CN106056849A - 老人跌倒智能检测与定位的主被动告警系统及方法 - Google Patents

Abstract

本发明公开了一种老人跌倒智能检测与定位的主被动告警系统及方法，主要解决现技术检测效率和准确率低且无法自动告警的问题。其系统包括老人跌倒检测模块(1)、云服务器(2)和客户端(3)。老人跌倒检测模块(1)装在老人的腰部获取包含位置信息和安全信息的状态数据，并将状态数据间歇性发送给云服务器(2)或点对点发送给客户端(3)。云服务器接收老人跌倒检测器的状态数据存储到数据库中，并依据客户端的控制命令发送给相应的客户端，客户端向云服务器或老人跌倒检测器发送控制命令，并接收和处理反馈的状态数据。本发明的跌倒检测成功率高，可自动告警，且能够同时使用短信和数据网络通信，稳定性强，可用于解决老人走失、跌倒救援。

Description

老人跌倒智能检测与定位的主被动告警系统及方法

技术领域

本发明属于智能监控和无线通信领域，特别涉及一种老人跌倒智能检测与定位的主被动告警系统及方法，可用于解决老人走失、跌倒救援。

背景技术

随着人口老龄化的加剧，越来越多的老人需要子女的照顾。据统计，老人跌倒是老人最大的安全隐患，占据了老人全部突发问题的近53％；老人走失仅次于跌倒，占全部问题的21％。老人跌倒与走失等安全问题成为社会的热点。老人遭遇突发状况时无法及时发出求救信息，导致丧失最佳的救援时机。

定位技术与网络通信技术的发展为老人定位信息的获取与传输奠定了基础，手机应用的普及为手机软件开发提供了条件，云服务器和数据库技术的广泛应用为海量定位信息数据存储和快速访问做出了保障。

现有的老人监护系统大多数包含定位、向子女的手机发送短信等基本功能，但是不具备自动告警功能，即当老人出现意外跌倒时，无法准确检测这种行为并在老人不需要操作的情况下向其子女求救。此外，目前的跌倒检测算法检测准确率低，硬件实现时CPU负荷率高导致的漏报和耗电，不利于推广。

在跌倒检测方面，目前的跌倒识别方案主要分为两种：第一种为基于视频的检测方法。该方法利用摄像头等设备进行识别，已经得到了长足发展。但是该方法受环境局限较大，一方面其会受到光线等客观因素的影响，另一方面该方法主要应用于室内封闭环境，对于老人外出的情况无法给出解决方案。第二种为基于传感器的方式，虽然相比于视频检测的方法，在检测的准确度上仍需要进一步发展，但是该方法为老人日常生活中的跌倒检测提供了可能性。

对于跌倒检测算法来说，目前基于传感器的跌倒检测算法大多数采用基于规则的方法，分析加速度、姿态角等时间序列的变化规律，将跌倒的模式判断出来。然而由于老人跌倒过程中时间序列较长，变化规律多种多样且错综复杂，导致人工编写逻辑、制定规则实现起来比较困难，而且跌倒的检测准确率无法得到较好地保证。

目前业内也有一些基于统计的方法，利用机器学习和模式识别的原理，训练一个监测模型并利用其进行分类、识别与预测。特征提取的方法基本都采用了滑动窗口截取时间序列的方式，然而大部分利用重叠截取或连续截取的方式，此两种方法有很大弊端：第一，CPU处于高负荷状态，对采集到的所有时间序列进行判定；第二，系统在老人跌倒时不能及时响应，造成漏报；第三，相同动作产生了不同的时间序列，或者某个时间序列包含了两个动作，降低了检测准确率。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提出一种老人跌倒智能检测与定位的主被动告警系统及方法，用于解决现有检测技术准确度低，CPU负荷率高导致的漏报和耗电，以及无法在老人跌倒时自动告警的问题。

本发明的技术思路是：开发老人跌倒检测器产品和相应的手机应用软件，依据一种基于机器学习和模式识别的跌倒检测算法，建立一种系统，让老人能够在简单操作甚至完全不需要操作的情况下，使其子女在第一时间能通过手机获得老人的位置信息和安全信息，并可通过客户端查询老人位置信息，也可接收和处理老人跌倒检测状态数据，实现老人定位、跌倒检测，以及信息存储、查询与显示功能的一体化。

根据上述思路，本发明的老人跌倒智能检测与定位的主被动告警系统，包括：

老人跌倒检测器1，用于检测老人跌倒并将跌倒检测结果与老人当前位置信息两项状态数据发送给云服务器2或客户端3；

云服务器2，用于接收和存储老人跌倒检测器1发送的状态数据，并根据客户端3发送的控制命令将状态数据返回给客户端3；

客户端3，用于处理并显示云服务器2和老人跌倒检测器1发送的状态数据；

其特征在于，

所述老人跌倒检测器1，包括GPS定位模块11、三轴加速度计模块12、控制模块13、告警通信模块14，其特征在于，

该控制模块13，包括：

跌倒监听子模块131，用于对老人的活动进行监听并对老人所做出的疑似跌倒的动作做出响应，并将响应信息传递给跌倒序列截取子模块132；

跌倒序列截取子模块132，用于对跌倒监听子模块131监听到的疑似跌倒的动作所对应的时间序列进行截取，并将截取出的时间序列传递给特征提取子模块133；

特征提取子模块133，用于从跌倒序列截取子模块132截取出的时间序列中提取加速度和姿态角特征，并将提取的特征传递给BP神经网络子模块134；

BP神经网络子模块134，用于读取特征提取子模块133提取的特征，进行跌倒检测的计算并输出跌倒检测的结果，将结果传递给告警通信模块14；

该告警通信模块14，包括：

数据网络子模块141，用于与云服务器2进行间歇性通信；

短信子模块142，用于与客户端3进行点对点通信；

所述客户端3，包括：

用户管理模块31，用于进行用户信息数据的设置和修改，并将包含用户信息数据的控制命令传递给智能通信模块32；

智能通信模块32，用于自动检测网络连接状态，在连接或未连接数据网络时分别向云服务器2或老人跌倒检测器1发送控制命令，接收返回的状态数据并传递给显示模块33；

显示模块33，用于处理并显示从智能通信模块32接收到的状态数据。

根据上述思路，本发明的老人跌倒智能检测与定位的主被动告警方法，包括如下步骤：

1)将老人跌倒检测器1放置在老人腰间，在其子女的手机上安装客户端3，并进行注册和登录；

2)通过老人跌倒检测器1中的GPS获得老人的位置信息，并通过其中的三轴加速度计获得老人当前的加速度和姿态角信息；

3)对老人的运动状态进行检测：

3a)控制监听三轴加速度计的变化，采集老人活动过程中的时间序列样本；

3b)当发现疑似跌倒的时间序列样本时，利用定长滑动窗口将该段序列的关键部分截取，并利用截取出的时间序列提取老人当前的加速度和姿态角特征，构造平衡数据集；

3c)使用BP神经网络对构造的平衡数据集进行交叉检验，调整BP神经网络中间层节点个数、正则化系数以及节点sigmoid激活函数门限阈值，使得BP神经网络获得最优性能，完成BP神经网络的训练；

3d)当发现疑似跌倒的时间序列时，截取该段序列的关键部分，提取老人当前的加速度和姿态角特征，并输入到BP神经网络中进行判定，如果输出结果为1，则检测结果为跌倒，否则为非跌倒；

4)发送跌倒检测结果：

当跌倒检测结果为非跌倒时，老人跌倒检测器将状态数据间歇性发送至云服务器；

当跌倒检测结果为跌倒或求救按键被按下时，老人跌倒检测器将状态数据立即发送至客户端，客户端进行接收并显示；

5)客户端主动请求并获取状态数据：

5a)在网络连接状态下，按下客户端的“定位”按钮向云服务器发送控制命令；在网络未连接状态下，向老人跌倒检测器发送控制命令；

5b)云服务器或老人跌倒检测器接收控制命令，将状态数据返回给客户端；

5c)客户端接收返回的状态数据，并进行处理和显示。

本发明与现有技术相比具有以下优点：

第一，由于本发明采用跌倒智能检测及告警方式，使得在老人跌倒时，老人跌倒检测器无需老人的任何操作，即可将紧急定位信息发送至客户端，让子女在第一时间了解老人的安全情况及位置信息。

第二，由于本发明采用主被动的控制方式，客户端可以主动请求服务器或老人跌倒检测器发送定位信息，也可以在紧急情况下被动接收老人跌倒检测器发送的紧急定位信息，克服了单向通信的弊端。

第三，由于本发明采用短信和数据网络两种通信方式，在数据网络畅通的情况下通过数据网络进行数据的接收与发送，同时保证了在数据网络状态不佳的情况下通过短信完成数据的接收与发送，克服了单一环境中不能获得定位信息的缺点，稳定性强。

第四，本发明中跌倒检测分为两个阶段，即在第一阶段使用简单的基于规则的方法将明显不是跌倒的动作过滤掉，从而仅对疑似跌倒的动作应用神经网络进行识别和检测，不仅能避免对老人跌倒检测器对所采集到的所有时间序列进行识别，减小耗电，而且避免了检测系统运行频率过高而导致老人真实摔倒时CPU无响应的问题。

第五，对于时间序列的截取过程，本发明弃用传统的连续截取或者重叠截取的方法，将滑动窗口中心与合加速度超过阈值的观察点峰值对齐，保证了所有相同的动作模式具有较高的相似性，提高了检测准确率。

第六，本发明考虑到了老人跌倒检测器在老人身上可能放置的不同姿态，对同一动作在不同的放置姿态下进行了多次训练，无需老人将老人跌倒检测器严格按照指定的方向放置。

第七，本发明考虑了支持向量机、朴素贝叶斯和BP神经网络等各种方法，发现BP神经网络以增加较少的运行时间为代价，获得了很大的准确率提升，通过对神经网络参数的优化，同时保证了运行效率和检测准确率。

附图说明

图1为本发明的系统框图；

图2为本发明中的老人跌倒检测器结构框图；

图3为本发明中的电路板结构图；

图4为本发明中的客户端框图；

图5为本发明进行跌倒检测的实现流程图；

具体实施方法

下面结合附图对本发明做进一步的描述。

参照图1，本发明老人跌倒智能检测与定位的主被动告警系统，包括老人跌倒检测器1、云服务器2和客户端3，其中：

老人跌倒检测器1，用于进行定位和跌倒检测，获取老人的位置信息和安全信息，并将包含位置信息和安全信息的状态数据间歇性发送给云服务器2或点对点发送给客户端3。云服务器2，用于接收多个老人跌倒检测器1的状态数据存储到数据库中，并依据客户端3的控制命令发送给相应的客户端3。客户端3，用于向云服务器2或老人跌倒检测器1发送控制命令，并接收和处理反馈的状态数据，进行用户管理。客户端3通过向老人跌倒检测器1和云服务器2发送控制命令并接收老人的状态数据实现主被动告警。老人跌倒检测器1、云服务器2客户端3间均为无线连接。

所述主被动告警分为客户端3的主动请求和被动接收，该主动请求分为两种情况：一是客户端3在网络连接状态下使用“定位”按钮向云服务器2发送控制命令；二是在网络未连接状态下向老人跌倒检测器1发送控制命令，并接收老人的状态数据。该被动接收为客户端3被动接收老人跌倒检测器1发送的状态数据并进行消息推送，其包括两种推送方式：第一种方式是老人通过老人跌倒检测器1按键请求帮助；第二种方式是老人跌倒检测器1对老人进行跌倒智能检测并求救。

参照图2和图3，所述老人跌倒检测器1，包括外壳11、裸露在外部的天线12、按键13和电路板14；其中：

外壳11的尺寸为100mm×100mm×50mm；

电路板14上固定有：GPS定位模块141、三轴加速度计模块142、控制模块143和告警通信模块144。控制模块143分别与GPS定位模块141、三轴加速度计模块142和告警通信模块144电连接。其中控制模块143控制GPS定位模块141获取老人当前的位置信息，控制三轴加速度计模块142获取老人当前的加速度信息和姿态角信息。控制模块143对获得的信息进行处理，利用处理后的信息进行跌倒检测，得到老人的。状态数据，即位置信息和安全信息，并控制告警通信模块144发送该状态数据。

所述控制模块143包括：跌倒监听子模块1431、跌倒序列截取子模块1432、特征提取子模块1433和BP神经网络子模块1434。

所述告警通信模块144包括：数据网络子模块1441和短信子模块1442。其中数据网络子模块1441用于通过数据网络方式发送状态数据，短信子模块1442用于通过短信方式发送状态数据。

所述天线12与GPS定位模块141电连接，按键13与控制器模块143电连接，当老人按下按键时，控制器模块143控制告警通信模块144将老人当前的状态数据立刻发送给客户端3。

参照图4，所述客户端3，包含用户管理模块31、智能通信模块32和显示模块33，其中：

所述用户管理模块31，包括注册和登陆子模块311、账号设置子模块312和密码找回子模块313。该注册和登录子模块311，用于注册包括用户名、密码、昵称、性别、终端号、老人跌倒检测器号码、安全问题一、答案一、安全问题二和答案二的用户信息，并使用用户名和密码登录；该账号设置子模块312，用于设置昵称、性别、老人跌倒检测器号码和通信方式的用户信息；该密码找回子模块313，用于当忘记密码时，通过用户名和终端号与安全问题和答案相匹配的方式，重新设置密码。

所述智能通信模块32，包括数据网络子模块321和短信子模块322。该数据网络子模块321用于通过数据网络的方式向云服务器2发送控制命令，并将得到的反馈信息传输给显示模块33，所述控制命令包括用户管理命令和请求命令，用户管理命令包括账号注册、登陆、账号设置和密码找回，请求命令包括请求定位、轨迹查询，路线规划与导航；该短信子模块322用于通过短信的方式向老人跌倒检测器1发送定位请求命令获得老人当前的状态数据并传输给显示模块33。

所述显示模块33包含地图显示模块331和位置显示模块332。该地图显示模块331支持在线地图和离线地图显示，同时支持离线地图的下载和管理；该位置显示模块332利用云服务器或老人跌倒检测器反馈回的位置信息将老人和客户端的位置显示在地图上，通过按下按钮，将老人的位置以蓝色圆点显示于屏幕中心。

参照图5，本发明的跌倒检测实现方法，包括如下步骤：

步骤1，系统初始化与数据采集。

(1a)设定三轴加速度计的采样频率为80Hz

对于所采集的动作的时间序列，如果其长度过短会丢失关键信息而降低检测准确率，而长度过长则会给CPU计算带来严重负担，也会造成BP神经网络过拟合而降低跌倒检测的准确率，经过测试，在80Hz的采样频率下采集到的时间序列能同时保证运算速度和检测准确率；

(1b)设定25m/s2的合加速度为跌倒阈值

人体跌倒过程中会产生大于25m/s2的合加速度，如果三轴加速度计采集到了合加速度大于25m/s2的观察点，则当前动作有可能为跌倒，需要精确检测。如果未采集到合加速度大于指定阈值的观察点，则当前动作不可能为跌倒；

(1c)定义长度为600的队列作为缓冲区用来临时存储采集的数据

由于对老人跌倒进行检测时，需要利用从动作开始到动作结束这一段时间内完整的时间序列，故定义队列缓冲区Q如下：

Q＝|ω⁽¹⁾ ω⁽²⁾…ω⁽ⁱ⁾…ω⁽⁶⁰⁰⁾|

其中ω(i)为当前队列缓冲区中第i个观察点，i∈[1,600]

${\mathrm{\ω}}^{\left(i\right)}={\left[\begin{array}{cccccc}{a}_x^{\left(i\right)}& a_y^{\left(i\right)}& a_z^{\left(i\right)}& |a{|}^{\left(i\right)}& {\mathrm{\θ}}_{pitch}^{\left(i\right)}& {\mathrm{\θ}}_{roll}^{\left(i\right)}\end{array}\right]}^T$

其中

为第i个观察点沿x轴方向的加速度；

为第i个观察点沿y轴方向的加速度；

为第i个观察点沿z轴方向的加速度；

|a|⁽ⁱ⁾为第i个观察点的合加速度；

为第i个观察点沿x轴方向俯仰角，范围为[0°,180°]；

为第i个观察点沿z轴方向的滚转角，范围为[-90°,90°]；

创建队列缓冲区时，对于所有的i∈[1,600]，将ω(i)初始化为0，此后每当采集到一个新的观察点时，将其放置在队列缓冲区尾部，并移除队列缓冲区首部的观察点；

(1d)将老人跌倒检测器放置在老人腰间，开始数据的采集；在其子女的手机上安装客户端，并进行注册和登录。

步骤2，监听高于跌倒阈值的合加速度峰值。

老人跌倒检测器中的CPU保持监听缓冲区中的观察点，当监听到大于25m/s²的合加速度峰值时，则当前动作可能为跌倒，进行步骤3，否则CPU继续保持监听。

步骤3，连续检测低于跌倒阈值的合加速度值。

对于跌倒的检测需要在动作完成之后进行，而在采集到合加速度大于25m/s²的观察点峰值的时刻，老人当前疑似跌倒的动作还在进行中，由于人体跌倒通常在1.25秒的时间内完成，因此在80Hz的采样频率下，通常连续有101个合加速度不超过25m/s²观察点就意味着当前疑似跌倒动作已经完成，为此，本步骤的实现如下：

3a)判断监听到的峰值后是否存在连续101个合加速度均不超过25m/s²的观察点：

如果存在，则认为当前三轴加速度和姿态角变化已经处于稳定，即老人当前疑似跌倒的动作已完成，需要使用滑动窗口来找出疑似跌倒的时间序列，执行步骤4；如果不存在，则认为当前疑似跌倒动作的加速度和姿态角未稳定，执行步骤3b)；

3b)在此连续101个观察点之中找到最后一个合加速度超过25m/s²的观察点峰值，并从该峰值观察点开始重新执行步骤3a)。

步骤4，将滑动窗口中心对准最后一个合加速度超过阈值的峰值。

由于人体跌倒通常在1.25秒的时间内完成，因此在80Hz的采样频率下，长度为101的时间序列可以覆盖完整的跌倒动作，所以选择长度为101的滑动窗口；

寻找当前缓冲区中最后一个合加速度超过25m/s²阈值的峰值，并该峰值观察点位于当前疑似跌倒动作的时间序列内，将长度为101的滑动窗口的中心与该峰值对齐。

步骤5，截取滑动窗口内的时间序列。

截取此时滑动窗口所包含的所有观察点，每个观察点包含6个标量，构成6×101的矩阵。

步骤6，提取特征、构造平衡数据集与神经网络判断。

3a)提取特征并构造平衡数据集

3a1)将上述6×101的矩阵按列展开为606×1的向量x，该向量x为提取的特征，即：

x＝[x₁ x₂ x₃…x_101*(i-1)+p…x₆₀₆]^T

其中，x_101*(i-1)+p为第p个观察点的第i个属性，i的范围为[1,6]，p的范围为[1,101]，且i，p均为自然数，例如x_101*(2-1)+2为ω⁽²⁾中的第2个属性a_y；

3a2)构造平衡数据集；

依据3a1)中所述的特征提取方法，分别对跌倒动作和疑似跌倒动作样本进行特征提取，得到各动作样本的特征矩阵，其中跌倒动作包括前摔、后摔、左摔和右摔；疑似跌倒动作包括快速行走、奔跑、上楼、下楼、坐下、蹲下、跳跃和摇晃；

对跌倒和疑似跌倒两种情况，取近似相等数量的特征矩阵，将得到的动作样本的特征矩阵进行合并，得到平衡数据集；

3b)根据特征向量x判断老人是否处于跌倒状态：

3b1)使用老人跌倒的动作特征样本对BP神经网络进行训练，得到预先设定的判断模型，将该判断模型中的两层系数矩阵Θ⁽¹⁾和Θ⁽²⁾，作为判断老人是否处于跌倒状态的系数；

3b2)用3a)提取的特征x作为BP神经网络的输入特征向量，该输入特征向量先左乘系数矩阵Θ⁽¹⁾，再左乘系数矩阵Θ⁽²⁾，得到的结果范围为[0,1]，如果该结果大于0.5，则判断结果为跌倒，需要向客户端告警，执行步骤7；否则为没有跌倒，需要将状态数据间歇性发送至云服务器，云服务器接收状态数据并保存状态数据，返回步骤2；如果老人跌倒检测器1的求救按键被按下时，需要向客户端告警，执行步骤7。

步骤7，向客户端告警。

老人跌倒检测器自动向客户端发送告警的状态数据，无需老人的任何操作，即所述主被动告警中被动接收的第二种方式，客户端接收状态数据，并将老人当前的位置显示在地图上。

步骤8，客户端主动请求并获取状态数据。

8a)设置主被动告警中主动请求的两种方式；

鉴于网络通信资费低，但是信号覆盖范围有限的，所以在网络连接状态时，按下客户端3的“定位”按钮向云服务器2发送控制命令；

基于短信通信信号覆盖范围广，但是资费高，故在网络未连接状态时，向老人跌倒检测器发送控制命令；

8b)云服务器2或老人跌倒检测器接收控制命令，将状态数据返回给客户端，客户端接收返回的状态数据，并将老人当前的位置显示在地图上。

Claims (9)

1.一种老人跌倒智能检测与定位的主被动告警系统，包括：

老人跌倒检测器(1)，用于检测老人跌倒并将跌倒检测结果与老人当前位置信息两项状态数据发送给云服务器(2)或客户端(3)；

云服务器(2)，用于接收和存储老人跌倒检测器(1)发送的状态数据，并根据客户端(3)发送的控制命令将状态数据返回给客户端(3)；

客户端(3)，用于处理并显示云服务器(2)和老人跌倒检测器(1)发送的状态数据；

其特征在于，

所述老人跌倒检测器(1)，包括GPS定位模块(11)、三轴加速度计模块(12)、控制模块(13)、告警通信模块(14)，

该控制模块(13)，包括：

跌倒监听子模块(131)，用于对老人的活动进行监听并对老人所做出的疑似跌倒的动作做出响应，并将响应信息传递给跌倒序列截取子模块(132)；

跌倒序列截取子模块(132)，用于对跌倒监听子模块(131)监听到的疑似跌倒的动作所对应的时间序列进行截取，并将截取出的时间序列传递给特征提取子模块(133)；

特征提取子模块(133)，用于从跌倒序列截取子模块(132)截取出的时间序列中提取加速度和姿态角特征，并将提取的特征传递给BP神经网络子模块(134)；

BP神经网络子模块(134)，用于读取特征提取子模块(133)提取的特征，进行跌倒检测的计算并输出跌倒检测的结果，将结果传递给告警通信模块(14)；

该告警通信模块(14)，包括：

数据网络子模块(141)，用于与云服务器(2)进行间歇性通信；

短信子模块(142)，用于与客户端(3)进行点对点通信；

所述客户端(3)，包括：

用户管理模块(31)，用于进行用户信息数据的设置和修改，并将包含用户信息数据的控制命令传递给智能通信模块(32)；

智能通信模块(32)，用于自动检测网络连接状态，在连接或未连接数据网络时分别向云服务器(2)或老人跌倒检测器(1)发送控制命令，接收返回的状态数据并传递给显示模块(33)；

显示模块(33)，用于处理并显示从智能通信模块(32)接收到的状态数据。

2.根据权利要求1所述的系统，其特征在于，控制器模块(13)分别与GPS定位模块(11)、三轴加速度计模块(12)和告警通信模块(14)电连接，这四个模块固定在一个包装盒中，该包装盒的外面固定设有GPS天线(15)和按键(16)，天线(15)与GPS定位模块(11)电连接，按键(16)与控制器模块(13)电连接，当老人按下按键时，控制器模块(14)控制短信子模块(142)将老人当前的状态数据立刻发送给客户端(3)。

3.根据权利要求1所述的系统，其特征在于，用户管理模块(31)包括：

注册和登录子模块(311)，用于输入包含用户名、密码、昵称、性别、智能终端号码、安全问题及答案的用户信息，并将上述信息发送给智能通信模块(32)；

账号设置子模块(312)，用于修改上述用户信息，并将修改结果发送给智能通信模块(32)；

密码找回子模块(313)，用于在用户忘记密码时进行密码找回，将安全问题及答案发送给智能通信模块(32)。

4.根据权利要求1所述的系统，其特征在于，智能通信模块(32)包括：

数据网络子模块(321)，用于在连接数据网络时向云服务器(2)发送控制命令，并接收老人的当前位置信息或历史移动轨迹；

短信子模块(322)，用于在未连接数据网络时向老人跌倒检测器(1)发送控制命令，接收老人位置信息进行消息推送。

5.根据权利要求1所述的系统，其特征在于，显示模块(33)包括：

地图显示子模块(331)，用于在客户端界面显示地图，其中包括在线地图和离线地图；

位置显示子模块(332)，用于在客户端界面的中心显示老人跌倒检测器(1)的位置或客户端(3)的位置。

6.基于权利要求1系统的老人跌倒智能检测与定位的主被动告警方法，包括如下步骤：

1)将老人跌倒检测器(1)放置在老人腰间，在其子女的手机上安装客户端(3)，并进行注册和登录；

2)通过老人跌倒检测器(1)中的GPS获得老人的位置信息，并通过其中的三轴加速度计获得老人当前的加速度和姿态角信息；

3)对老人的运动状态进行检测：

3a)控制监听三轴加速度计的变化，采集老人活动过程中的时间序列样本；

3b)当发现疑似跌倒的时间序列样本时，利用定长滑动窗口将该段序列的关键部分截取，并利用截取出的时间序列提取老人当前的加速度和姿态角特征，构造平衡数据集；

3c)使用BP神经网络对构造的平衡数据集进行交叉检验，调整BP神经网络中间层节点个数、正则化系数以及节点sigmoid激活函数门限阈值，使得BP神经网络获得最优性能，完成BP神经网络的训练；

3d)当发现疑似跌倒的时间序列时，截取该段序列的关键部分，提取老人当前的加速度和姿态角特征，并输入到BP神经网络中进行判定，如果输出结果为1，则检测结果为跌倒，否则为非跌倒；

4)发送跌倒检测结果：

当跌倒检测结果为非跌倒时，老人跌倒检测器将状态数据间歇性发送至云服务器；

当跌倒检测结果为跌倒或求救按键被按下时，老人跌倒检测器将状态数据立即发送至客户端，客户端进行接收并显示；

5)客户端主动请求并获取状态数据：

5a)在网络连接状态下，按下客户端的“定位”按钮向云服务器发送控制命令；在网络未连接状态下，向老人跌倒检测器发送控制命令；

5b)云服务器或老人跌倒检测器接收控制命令，将状态数据返回给客户端；

5c)客户端接收返回的状态数据，并进行处理和显示。

7.根据权利要求4所述的方法，其中步骤3b)中的关键序列截取，是忽略不满足跌倒合加速度阈值的样本，只对疑似跌倒动作的样本进行截取、特征提取，其实现步骤如下：

(7a)设定合加速度阈值为25m/s²，当检测到样本中合加速度超过25m/s²的观察点时，开始等待第一个合加速度小于25m/s²的观察点；

(7b)监测到第一个合加速度小于25m/s²的观察点时，判断后续连续的合加速度：如果后续连续100个观察点的合加速度都不超过25m/s²，则该样本判定为疑似跌倒样本，执行步骤(7c)；否则返回步骤(7a)；

(7c)将滑动窗口自后向前滑动，直至滑动窗口中心对准最后出现且合加速度大于25m/s²的峰值，将滑动窗口内的时间序列截取出来。

8.根据权利要求4所述的方法，其中步骤3b)中的特征提取，是将与长度为101的定长滑动窗口等长的X轴加速度、Y轴加速度、Z轴加速度、合加速度、pitch姿态角以及roll姿态角的时间序列首尾相接，构造606×1的向量，得到606维的特征。

9.根据权利要求4所述的方法，其中步骤3b)中的平衡数据集，是指对包括前摔、后摔、左摔和右摔的跌倒动作样本提取特征，以及对快速行走、奔跑、上楼、下楼、坐下、蹲下、跳跃和摇晃的疑似跌倒动作样本提取特征，其中跌倒与疑似跌倒的样本数量近似相等。