個數據重新進行計算；比如，第一次檢測時，滑動窗口內的數據為1-200;第二次檢測時滑動窗口的數據為2-201，依次類推；
[0086] 通知模塊6與判斷模塊5相連，當判斷模塊5的判斷結果為"跌倒"類型時，通知模塊 6通過設置的報警方式通知設定的聯(lián)系人;其中：通知模塊6中設置的報警方式包括:監(jiān)控終 端向預設聯(lián)系人號碼撥打電話進行報警，或者監(jiān)控終端向預設聯(lián)系人號碼發(fā)送含有用戶位 置信息的短信進行報警。
[0087] 進一步，本實施例的三軸加速度傳感器采用Analog Devices公司的ADXL345,其測 量范圍是± 16g;三軸陀螺儀采用InvenSense公司的ITG3200，其測量范圍是± 2000° /s;微 處理器采用Atmel公司的ATmegal68PA-AU;藍牙模塊采用CSR公司的BC04-B，其有效通訊距 離為10米，波特率為115200bps;傳感器采樣頻率為100Hz;若監(jiān)控終端為智能手機，則智能 手機運行Android4.0系統(tǒng)。
[0088]實施例2:如圖3-5所示，本發(fā)明還提供了一種基于樸素貝葉斯算法的跌倒檢測報 警方法，包括：
[0089]步驟1、三軸加速度傳感器和三軸陀螺儀以100次/每秒的采樣頻率分別實時采集 人體活動中上軀干部位的三維加速度ax、ay、az數據和三維角速度ω χ、ω y、ω z數據;其中：ax 為沿x軸方向的加速度，ay為沿y軸方向的加速度，az為沿z軸方向的加速度，ω x為沿χ軸方向 的角速度，《y為沿y軸方向的角速度，ωζ為沿z軸方向的角速度，如圖5所示。
[0090] 步驟2、微處理器計算合加速度a與合角速度ω，其中
[0091 ]步驟3、藍牙設備傳輸合加速度a和合角速度ω數據到監(jiān)控終端；
[0092] 步驟4、監(jiān)控終端通過樸素貝葉斯跌倒檢測算法對人體活動狀態(tài)分類識別，識別出 人體的運動類型;其具體包括：
[0093] 步驟401、接收人體活動中上軀干部位的合加速度與合角速度；
[0094] 步驟402、建立合加速度數據滑動窗口，用acc[m]表示，窗口長度為m;建立合角速 度數據滑動窗口，用angle[m]表示，窗口長度為m;窗口長度可以根據實際應用進行設置，本 發(fā)明優(yōu)選m= 200;以100次/每秒的采樣頻率接收初始化子模塊中人體活動中上軀干部位的 合加速度與合角速度并分別依次存入滑動窗口 acc[200]和angle[200]中；
[0095] 步驟403、判斷滑動窗口 acc [ 200]和angle [ 200 ]是否已經填滿，沒有填滿則繼續(xù)執(zhí) 行步驟402，否則執(zhí)行步驟404;
[0096]步驟404、統(tǒng)計、計算測試樣本屬于各個運動類型的條件概率，測試樣本指被測人 體在活動中采集到的合加速度和合角速度數據;找出條件概率的最大值，判斷當前時刻測 試樣本所屬的運動類型；
[0098]式中，X代表測試樣本，j表示存在滑動窗口中的順序，即每次采集的順序；
[0099] yi代表第i類運動類型，η代表η類運動類型；
[0100] P(yi|x)是測試樣本X屬于第i類運動類型的條件概率；
[0101 ] aj和ω j分別代表測試樣本X在滑動窗口 acc[m]與angle[m]內的第j個合加速度與 合角速度數據，adP ω洪同組成測試樣本X的第j個屬性(^，ω J ;
[0102] Ρ(χ)代表測試樣本在所有訓練樣本中出現的概率，所有訓練樣本指所有合加速度 和合角速度數據的數據庫，P(x)為常數；
[0103] P(yi)代表第i類運動類型在所有訓練樣本中出現的概率；
[0104] P((aj, ω」）|yi)代表在第i類運動類型訓練樣本的第j個屬性中出現測試測試樣本 X的第j個屬性(aj, ω」)的概率。
[0105] 找出條件概率的最大值，判斷當前時刻測試樣本所屬的運動類型的公式為：
[0106] P(yk|x)=max{P(yi|x)}，i = l，2，."，n;
[0107] yk代表測試樣本最終的計算結果屬于第k類運動類型。
[0108] 步驟5、監(jiān)控終端判斷人體的運動類型是否為"跌倒"類型，若為"跌倒"類型則執(zhí)行 步驟6,否則執(zhí)行步驟1;
[0109]步驟6、監(jiān)控終端根據所設置的報警方式通知預設的聯(lián)系人;其中：通知模塊中設 置的報警方式包括:監(jiān)控終端向預設聯(lián)系人號碼撥打電話進行報警，或者監(jiān)控終端向預設 聯(lián)系人號碼發(fā)送含有用戶位置信息的短信進行報警。
[0110] 實施例3:本發(fā)明公開的基于樸素貝葉斯算法的跌倒檢測報警系統(tǒng)及方法的具體 原理在于：由于人體跌倒、蹲起、坐下等動作一般從開始到結束不會超過2秒，因此選取人體 在跌倒、蹲起、坐下等動作發(fā)生2秒內合加速度與合角速度的波形，組成訓練樣本（即每個訓 練樣本中包含合加速度與合角速度兩個波形），對系統(tǒng)實時采集到的數據波形進行對比，從 而進行跌倒檢測。
[0111] 本發(fā)明中滑動窗口的意義在于，計算機無法對無窮而連續(xù)的數據進行處理，因此 需要根據采樣頻率，采集2秒內的波形進行檢測。由于采樣時間固定為2秒，因此滑動窗口的 長短與采樣頻率相關。當采樣頻率達到100次/秒的時候，滑動窗口長度為200，這就表示2秒 內的波形被計算機分割為200個數據來描述，每一個數據都可以認為是波形的一個屬性。當 1個樣本中包含多個波形時，可以令不同波形在同一時間的兩個數據共同構成一個屬性。所 以，在本專利中，由于樣本中同時存在合加速度波形與合角速度波形，所以每個樣本的每個 屬性同時包含合加速度數據與合角速度數據。
[0112] 樸素貝葉斯算法的核心思想在于通過計算測試樣本每個屬性出現在某一類別的 概率，從而得出測試樣本屬于某一類別的條件概率，并找出條件概率最大的類別作為測試 樣本的所屬類別;其具體計算過程為：
[0113] 假設共有100個訓練樣本，分為"跌倒"類型、"站立"類型、"下蹲"類型、"上樓"類 型、"下樓"類型共5個運動類型，每個類型均包括其中的20個訓練樣本。設樣本采樣頻率為 100秒/次，則滑動窗口長度為200。測試樣本中包括200個合加速度ai，a2，…，a 2QQ，200個合角 速度數據 ω 1，ω 2,…，ω 2。。，從而形成200個屬性(ai, ω i)，（a2，ω 2)，…，（a2。。，ω 200) 〇
[0114] yi代表5個運動類型中的第i類運動類型，i = l、2、3、4、5，n = 5;
[0115] P(yi)代表第i類運動類型在所有訓練樣本中出現的概率，由于每一類訓練樣本的 數目均為20個，訓練樣本的總數為100,因此有:P( yi)=P(y2) =…=P(y5) = l/5。
[0116] P(x)代表測試樣本在所有訓練樣本中出現的概率，由于P(x)是貝葉斯計算公式的 分母且為常數，所以可以不做計算。
[0117] aj和ω j分別代表測試樣本X在滑動窗口 acc[m]與angle[m]內的第j個合加速度與 合角速度數據，adP ω洪同組成測試樣本X的第j個屬性(^，ω J ;
[0118] P((aj, ω」）|yi)代表在第i類運動類型訓練樣本的第j個屬性中出現測試測試樣本 X的第j個屬性的概率。假設j = l，跌倒為第1類運動，測試樣本X的第1個屬性中的數 據為（1〇,20)，且跌倒類別中全部20個訓練樣本的第1個屬性為（10,20)的概率為1/2，則？ ((ai，ω 〇 | yi) = 1/2。以此類推，逐步求得測試樣本全部200個屬性出現在跌倒類別全體訓 練樣本中的每一個概率并累計相乘，最后與P(yi)相乘，便可獲得測試樣本屬于跌倒類別的 近似條件概率(之所以說是近似，是因為省略了公式中分母的計算）。
[0119] 求得測試樣本屬于各個類別的近似條件概率后，通過對比便可知道測試樣本最有 可能屬于哪一類別。
[0120] 本發(fā)明公開的基于樸素貝葉斯算法的跌倒檢測報警系統(tǒng)及方法，通過樸素貝葉斯 跌倒檢測算法對人體活動狀態(tài)進行識別，通過樸素貝葉斯跌倒檢測算法得到的波形進行跌 倒檢測，可以更準確地描述人體動作復雜的變化趨勢，有效避免閾值法存在的誤差;本發(fā)明 檢測準確率高、誤報率低;具備通信功能，能夠實時通知跌倒老人的親屬，確定跌