老人由于身体机能下降和肢体反应灵敏度降低等原因,跌倒事故时有发生。人体跌倒保护气囊装置可以在人体发生跌倒行为时及时打开气囊,为老人提供安全保障。目前关于人体跌倒检测的研究主要采用的方式有支持向量机(Support Vector Machine,SVM)和阈值法等,随着硬件的处理性能的提升,为深度学习方式用于跌倒检测提供了良好的条件。本文基于深度信念网络(Deep BeliefNetwork,DBN)算法对跌倒以及跌倒方向的判别进行了研究,开发了检测率较高与预警时间较长的跌倒检测分类算法以及相关程序。同时针对目前气囊快速充气机构的缺点,提出了一种气囊快速充气的方案,相比较现有的装置,有效地缩短了充气所需的时间。运用有限元方法模拟气囊对人体的保护效果,为气囊的设计提供了依据。开发了一套跌倒保护气囊装置样机,实验验证了本研究的有效性和可行性。本文首先介绍DBN模型的原理,定义4类跌倒活动和10类日常行为活动,完成对人体活动数据的滤波及解算;通过分析不同人体活动的运动学时域特征,阐述使用运动学特征进行跌倒检测和方向判别的可行性,构成特征向量;确定时间窗口和DBN训练的相关参数,建立基于DBN的跌倒检测模型。介绍利用姿态传感器获取跌倒数据的算法和跌倒检测装置的构成,实现跌倒方向的判别。随后分析目前关于跌倒气囊的充气方式,提出基于电磁铁和扭簧的充气方案,设计和开发充气机构。接着采用有限元方法建立人体股骨模型,设计保护髋关节的气囊,研究气囊对人体的防护效果。最后对开发的样机系统进行实验测试,对日常和4类跌倒的检测率分别为99.85%、95.4%、98.4%、99.6%和94.6%,平均预警时间为286ms,验证了 DBN模型的有效性,测试结果表明在人体碰撞地面前,能够完成对气囊的充气,形成有效的缓冲防护,证明了本文开发的人体跌倒保护气囊装置的可行性。