1.一种基于机器学习的智能地毯跌倒判别方法，其特征在于该方法以智能地毯为硬件基础，结合机器学习中的概率图理论模型以及监督学习中的SVM实现对智能地毯上行走目标的区分，并且提取目标对象的行走信息，综合考虑行走人员在智能地毯上行走的数据特征，提取不同行走情况在空间和时间上的特异性，对行走人员发生跌倒时提供报警；

所述的跌倒判别划分成硬件层和算法层两个部分，硬件层的设计包括智能地毯上选取传感器的类型，传感器的排列方式，地毯传输信息的信号处理方式以及地毯与外界通信方式；算法层包含两个主要算法，第一种是针对实际环境下复杂的地毯踩点环境，利用概率图模型，将行走轨迹的变化转变为概率问题，通过概率图模型实现轨迹预测，去除地毯上无效踩点信息；第二种是基于监督学习的分类算法，该算法是基于概率图模型提取目标的移动轨迹后，实现正常状态和跌倒状态的区分；

当前时刻坐标信息矩阵Gt包含目标用户踩点坐标，无效的踩点坐标，Gt中坐标序列记为t t t{D1 ,D2 ,D3 …}，其中元素D是一个包含坐标信息的二元数组，表示某个踩点的坐标即t-1 t-1 t-1根据前一时刻的踩点坐标序列{D1 ,D2 ,D3 …}得到前一时刻的踩

点Djt-1到下一时刻踩点Dit的状态转移概率P(Dit|Djt-1)，当前时刻的所有踩点都需要和下一时刻所有踩点进行转移概率的计算，显然该转移概率和前后时刻的两个踩点距离有关，可以通过将转移概率正比于两个坐标的距离来计算转移概率，即：即表示上一时刻第j个踩点Djt-1坐标 与当前时刻第i个踩点Dit坐标

的距离正比于两点之间的转移概率；实际情况下，智能地毯踩点个数有限，通过进行以上过程的概率转移计算发现一些由家具，掉落的物品造成的干扰踩点，由于这些干扰踩点与用户移动过程中的踩点关联性较小，所以借助隐马尔可夫状态转移模型进行去除。

2.根据权利要求1所述的基于机器学习的智能地毯跌倒判别方法，其特征在于所述的硬件层，采取基础的按键开关作为传感器，按键开关的排列方式采取行列相间的方式，即每一个开关的按下，所表示的信息为智能地毯的某行或者某列出现按键，而不是直接体现某个坐标被按下，按键间隔是按照35-40码大小进行设计，保证老人每一步的行走能够与按键产生触碰，并且至少包含一组行按键和列按键。

3.根据权利要求1所述的基于机器学习的智能地毯跌倒判别方法，其特征在于所述的地毯，封装采取夹心式，即按键粘贴在毛毯上，按键之上再铺一层地毯用于保护按键，地毯每行每列的节点会汇聚到STM32开发板上，直接通过GPIO口相连，通过ARM板接上无线模块实现地毯同外部通信。

4.根据权利要求1所述的基于机器学习的智能地毯跌倒判别方法，其特征在于所述的地毯传输信息的信号处理方式采取地毯数据变化一次，无线模块发送一次的方式，减少无效信息的干扰。

5.根据权利要求1所述的基于机器学习的智能地毯跌倒判别方法，其特征在于所述的算法层，概率图模型中的隐马尔可夫模型将学习任务归结于概率分布，在智能地毯的数据中观测到当前时刻用户踩点分布，由于下一时刻踩点分布只受限于当前情况，通过预估下一时刻踩点情况的概率分布结合最大后验概率判断当前踩点情况与上一时刻踩点情况的关联性，从而反推当前踩点是由上一时刻哪个踩点转移而来。

6.根据权利要求1所述的基于机器学习的智能地毯跌倒判别方法，其特征在于所述的SVM实现对智能地毯上行走目标的区分，是将在训练集和中找到一个划分超平面，通过核函数将特征映射到超平面构造训练模型；目标用户的行走轨迹反应该用户每一步的位置变化，同时行走轨迹在存储数据库的过程中也记录了精确到毫秒级的时间，通过时间间隔提取用户行走方向上的加速度信息，通过尝试SVM各类核函数进行训练，根据测试集准确性优化核函数的选择，从而实现跌倒判别。

7.一种如权利要求1所述方法的实现方法，其特征在于所述的方法的实现包含以下几个流程：

1)设计地毯结构，运行地毯；

2)隐马尔可夫链提取，排除无效轨迹，提取目标用户行走轨迹，数据库存储；

3)根据目标用户行走轨迹提取特征，数据库存储；

4)将特征通过核函数进行SVM训练；

5)目标用户行走特征投入训练集，数据库存储；

6)判别是否跌倒。