过滤波，放大及模数转换，送到信号处理单元；信号处理单元通过滤波，FFT变换，分离处呼吸和心率信号；可以得到带有呼吸和心脏跳动信息的信号，然后给主控单元发出信息，开启监测模式。

无线传输单元用于接收B装置发射的信号及向服务器发射用户的生命体征数据及传感器数据，当检测到用户摔倒时，会收到主控单元的报警命令并发送给服务器，让服务器向监护人手机发送报警消息。

信号处理单元用于处理来自多普勒收发前端传来的生命体征信号，分离出用户的呼吸和心率，同时处理传感器检测装置发来的数据，然后向主控单元发送处理完的传感器数据和非接触的生命体征数据。

主控单元分别连接信号处理单元，无线传输单元，报警单元及多普勒收发前端，主控单元根据多普勒收发前端发来的信息，开启监测模式，接收传感器检测装置发来的数据，通过传感器检测装置采集的数据确认用户的运动方向及在该方向上的加速度值和倾斜角度，并结合多普勒探测得到的生命体征数据(呼吸和心率)，监测用户的行为，对用户的行为作出判断，检测是否发生跌倒，如果检测出用户发生跌倒，向报警单元发出报警命令，并通过无线传输单元告知服务器且有服务器将报警信息发送至监护人手机。

报警单元连接主控单元，用于发出报警信号，当用户跌倒了，主控单元判断并得到报警消息，触发报警单元，发出报警(鸣笛声，用于提醒周围的人)并触发无线传输单元通知服务器向监护人手机发出报警信息。

在B装置中，包括一个三轴加速度计，一个三轴的陀螺仪，一个三轴的磁力计，主控单元，无线传输单元。

三轴加速度计用于检测用户在XYZ三个方向上的加速度大小；三轴陀螺仪用于检测用户在XYZ三个方向上的倾斜角度；三轴磁力计用于检测用户的运动方向。

主控单元分别连接三轴加速度计，三轴的陀螺仪，三轴的磁力计，无线传输单元。主控单元根据无线传输单元收到从多普勒装置发送来的信号，开启监测模式，从而把三个加速度计，陀螺仪，磁力计传感器的数据发送给A装置(多普勒装置。)

在C单元中，服务器和监护人手机，服务器用于接收传感器数据和多普勒探测的生命体征数据，当接收到报警信息时，向监护人手机发送报警消息。监护人手机接收报警消息，及时采取措施救护跌倒的老人。

在上述跌倒检测的系统上，本发明还提供了一种跌倒检测的方法。

如图4所示，该方法包括如下步骤：

步骤1A装置利用多普勒频移的原理，发射电磁波测量信号，当测量信号遇到用户胸腔，由于人体心脏的跳动，产生回波信号；

步骤2回波信号经过A装置的多普勒收发单元中的解调电路，经过低噪声放大后，由混频器变成零中频的多普勒回波信号，再通过滤波，放大及模数转换，解调得到带有人体呼吸和心率的生命体征信号，并送入信号处理单元进行分离，信号处理单元通过滤波，FFT变换，得到人体的呼吸和心率信号；

步骤3根据得到的用户呼吸和心率信号，判断是否有人进来，如果没有人进来，执行步骤1，若有人进来，执行步骤4；

步骤4向A装置的主控单元发送信息，开启监测模式；

步骤5A装置监测用户的呼吸和心率，B装置监测加速度计，陀螺仪，磁力计的传感器数据并通过无线传输单元发送给A装置；

步骤6A装置把用户的生命体征数据和传感器数据通过无线传输单元发送到远端服务器，同时主控单元判断是否跌倒，若判断出用户没有跌倒，返回到步骤5，若判断出用户跌倒，执行步骤7；

步骤7触发报警单元，发出报警(鸣笛，提醒家庭里的其他成员)，并将报警信息传至服务器，执行步骤8；

步骤8服务器判断是否收到报警信息，若没有收到报警信息，返回步骤6；若收到报警信息，执行步骤9；

步骤9服务器向监护人发送报警信息。

所述的步骤6中，判断跌倒这步骤中使用了机器学习，传感器数据阈值判断和生命体征数据判断相结合的跌倒检测算法。

如图5所示，跌倒判断还包括以下步骤：

多普勒探测装置的主控单元判断用户是否发生跌倒的方法具体为：

1)参数初始化，分别设定加速度，陀螺仪旋转角度，磁力计值的阈值，设定用户的呼吸心率的正常范围；

2)处理传感器检测装置发送的用户的运动方向及在该方向上的加速度值和倾斜角度数据和用户的生命体征数据，去除干扰的噪声；

3)判断用户的加速度，在运动方向上的倾斜角度，及竖值位置的变化是否超出阈值，上述数据中如果各项数据都超过阈值，执行步骤4)，如果有一项没有超过阈值，返回步骤2)；

4)判断用户的呼吸和心率是否正常，若正常，执行步骤5)，若不正常，执行步骤10)；

5)判断为用户发生可能跌倒，并对加速度值，陀螺仪值，磁力计值计算，进行特征提取；在九轴传感器信号中，选择4s时长的滑动窗口，并以2s为重叠，截取出九轴的传感器信号；并计算以下特征：

合加速度的峰值 $SMV\[n\]=\sqrt{x{\[n\]}^2+y{\[n\]}^2+z{\[n\]}^2};$

加速度信号幅度变化区域 $SMA\[n\]=\frac{1}{N}\left(\underset{i=n}{\overset{n-N+1}{\Σ}}\right|x\[i\]|+\underset{i=n}{\overset{n-N+1}{\Σ}}|y\[i\]|+\underset{i=n}{\overset{n-N+1}{\Σ}}|z\[i\]\left|\right);$

身体的倾斜角度 $\mathrm{\θ}\left(n\right)={\tan }^{-1}\left(\frac{A_{z\left(n\right)}}{g}\right)\×\frac{180}{\mathrm{\π}};$

合加速度的能量 $E=\∫\left|s\left(t\right)\right|dt=\∫\left|s\left(\mathrm{\ω}\right)\right|d\mathrm{\ω}=\∫\∫P(t,\mathrm{\ω})d\mathrm{\ω}dt;$

合加速度的均值AI: $AI=\frac{1}{T}\left(\underset{i=1}{\overset{T}{\Σ}}SMV\left(t\right)\right);$

合加速度的方差VI: $VI=\frac{1}{T}\left(\underset{t=1}{\overset{T}{\Σ}}{\left(SMV\left(t\right)-AI\right)}^2\right);$

三轴陀螺仪值经巴特沃斯滤波器滤波后的水平方向角度变化范围MaxMin_y＝max(y_dc)-min(y_dc)；

三轴陀螺仪值经巴特沃斯滤波器滤波后的垂直方向角度变化的范围MaxMin_z＝max(z_dc)-min(z_dc)；

其中，n为采样时刻、N为滑动窗口内采样数、T为滑动窗口的大小、x[n]为加速度计x轴的值、y[n]为加速度计y轴的值、z[n]为加速度计z轴的值、A_z(n)为加速度计z轴的n时刻的采样值、g为重力加速度的值，即9.8m/s²、s(t)为滑动窗口内的合加速度信号、s(ω)为s(t)的傅里叶变换后的信号、P(t,ω)为时频的联合分布信号、max(y_dc)和min(y_dc)分别为三轴陀螺仪经过巴特沃斯滤波后的y轴方向的最大值和最小值、max(z_dc)和min(z_dc)分别为三轴陀螺仪经过巴特沃斯滤波后的z轴方向的最大值和最小值；

这些特征构成的特征向量为T＝{SMV,SMA,θ,E,AI,VI,MaxMin_y,MaxMin_z}。

6)检查是否存在该用户的行为模型，判断是否需要进行模型训练，若没有该用户的行为模型，则需要训练模型，执行步骤7)；若确定已经存在用户的行为模型，执行步骤8)；

7)分类训练各种行为模型，包括走路，慢跑，坐，躺，上楼，下楼，坐立，走停。利用支持向量机(SVM)作为分类器，其中分类超平面表示为f(x)＝wx+b，即满足如下的约束条件： $\left\{\begin{array}{c}min\frac{\left|\right|w|{|}^2}{2}+C\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\ξ}}_i\\ y_i(wx+b)\≥1-{\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i\≥0,i=1,...n\end{array}\right.,$ 式中，w为特征空间中分类超平面的系数向量；b为分类面的阈值；ξ_i为考虑分类误差而引入的松弛因子；C为对于错分样本的惩罚因子。

本模型中选用的核函数为径向基函数把输入的数据映射到高维空间中，低维线性不可分问题变成高维线性可分问题，得到每种行为模型的高维函数，再执行步骤8)；

8)根据得到的各种行为模型的参数，生成的线性分类器为其中，x_i为特征向量；α_i为与x_i对应的拉格朗日乘子；b为常量；K(x_i,x)为非线性映射对应的核函数；构建出分类器；y_i为类别标签；N为训练样本的个数；

9)将步骤5)中得到的特征向量作为输入，利用步骤8)得到的分类器，进行分类判别，若f(x)＜0，表示识别对象处于w_-1状态；若f(x)≥0，表示识别对象处于w₊₁状态；

10)判断是否摔倒，根据步骤9)中对象的状态判断，若状态为w₊₁，判断得出用户跌倒，执行步骤11)，若状态为w_-1判断得出用户没有发生跌倒，返回步骤2)；

11)跌倒报警，向远端服务器发出报警信号。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于多普勒探测器和传感器联合的跌倒检测系统，其特征是，包括：传感器检测装置、多普勒探测装置和远端服务器；

所述传感器检测装置与多普勒探测装置通信，所述多普勒探测装置与远端服务器通信；

所述传感器检测装置用于采集用户的运动方向及在该方向上的加速度值和倾斜角度数据并传送至多普勒探测装置，所述多普勒探测装置用于检测用户的生命体征数据，并判断生命体征数据是否正常，同时，判断接收到的用户加速度值和倾斜角度数据是否超过设定阈值；根据上述判断结果，利用机器学习的方法确定用户是否跌倒；

所述多普勒探测装置用于将上述用户的生命体征数据、用户的运动方向及在该方向上的加速度值和倾斜角度数据以及用户是否跌倒的数据传送至远端服务器。

2.如权利要求1所述的一种基于多普勒探测器和传感器联合的跌倒检测系统，其特征是，所述传感器检测装置包括：三轴加速度计、三轴陀螺仪、三轴磁力计、第一主控单元和第一无线传输单元；所述第一主控单元分别与三轴加速度计、三轴陀螺仪、三轴磁力计和第一无线传输单元连接；所述第一主控单元通过第一无线传输单元接收到多普勒探测装置发送的信号，确定传感器检测装置是否开启监测模式；所述第一主控单元通过第一无线传输单元将三轴加速度计、三轴陀螺仪和三轴磁力计的数据传送至多普勒探测装置。

3.如权利要求1所述的一种基于多普勒探测器和传感器联合的跌倒检测系统，其特征是，所述多普勒探测装置包括：多普勒收发单元、第二无线传输单元、信号处理单元、第二主控单元和报警单元；所述第二主控单元分别与多普勒收发单元、信号处理单元和报警单元连接，信号处理单元与第二无线传输单元连接。

4.如权利要求3所述的一种基于多普勒探测器和传感器联合的跌倒检测系统，其特征是，所述多普勒收发单元向用户发射电磁波信号并接收经人体呼吸和心脏跳动引起的回波信号，通过信号处理单元得到带有呼吸和心率的生命体征数据；第二主控单元根据多普勒收发单元获得的数据，利用多普勒频移原理判断是否有人进来，如果有人进来，则开启监测装置；

第二主控单元接收传感器检测装置发来的确认用户的运动方向及在该方向上的加速度值和倾斜角度数据，判断用户的运动方向，用户的加速度值及在用户运动方向上的倾斜角度，同时判断生命体征数据是否正常；根据上述判断结果确认其是否发生可能跌倒，接着在此基础上利用机器学习的方法判断用户是否的确发生跌倒。

5.如权利要求3所述的一种基于多普勒探测器和传感器联合的跌倒检测系统，其特征是，所述第二主控单元判断出用户跌倒后，报警单元触发，发出报警信号并将信号传送至远端服务器。

6.一种如权利要求1-5所述的任一基于多普勒探测器和传感器联合的跌倒检测系统的方法，其特征是，包括以下步骤：

步骤(1)：利用多普勒频移的原理，发射电磁波测量信号，当测量信号经过人体胸腔，由于呼吸和心脏跳动会产生回波；

步骤(2)：回波信号经过多普勒探测装置的解调得到生命体征信息，所述生命体征信息通过分离得到人体的呼吸和心率信号；

步骤(3)：系统探测到呼吸和心率信号，向传感器检测装置发送指令，开启监测模式，实时接收传感器检测装置检测到的人体实时运动数据；

步骤(4)：将人体实时运动数据和呼吸心率信号发送给远端服务器，并保存在相应的数据库中；

步骤(5)：多普勒探测装置的主控单元判断用户是否发生跌倒，如果发生跌倒，启动报警装置，并向远端服务器发送报警命令。

7.如权利要求6所述的基于多普勒探测器和传感器联合的跌倒检测系统的方法，其特征是，远端服务器接收到报警命令后，向设定监护人的移动终端发送报警信号。

8.如权利要求6所述的基于多普勒探测器和传感器联合的跌倒检测系统的方法，其特征是，多普勒探测装置的主控单元判断用户是否发生跌倒的方法具体为：

1)参数初始化，分别设定加速度，陀螺仪旋转角度，磁力计值的阈值，设定用户的呼吸心率的正常范围；

2)处理传感器检测装置发送的用户的运动方向及在该方向上的加速度值和倾斜角度数据和用户的生命体征数据，去除干扰的噪声；

3)判断用户的加速度，在运动方向上的倾斜角度，及竖值位置的变化是否超出阈值，上述数据中如果各项数据都超过阈值，执行步骤4)，如果有一项没有超过阈值，返回步骤2)；

4)判断用户的呼吸和心率信号是否正常，若正常，执行步骤5)，若不正常，执行步骤10)；

5)判断为用户发生可能跌倒，并对加速度值，陀螺仪值，磁力计值计算，进行特征向量提取；

6)检查是否存在该用户的行为模型，判断是否需要进行模型训练，若没有该用户的行为模型，则需要训练模型，执行步骤7)；若确定已经存在用户的行为模型，执行步骤8)；

7)分类训练各种行为模型，包括：走路，慢跑，坐，躺，上楼，下楼，坐立，走停；利用支持向量机作为分类器，选用径向基函数作为核函数，把输入的数据映射到高维空间中，得到各种行为模型的参数，再执行步骤8)；

8)根据得到的各种行为模型的参数，构建线性分类器f(x)；

9)将步骤5)中得到的特征向量作为输入，利用步骤8)得到的线性分类器，进行分类判别，若f(x)＜0，表示识别对象处于w_-1状态；若f(x)≥0，表示识别对象处于w₊₁状态；

10)判断是否摔倒，根据步骤9)中识别对象的状态判断，若状态为w₊₁，判断得出用户跌倒，执行步骤11)，若状态为w_-1，判断得出用户没有发生跌倒，返回步骤2)；

11)跌倒报警，向远端服务器发出报警信号。

9.如权利要求8所述的基于多普勒探测器和传感器联合的跌倒检测系统的方法，其特征是，所述步骤5)中，在三轴加速度计、三轴陀螺仪和三轴磁力计传感器信号中，选择设定时长的滑动窗口，提取的特征向量具体为：

T＝{SMV,SMA,θ,E,AI,VI,MaxMin_y,MaxMin_z}；

其中，SMV为合加速度的峰值；SMA为加速度信号幅度变化区域；θ为身体的倾斜角度；E为合加速度的能量；AI为合加速度的均值；VI为合加速度的方差；MaxMin_y为三轴陀螺仪值经巴特沃斯滤波器滤波后的水平方向角度变化范围；MaxMin_z为三轴陀螺仪值经巴特沃斯滤波器滤波后的垂直方向角度变化的范围。

10.如权利要求8所述的基于多普勒探测器和传感器联合的跌倒检测系统的方法，其特征是，所述步骤8)中，构建的线性分类器f(x)具体为：

$f\left(x\right)=sgn\left(\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i{y}_{i}K\left(x_i,x\right)+b\right);$

其中，x_i为特征向量；α_i为与x_i对应的拉格朗日乘子；b为常量；K(x_i,x)为非线性映射对应的核函数；y_i为类别标签；N为训练样本的个数。