我国人口老龄化趋势明显加快,健康老龄化已成为研究热点。跌倒是威胁老年人健康的重要问题。跌倒后的长时间躺地将对老年人进行“二次伤害”从而导致危害加重甚至引起死亡。因此,跌倒检测的研究一直是世界范围内的研究热点。基于可穿戴传感器的跌倒检测研究近年来层出不穷,但大多数研究由于算法的局限性,很难在跌倒“漏报”和“误报”中平衡。这些研究大多采用了躯干和后背作为传感器的放置位置。随着智能手环手表的普及,通过手腕的惯性传感器检测跌倒,无疑具有极高的应用价值。而采用深度学习算法,能在选取跌倒检测指标时,从数据中“自动”获取高等级特征。因此,本研究的研究目标是建立基于长短期记忆人工神经网络（Long Short-Term Memory,LSTM）和腕部传感器数据的跌倒检测模型,并验证模型的有效性。具体的,本研究的内容包括:（1）展开运动生物力学试验,以主动跌倒、被动跌倒、日常动作为场实验场景,招募50名年轻人和20名老年受试者进行实验,采集手腕部的惯性传感器数据用于老年人的跌倒检测模型的开发。（2）对实验数据进行分析和处理,最终获取了共398个统一单位时间的手腕部可穿戴传感器数据样本,包括:55次滑倒、47次绊倒、21次向前跌倒、25次向左跌倒、23次向右跌倒、20次向后跌倒、16次扶墙缓慢跌倒、20次下楼梯、19次上楼梯、18次快速坐下、19次坐下起立、20次蹲下起立、16次躺下、20次拍垫子、53次跳起、20次双手鼓掌、20次双手挥手等动作。（3）提出并建立了基于长短期记忆人工神经网络的跌倒检测模型,通过测试集和验证集数据对上述模型进行构建和评估,结果表明,该模型对跌倒判断的精准率为85.72%,准确率为85.90%,召回率为85.90%,F1值为85.79%,并针对上述结果,本研究对这一跌倒检测模型进行了分析和应用展望。本研究的主要创新点为:（1）在实验设计中,同时引入了被动跌倒和主动跌倒,使跌倒的场景更贴近真实跌倒,通过引入较为真实的跌倒数据,保证了模型的泛化能力。并招募了20名老年人受试者,获取老年人日常动作的数据,保证了实验数据样本的多样性。（2）基于智能手环、手表等潜在应用场景,选用腕部传感器采集的数据作为数据样本,并基于深度学习网络建立了跌倒检测模型,与现有跌倒检测研究相比,本研究具有数据的新颖性和算法的创新性。综上所述,本研究采集了丰富的跌倒数据和日常动作数据,包含更为贴近真实跌倒的“被动跌倒”。在传感器佩戴位置上,选择了更友好、实际应用价值更高的手腕部佩戴。在检测模型构建中,选择了更先进的深度学习模型,构建了基于长短期记忆人工神经网络的跌倒检测模型,并且用多个指标来对模型进行评价和分析,最终验证本研究提出的跌倒检测模型能够较为准确根据不同场景下产生的数据规律判断跌倒是否发生。