1.一種跌倒檢測方法，其特征在于，包括：
獲取至少兩種人體運動數(shù)據(jù)；
根據(jù)每種人體運動數(shù)據(jù)和每種人體運動數(shù)據(jù)對應的特征權重確定跌倒檢測結(jié)果，其中，所述特征權重是基于分類器對每種人體運動數(shù)據(jù)的訓練數(shù)據(jù)進行訓練并計算得到。
2.根據(jù)權利要求1所述的跌倒檢測方法，其特征在于，在所述獲取至少兩種人體運動數(shù)據(jù)之前，所述方法還包括：
獲取至少兩種人體運動數(shù)據(jù)的訓練數(shù)據(jù)；
基于支持向量機SVM分別對每種人體運動數(shù)據(jù)的訓練數(shù)據(jù)進行訓練，得到每種人體運動數(shù)據(jù)的SVM訓練模型；
分別將所述每種人體運動數(shù)據(jù)的具有已知跌倒結(jié)果標記的測試數(shù)據(jù)作為對應SVM訓練模型的輸入，得到所述每種人體運動數(shù)據(jù)的測試數(shù)據(jù)的輸出結(jié)果，其中，所述輸出結(jié)果表示在對應的輸入下是否跌倒；
根據(jù)所述測試數(shù)據(jù)的已知跌倒結(jié)果標記，分別獲取所述每種人體運動數(shù)據(jù)對應的輸出結(jié)果中正確結(jié)果的個數(shù)，根據(jù)所述正確結(jié)果的個數(shù)和所述測試數(shù)據(jù)的總個數(shù)分別計算出每種人體運動數(shù)據(jù)的識別率；
根據(jù)所述識別率分別計算出每種人體運動數(shù)據(jù)的特征權重。
3.根據(jù)權利要求2所述的跌倒檢測方法，其特征在于，在基于支持向量機SVM分別對每種人體運動數(shù)據(jù)的訓練數(shù)據(jù)進行訓練之前，所述方法還包括：
對所述訓練數(shù)據(jù)進行預處理，所述預處理包括降維和歸一化。
4.根據(jù)權利要求1所述的跌倒檢測方法，其特征在于，根據(jù)所述每種人體運動數(shù)據(jù)和每種人體運動數(shù)據(jù)對應的特征權重確定跌倒檢測結(jié)果包括：
根據(jù)所述特征權重修改鄰近算法KNN距離函數(shù)；
利用修改后的KNN距離函數(shù)對所述至少兩種人體運動數(shù)據(jù)進行KNN分類，得到跌倒檢測結(jié)果。
5.根據(jù)權利要求1所述的跌倒檢測方法，其特征在于，在根據(jù)所述每種人體運動數(shù)據(jù)和每種人體運動數(shù)據(jù)對應的特征權重確定跌倒檢測結(jié)果之后，所述方法還包括：
將所述跌倒檢測結(jié)果通知給用戶，并接收所述用戶的反饋信息；
根據(jù)所述反饋信息和當前的人體運動數(shù)據(jù)修正所述特征權重。
6.根據(jù)權利要求1-5中任一項所述的跌倒檢測方法，其特征在于，所述至少兩種人體運動數(shù)據(jù)包括加速度、角速度、歐拉角和足底壓力中的至少兩種。
7.一種跌倒檢測裝置，其特征在于，包括：
運動數(shù)據(jù)獲取模塊，用于獲取至少兩種人體運動數(shù)據(jù)；
跌倒結(jié)果確定模塊，用于根據(jù)所述每種人體運動數(shù)據(jù)和每種人體運動數(shù)據(jù)對應的特征權重確定跌倒檢測結(jié)果，其中，所述特征權重是基于分類器對每種人體運動數(shù)據(jù)的訓練數(shù)據(jù)進行訓練并計算得到。
8.根據(jù)權利要求7所述的跌倒檢測裝置，其特征在于，所述裝置還包括：
特征權重計算模塊，用于基于分類器對每種人體運動數(shù)據(jù)的訓練數(shù)據(jù)進行訓練并計算出對應的特征權重；其中，
所述特征權重計算模塊包括：
訓練數(shù)據(jù)獲取單元，用于在所述運動數(shù)據(jù)獲取模塊獲取至少兩種人體運動數(shù)據(jù)之前，獲取至少兩種人體運動數(shù)據(jù)的訓練數(shù)據(jù)；
SVM模型訓練單元，用于基于支持向量機SVM分別對每種人體運動數(shù)據(jù)的訓練數(shù)據(jù)進行訓練，得到每種人體運動數(shù)據(jù)的SVM訓練模型；
輸出結(jié)果獲取單元，用于分別將所述每種人體運動數(shù)據(jù)的具有已知跌倒結(jié)果標記的測試數(shù)據(jù)作為對應SVM訓練模型的輸入，得到所述每種人體運動數(shù)據(jù)的測試數(shù)據(jù)的輸出結(jié)果，其中，所述輸出結(jié)果表示在對應的輸入下是否跌倒；
識別率計算單元，用于根據(jù)所述測試數(shù)據(jù)的已知跌倒結(jié)果標記，分別獲取所述每種人體運動數(shù)據(jù)對應的輸出結(jié)果中正確結(jié)果的個數(shù)，根據(jù)所述正確結(jié)果的個數(shù)和所述測試數(shù)據(jù)的總個數(shù)分別計算出每種人體運動數(shù)據(jù)的識別率；
特征權重計算單元，用于根據(jù)所述識別率分別計算出每種人體運動數(shù)據(jù)的特征權重。
9.根據(jù)權利要求8所述的跌倒檢測裝置，其特征在于，所述特征權重計算模塊還包括：
預處理單元，用于在所述識別率獲取單元基于支持向量機SVM分別對每種人體運動數(shù)據(jù)的訓練數(shù)據(jù)進行訓練之前，對所述訓練數(shù)據(jù)進行預處理，所述預處理包括降維和歸一化。
10.根據(jù)權利要求7所述的跌倒檢測裝置，其特征在于，所述跌倒結(jié)果確定模塊包括：
函數(shù)修改單元，用于根據(jù)所述特征權重修改鄰近算法KNN距離函數(shù)；
KNN分類單元，用于利用修改后的KNN距離函數(shù)對所述至少兩種人體運動數(shù)據(jù)進行KNN分類，得到跌倒檢測結(jié)果。
11.根據(jù)權利要求7所述的跌倒檢測裝置，其特征在于，所述裝置還包括：
結(jié)果反饋模塊，用于將所述跌倒檢測結(jié)果通知給用戶，并接收所述用戶的反饋信息；
特征權重修正模塊，用于根據(jù)所述反饋信息和當前的人體運動數(shù)據(jù)修正所述特征權重；相應的，
所述跌倒結(jié)果確定模塊模塊，還用于根據(jù)所述每種人體運動數(shù)據(jù)和每種人體運動數(shù)據(jù)對應的修正后的特征權重確定跌倒檢測結(jié)果。
12.根據(jù)權利要求7-11中任一項所述的跌倒檢測裝置，其特征在于，所述至少兩種人體運動數(shù)據(jù)包括加速度、角速度、歐拉角和足底壓力中的至少兩種。
13.一種跌倒檢測系統(tǒng)，其特征在于，包括九軸運動傳感器、足底壓力傳感器、報警器和如權利要求7-12中任一項所述的跌倒檢測裝置，其中，
所述九軸運動傳感器位于人體腰部，用于采集人體運動數(shù)據(jù)中的加速度、角速度和歐拉角，并將采集到的數(shù)據(jù)發(fā)送至所述跌倒檢測裝置；
所述足底壓力傳感器位于人體足底，用于采集人體運動數(shù)據(jù)中的足底壓力，并將采集到的數(shù)據(jù)發(fā)送至所述跌倒檢測裝置；
所述報警器，用于在所述跌倒檢測裝置得到的檢測結(jié)果為跌倒時，發(fā)出報警信號。