随着我国人口老龄化趋势的加快,我国老龄化进程正在加剧。老人年由于自身原因更容易摔倒并且产生严重的伤害。国内外对老年人摔倒模型的建立还没有一种成熟的方法,识别设备的使用也比较复杂。如何采用有效的模式识别方法检测老年人的摔倒已成为人工智能领域的研究热点。对这个问题的探讨具有较高的研究价值及应用意义。支持向量机(SVM)针对小样本分类问题所表现出来的优异性能引起了相关研究人员的注意。老人的摔倒事件本身是一件小概率事件,所以使用SVM识别老人的摔倒问题是小样本事件在具体应用中很好的体现。粗糙单类支持向量机(ROCSVM)是SVM中一类重要的算法,该算法在异常点检测等方面表现出了令人欣喜的性能。由于ROCSVM训练集只有正类样本,因此充分挖掘和利用训练样本的分类特征对于提高ROCSVM的分类性能有重要意义。本文在以上背景和基本理论知识下,针对实际问题,即针对人体摔倒的识别问题,对ROCSVM中的核函数构建进行研究。本文的主要工作如下:1.本文对SVM以及核函数方法的理论知识进行了梳理和探讨。在对SVM算法分析的基础上,作者了解到经典SVM二分类的局限性。在分析ROCSVM的时候发现,由于该类SVM只有一类训练样本,选择合适的核函数将会对分类性能有着较大的影响。2.针对ROCSVM训练样本只有正类样本的特性,提出了一种基于训练样本分类特征贡献度的加权高斯核函数(λ-RBF)。所提出的核函数更适用于ROCSVM。经过仿真数据实验与标准数据库实验对比证明优化后的ROCSVM的识别效果更好。3.根据提出的基于λ-RBF的ROCSVM,设计并实现了一个操作简单、识别效果好的具有摔倒报警与跟踪定位功能的腕表式智能系统。该系统由腕表系统和服务器端系统两部分构成。腕表佩戴于人体的手腕部位,系统启动后可以实时获取佩戴者的地理位置信息和加速度数据。系统利用本文提出的摔倒识别算法对采集到的加速度数据进行训练和识别,然后将识别结果通过通信模块发送到服务端系统和监护人手机。服务端系统实时监控佩戴者的状态,并将接收到的佩戴者状态信息存储到数据库。如果接收到佩戴者的摔倒信息,服务端系统将会发出报警信息。基于λ-RBF的ROCSVM的摔倒识别系统具有佩戴方便和隐私保护的新特性,这是以往的监护设备所不具有的,也是人体摔倒识别领域的一种新的尝试和突破,有广阔的前景和推广价值。