CN106037749A

CN106037749A - 一种基于智能手机和可穿戴式设备的老年人跌倒监测方法

Info

Publication number: CN106037749A
Application number: CN201610330717.1A
Authority: CN
Inventors: 崔晓晖; 王志波; 寇静雅
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2016-05-18
Filing date: 2016-05-18
Publication date: 2016-10-26

Abstract

本发明公开了一种基于智能手机和可穿戴式设备的老年人跌倒监测方法，通过可穿戴式设备对用户的心率数据进行全天候不间断监测，并通过蓝牙短距离通信技术自动传输到智能手机端分析处理；通过智能手机内置的加速度传感器和陀螺仪来采集反映人体主要运动姿态变化的信号数据、位置数据，使用人体运动加速度信号向量模阈值法识别区分低强度日常生活活动，对于不能识别的较高强度日常生活活动，则通过人体运动角加速度信号向量模数据进一步处理得到的新特征量来判别；从而实现对老年人日常行为进行监测并对跌倒情况进行监测报警。

Description

一种基于智能手机和可穿戴式设备的老年人跌倒监测方法

技术领域

本发明属于人体行为监测技术领域，具体涉及一种基于智能手机和可穿戴式设备的跌倒监测方法。

背景技术

随着我国进入老龄化社会，老年人突然疾病成为了人们日益关注的问题。针对医疗行业的现状，很难在在老年人出现健康隐患的情况下，对老年人健康情况进行及时监测，在老年人发生跌倒情况下发出警报。跌倒是导致老年人伤残甚至死亡的最重要原因之一，跌倒检测装置可以进行跌倒识别并快速报警，使用户及时得到医疗救助降低跌倒对身体的伤害。

随着智能手机普及、可穿戴设备兴起、云计算和大数据技术的快速发展，使利用穿戴设备和智能手机实现对个人健康状况的远程监测成为可能。

现有技术中利用移动手机内置的加速度传感器和陀螺仪采集数据，根据采集到数据提取加速度及角加速度特征的算法来检测跌倒。但是由于一些较高强度日常活动如慢跑、快速坐下等也会产生一个类似跌倒的大加速度值特征，因此，单独使用加速度传感器进行跌倒检测采集的数据比较单一，不足以完全反应人体姿态变化会给跌倒检测带来许多假警报。

发明内容

为了解决上述技术问题，本专利提出了一种基于信号向量模和特征量T相结合的跌倒检测方法，该方法同时利用加速度传感器和陀螺仪监测人体姿态变化，在经过陀螺仪和传感器鉴定后，通过心率再次判别，有效减少了跌倒检测误差。

本发明所采用的技术方案是：一种基于智能手机和可穿戴式设备的老年人跌倒监测方法，其特征在于：通过可穿戴式设备对用户的心率数据进行全天候不间断监测，并通过蓝牙短距离通信技术自动传输到智能手机端分析处理；通过智能手机内置的加速度传感器和陀螺仪来采集反映人体主要运动姿态变化的信号数据、位置数据，使用人体运动加速度信号向量模阈值法识别区分低强度日常生活活动，对于不能识别的较高强度日常生活活动，则通过人体运动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；从而实现对老年人日常行为进行监测并对跌倒情况进行监测报警。

作为优选，所述通过可穿戴式设备对用户的心率数据进行全天候不间断监测，是利用MIO手环对用户的心率数据进行全天候不间断监测，获得用户静息心率、心率最高值HBwh、心率最高值HBwl，对用户的异常心率就行监测，判断老人是否发生跌倒事件。

作为优选，所述异常心率包括心动过速与心动过缓两类；所述心动过速包括小幅心动过速和大幅心动过速，所述小幅心动过速是指连续3分钟非运动状态下，用户平均心率高于100bpm或超出静息心率20bpm以上，但低于150bpm；所述大幅心动过速是指用户在非运动状态下连续5秒心率达到150bpm以上或超出静息心率70bpm；所述心动过缓是指对于清醒且非运动状态下的用户出现30秒平均心率低于静息心率25％以上且小于55bpm，在睡眠状态下心率低于静息心率35％且低于45bpm。

作为优选，所述人体主要运动姿态变化的信号数据包括躺下信号数据、步行信号数据、坐下信号数据、起立信号数据、上楼梯信号数据、下楼梯信号数据、慢跑信号数据、蹲下信号数据。

作为优选，所述对用户的异常心率就行监测来判断老人是否发生跌倒事件，其具体实现包括以下步骤：

步骤1：智能手机监测人体运动加速度信号向量模SVM_A数值的变化，如果人体运动加速度信号向量模SVM_A大于人体运动加速度信号向量模阈值SVM_AT，进入下一步；

步骤2：等待人体运动加速度信号向量模SVM_A数值恢复到正常范围内，再设置延时10s，等待用户稳定，进入下一步；

步骤3：角速度数据分析，如果人体运动角加速度信号向量模SVM_W大于人体运动角加速度信号向量模阈值SVM_WT，进入下一步；

步骤4：分析跌倒和慢跑运动过程合角度变化曲线，对人体运动角加速度信号向量模SVM_W数据公式化处理得到特征值T，如果T大于阀值Tt，进行心率监测；其中特征值T反映的是跌倒和慢跑运动过程合角度变化曲线与各自线性拟合曲线的相似度，T值越小相似度越高；

步骤5：判断用户心率是否发生变化；

如果用户心率未发生变化，则是由意外原因导致智能手机跌落；

如果用户心率发生变化，但未超过心率阈值HBw,则弹出是否取消报警信息，等待用户操作，若用户未进行操作，则确认跌倒，发出报警信息；如果超出心率阈值HBw，则确认跌倒，发出报警信息。

作为优选，所述人体运动加速度信号向量模SVM_A及人体运动角加速度信号向量模SVM_W其定义分别：

{SVM}_{A} = \sqrt{a_{x}^{2} + a_{y}^{2} + a_{z}^{2}}

{SVM}_{W} = \sqrt{w_{x}^{2} + w_{y}^{2} + w_{z}^{2}}

其中，a_x、a_y、a_z分别为加速度传感器x、y、z三轴方向输出经中值滤波后信号；w_x、w_y、w_z分别为陀螺仪x、y、z三轴方向输出经中值滤波后的信号。

作为优选，所述人体运动加速度信号向量模阈值取SVM_AT＝20m/s²，所述人体运动角加速度信号向量模阈值取SVM_WT＝4rad/s。

作为优选，所述合角度是指人体跌倒时躯干倾斜度θ，通过对角速度信号向量模数据进行积分得到；

θ＝∫SVM_Wdt。

作为优选，所述特征值T为：

T = \frac{Σ | N_{i} - C_{i} |}{M a x (C_{i})}

其中i＝1,2,3,…,500,C_i为合角度数据样本点，N_i为合角度线性拟合数据样本点。

作为优选，所述Tt＝25。

本发明融合了可穿戴设备、安卓系统应用开发技术，基于智能手机和可穿戴式设备的老年人跌倒监测系统，系统由数据采集模块、安卓智能手机两部分组成。数据采集模块包括MIO心率手环和手机内置传感器，在不干扰用户正常生活的状况下，通过数据采集模块对用户的心率、加速度、位置等数据进行全天候不间断监测，MIO手环采集的心率并通过蓝牙短距离通信技术自动传输到智能手机端，手机端对所采集的数据进行即时处理，包括日常行为状态监测、心率异常监测、位置记录等。本发明提出了一种使用智能手机内置的传感器和陀螺仪采集人体主要运动姿态变化的信号数据，并通过智能手环实时对心率进行监控，对老年人日常行为进行监测并对跌倒情况进行监测并及时报警系统。

附图说明

图1是本发明实施例的跌倒判断报警流程图；

图2是本发明实施例的系统总体结构图；

图3是本发明实施例的系统对与心率监控结果示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明提供的一种基于智能手机和可穿戴式设备的老年人跌倒监测方法，通过可穿戴式设备对用户的心率数据进行全天候不间断监测，并通过蓝牙短距离通信技术自动传输到智能手机端分析处理；通过智能手机内置的加速度传感器和陀螺仪来采集反映人体主要运动姿态变化的信号数据、位置数据，使用人体运动加速度信号向量模阈值法识别区分低强度日常生活活动，对于不能识别的较高强度日常生活活动，则通过人体运动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；从而实现对老年人日常行为进行监测并对跌倒情况进行监测报警。

(1)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，人体携带的智能手机其内置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。

本发明利用运行在智能手机内置加速度传感器，由于使用的加速度传感器不具有方向性，所以对传感器坐标系的放置无位置要求。

(2)信号向量模SVM；

加速度传感器和陀螺仪分别能够测量三轴方向运动加速度和角速度大小信息，本发明利用智能手机内置的加速度传感器和陀螺仪来采集反映人体主要运动姿态变化的信号数据，通过使用人体运动加速度信号向量模阈值法识别区分低强度日常生活活动，对于阈值法不能识别的较高强度日常生活活动，则通过对人体运动角加速度信号向量模数据进一步处理得到的新特征量来判别。

跌倒发生时的加速度及角速度变化主要体现在某空间方向，因为跌倒事件中无法预知跌倒的方向所以不宜使用，某一轴的加速度或角速度数据去判断跌倒的发生，采用信号向量模特征量可以将空间的加速度或角速度变化集合为一矢量，人体运动加速度信号向量模SVM_A及人体运动角加速度信号向量模SVM_W其定义分别：

{SVM}_{A} = \sqrt{a_{x}^{2} + a_{y}^{2} + a_{z}^{2}}

{SVM}_{W} = \sqrt{w_{x}^{2} + w_{y}^{2} + w_{z}^{2}}

其中，a_x,a_y,a_z分别为加速度传感器x、y、z三轴方向输出经中值滤波后信号；w_x,w_y,w_z分别为陀螺仪x、y、z三轴方向输出经中值滤波后的信号。

本发明使用SVM_A及SVM_W相结合的信息阈值法可以区分跌倒与产生SVM峰值较小的低强度运动，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SVM_A及SVM_W进行分析，本发明识别跌倒的人体运动加速度信号向量模阈值取SVM_AT＝20m/s²和人体运动角加速度信号向量模阈值取SVM_WT＝4rad/s。

但是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。

(3)躯干倾斜的合角度θ；

根据人体运动学特征，跌倒过程与慢跑等运动过程的人体俯仰角或者侧翻角变化有很大不同，然而采集人体运动姿态变化信号数据的智能手机在口袋中的放置方位具有随意性，因此无法直接使用陀螺仪单轴方向输出得到的角度变化信息作为跌倒判断的一个特征量。

本发明使用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，如下式：

θ＝∫SVM_Wdt。

(4)拟和曲线特征量T；

通过分析跌倒和慢跑运动过程合角度变化曲线，发现跌倒曲线有明显的拐点，而慢跑曲线变化比较均匀平缓，这是因为跌倒过程中人体会和低势物体产生碰撞，短时间内会产生较大的数据值，体现在数据曲线上则有突变的增量点，而慢跑每次动作基本一致，随时间产生的数据曲线点增量也基本一样，数据曲线近似一条直线。

由于两种运动过程合角度曲线变化趋势有很大不同，且慢跑运动合角度变化曲线近似一条直线，因此使用直线拟合模型可以突出两种曲线与各自拟合曲线相似度的不同，这里使用计算简单的最小二乘法线性拟合m拟合直线表达式为y＝ax+b，式中a和b是拟合直线的斜率和截距。

为了反映出两种曲线与各自线性拟合曲线的相似度，本发明定义一个无量纲量T，算法的跌倒判断特征量，其计算过程如下式：

T = \frac{Σ | N_{i} - C_{i} |}{M a x (C_{i})}

其中i＝1,2,3,…,500,(处理10s内数据样本点)，C_i为合角度数据样本点，N_i为合角度线性拟合数据样本点。特征量T反映的是合角度曲线与其拟合曲线之间的相似度，T值越小相似度越高。

由前面的分析得知，跌倒合角度曲线有拐点，慢跑合角度曲线变化平缓，而使用的拟合曲线为一条直线，故跌倒时得到的T值较大,而慢跑时得到的T值会较小。通过设置一个阈值T来区分这两种运动过程，本发明通过对跌倒过程和慢跑等较高强度运动过程中T值的分析取Tt＝25。

(5)心率；

静息心率(Resting Heart Rate，简称RHR)是指人体在清醒、没有特殊活动或受到刺激的情况下，心脏每分钟的搏动次数。

日常心率：24小时监测人体在一天内所有行为活动下的心率。

本发明通过可穿戴式设备对用户的心率数据进行全天候不间断监测，是利用MIO手环对用户的心率数据进行全天候不间断监测，获得用户静息心率、心率最高值HBwh、心率最高值HBwl，对用户的异常心率就行监测，判断老人是否发生跌倒事件。在智能手机中用户可以看到自己一天内的心率阈值(包括心率最高值，或者最低值)。

请见图1，本发明通过对用户的异常心率就行监测来判断老人是否发生跌倒事件，其具体实现包括以下步骤：

步骤5：判断用户心率是否发生变化；

基于本发明的方法，设计完成了一种基于移动设备的健康状态监测系统，该系统将使用移动设备包括智能手机和智能手环对个人健康状态进行采集，并使用手机对其进行行为分析和统计分析，使用友好的可视化界面将结果展示给用户以帮助其改善健康状态。为了充分利用智能手机这一移动平台，融合可穿戴设备技术、Android系统开发技术，移动通讯技术及数据存储技术设计一种基于Android平台，界面友好的个人健康状态监测系统。并对老年人发生跌倒情况基于行为状态的判别。具体来说，本系统需要完成以下两个方面内容：

(1)、健康状态数据采集与存储

本系统将采用智能手机这一移动平台，利用其自带的加速度传感器、陀螺仪、GPS等传感器获取个人运动信息和位置信息，同时与用户佩戴的MIO手环连接，获取心率数据。本专利需要对手机传感器和MIO手环的调用方式和数据传输方式进行了解并进行二次开发。数据在采集完成后将采用文本或者数据库形式首先存储于智能手机本地，然后使用WIFI或者2G/3G/4G模式传送给服务器端。

(2)、个人行为识别与跌倒报警分析

本系统具有足够精确度和鲁棒性的行为识别算法，基于手机和MIO手环提供的数据识别用户静止、走、跑、上下楼、跌倒等各种人体日常行为活动。在此基础上，探索对用户异常情况如跌倒和心率异常的预警。系统将对用户短时间内获取的各种健康数据进行统计分析，结果通过可视化界面显示出来。该系统将基于Android开发出包括用健康数据分析、异常状态预警。

请见图2，是本系统总体结构图，由三部分组成，包括数据采集模块、手机终端、远程服务器存储模块。

数据采集模块包括三轴加速度传感器、GPS等手机自带的传感器和MIO心率智能手环，MIO手环可以采集用户的心率信号，结合手机内置的传感器实现对加速度数据、位置数据的采集，MIO手环和手机间的数据通过蓝牙传输。

智能手机具备较强的数据计算、传输、存储能力，基于此手机端可以作为数据处理模块和中转平台。根据加速度传感器采集的加速度信息识别用户静止、走、跑、上下楼、跌倒等各种人体日常行为活动，根据MIO手环蓝牙传输到手机的心率数据实现心率异常检测，并结合定位信息发送异常状态(跌倒)求助短信。手机将采集的各类数据暂时存储在本地，同时通过友好的界面将心率、行为活动、位置变化实时展示出来。手机通过wifi或\2G\3G\4G等手机网络将存储的数据上传到服务器上。

服务器端主要完成长期数据存储和基于手机端采集的数据进行分析并给出健康建议。

本系统采集手机自带的三轴加速度传感器的值，在数据处理模块会使用监测到的加速度值。连接MIO手环，监测用户心率变化。

本系统利用高德地图提供位置服务监测用户的位置变化，当用户出现超过15米的移动更新地址和经纬度或每5分钟更新一次。

数据处理模块又包括行为状态识别子模块和计步器；行为状态识别子模块根据智能手机自带的加速度传感器采集的数据，判断用户当前的行为状态，行为状态包括静止、行走、跑步、上楼、下楼以及跌倒。判断结果广播出去以便其他模块使用。计步器根据智能手机自带的加速度传感器采集的数据计算出4s内的步数，计算结果广播出去以便其他模块使用。

本系统检测到跌倒时向用户个人信息中的紧急联系人发送通知短信，内容为“时间：姓名疑似跌倒了，位置：地址(经度，纬度)”。其中时间是发生跌倒的时间，地址和经纬度从开启的地址服务获取，返回的具体内容和地位方式有关。如果用户没有登录紧急联系人为默认联系方式，如果位置服务没有开启地址为空。

本系统的远程服务器存储模块用来在本地存储采集的心率数据、分析后的日常行为状态、位置变化数据、每天的运动统计信息。

本系统还提供图形化界面显示界面，用于实时心率显示和实施位置变化显示；实时心率显示是通过折线图的形式动态显示心率变化。打开蓝牙、搜索MIO手环对应的蓝牙，连接上MIO手环智能手机才接收到心率数据，并以动态变化的折线图表方式展示给用户。根据心率大小的不同区间(MIO手环能监测的心率在30-220之间)用不同的颜色显示心率值，如心率在30-100之间用蓝色显示，不同的颜色可以用来表示运动强度；实施位置变化显示是实时更新用户当前位置的地址和经纬度。手动打开或关闭位置监测服务，并动态更新位置变化时的地址和经纬度。

请见图3，是本系统对与心率监控结果示意图。

最新的各类研究成果显示静息心率的水平与各类心血管疾病有着很高的关联性，有部分学者认为，静息心率增快不仅是心血管疾病的独立危险因子，而且还是一种不依赖其他危险因素的独立的死亡预报因素。而老年人跌倒时由于自身运动会伴随心率变化，通过心率监控可排出由于意外原因、物理原因造成的跌倒误判。如果对于老年人跌倒是由于心血管疾病发生造成的，则心率监控可以更加及时，精确的做出判断。

图中展示的将通过可穿戴式设备监控用户日常24小时心率，并显示出日常心率阈值，也可对详细心率情况作出显示。

除了日常监控也可对用户的异常心率就行监测。依据用户平时的心率数据，系统会对用户的异常心率数值进行监测并记录，并结合手机端应用的功能及时发出通知起到预警的作用。心率异常主要分为心动过速与心动过缓两类。当老年人突发心动过速、或者心动过缓的情况下，都极易发生跌倒现象。当老年人跌倒后，对心率进行监测判断，会减少误报率。

1、心动过速；

小幅心动过速：连续3分钟非运动状态下(程序处于非运动模式下且捕捉到用户处在跑步或上下楼状态的动作时间不超过20秒)，用户平均心率高于100bpm或超出静息心率20bpm以上，但一般低于150bpm。该情况常属于窦性心动过速，可能由饮食、情绪等刺激交感神经的生理因素引发，也可能是由药物、心衰、甲亢、休克、心肌梗死等病理因素引发。

大幅心动过速：用户在非运动状态下连续5秒心率达到150bpm以上或超出静息心率70bpm。该情况可能由室性心动过速或室上性心动过速等多种原因引起，但它们通常都具有突然发作、突然停止的特点。

考虑到用户可能在毫无征兆地情况下开始进行手机无法直接识别出的体力运动，因此在系统监测到心动过速状况时，应用程序会向先用户询问该异常是否由身体运动引起。如果用户反馈是，则系统则对此做运动记录而非异常记录。

2、心动过缓；

心动过缓是由于心脏病变引起博动异常变慢的病理现象。通常情况下，普通成人在非睡眠状态下的心率低于60bpm、在睡眠状态下通常低于40bpm可以认定为心动过缓，可能还会出现短暂的心脏停搏。

对于清醒且非运动状态下的用户，如果出现30秒平均心率低于静息心率25％以上且小于55bpm，则被系统判断为心动过缓；睡眠状态下，心率低于静息心率35％且低于45bpm会被系统判断为心动过缓。任何状态下，心率连续2秒低于35bpm则被认定为心动过缓。

老年人跌倒时由于自身运动会伴随心率变化，通过心率监控可排出由于意外原因、物理原因造成的跌倒误判。如果对于老年人跌倒是由于心血管疾病发生造成的，则心率监控可以更加及时，精确的做出判断。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims

1.一种基于智能手机和可穿戴式设备的老年人跌倒监测方法，其特征在于：通过可穿戴式设备对用户的心率数据进行全天候不间断监测，并通过蓝牙短距离通信技术自动传输到智能手机端分析处理；通过智能手机内置的加速度传感器和陀螺仪来采集反映人体主要运动姿态变化的信号数据、位置数据，使用人体运动加速度信号向量模阈值法识别区分低强度日常生活活动，对于不能识别的较高强度日常生活活动，则通过人体运动角加速度信号向量模数据进一步处理得到的新特征量来判别；从而实现对老年人日常行为进行监测并对跌倒情况进行监测报警。

2.根据权利要求1所述的基于智能手机和可穿戴式设备的老年人跌倒监测方法，其特征在于：所述通过可穿戴式设备对用户的心率数据进行全天候不间断监测，是利用MIO手环对用户的心率数据进行全天候不间断监测，获得用户静息心率、心率最高值HBwh、心率最高值HBwl，对用户的异常心率就行监测，判断老人是否发生跌倒事件。

3.根据权利要求2所述的基于智能手机和可穿戴式设备的老年人跌倒监测方法，其特征在于：所述异常心率包括心动过速与心动过缓两类；所述心动过速包括小幅心动过速和大幅心动过速，所述小幅心动过速是指连续3分钟非运动状态下，用户平均心率高于100bpm或超出静息心率20bpm以上，但低于150bpm；所述大幅心动过速是指用户在非运动状态下连续5秒心率达到150bpm以上或超出静息心率70bpm；所述心动过缓是指对于清醒且非运动状态下的用户出现30秒平均心率低于静息心率25％以上且小于55bpm，在睡眠状态下心率低于静息心率35％且低于45bpm。

4.根据权利要求1所述的基于智能手机和可穿戴式设备的老年人跌倒监测方法，其特征在于：所述人体主要运动姿态变化的信号数据包括躺下信号数据、步行信号数据、坐下信号数据、起立信号数据、上楼梯信号数据、下楼梯信号数据、慢跑信号数据、蹲下信号数据。

5.根据权利要求1-4任意一项所述的基于智能手机和可穿戴式设备的老年人跌倒监测方法，其特征在于：所述对用户的异常心率就行监测来判断老人是否发生跌倒事件，其具体实现包括以下步骤：

步骤5：判断用户心率是否发生变化；

6.根据权利要求5所述的基于智能手机和可穿戴式设备的老年人跌倒监测方法，其特征在于：所述人体运动加速度信号向量模SVM_A及人体运动角加速度信号向量模SVM_W其定义分别：

{SVM}_{A} = \sqrt{a_{x}^{2} + a_{y}^{2} + a_{z}^{2}}

{SVM}_{W} = \sqrt{w_{x}^{2} + w_{y}^{2} + w_{z}^{2}}

7.根据权利要求5所述的基于智能手机和可穿戴式设备的老年人跌倒监测方法，其特征在于：所述人体运动加速度信号向量模阈值取SVM_AT＝20m/s²，所述人体运动角加速度信号向量模阈值取SVM_WT＝4rad/s。

8.根据权利要求5所述的基于智能手机和可穿戴式设备的老年人跌倒监测方法，其特征在于：所述合角度是指人体跌倒时躯干倾斜度θ，通过对角速度信号向量模数据进行积分得到；

θ＝∫SVM_Wdt。

9.根据权利要求5所述的基于智能手机和可穿戴式设备的老年人跌倒监测方法，其特征在于，所述特征值T为：

T = \frac{Σ | N_{i} - C_{i} |}{M a x (C_{i})}

10.根据权利要求5所述的基于智能手机和可穿戴式设备的老年人跌倒监测方法，其特征在于：所述Tt＝25。