CN106725495A - 一种跌倒检测方法、装置及系统 - Google Patents

Abstract

本发明实施例公开了一种跌倒检测方法、装置及系统，其中，所述方法包括：获取至少两种人体运动数据；根据所述每种人体运动数据和每种人体运动数据对应的特征权重确定跌倒检测结果，其中，所述特征权重是基于分类器对每种人体运动数据的训练数据进行训练并计算得到。本发明实施例通过将人体跌倒动作的信号特征进行智能学习与提取，确定各个特征对跌倒检测的贡献度，即所述特征权重，利用该特征权重进行跌倒检测，从而削弱了人为主观选取单值作为阈值的局限性，提高了跌倒检测的准确性。

Description

一种跌倒检测方法、装置及系统

技术领域

本发明实施例涉及电子技术领域，尤其涉及一种跌倒检测方法、装置及系统。

背景技术

世界人口老龄化趋势已不可避免，其中老年人由于肌肉能力退化，成为易跌倒人群，并且跌倒严重威胁着老年人的健康，老年人跌倒后容易发生骨折，骨折后通常需要长期卧床，并产生一系列的并发症，造成身体功能直线下降，甚至危及生命。各类跌倒预警器随着社会的需要应运而生，由于跌倒预警器是可穿戴设备且价格低廉，受到了广大老年人的喜爱。

目前，跌倒预警器采用的跌倒检测算法都是基于一个平台的人体运动数据变化进行跌倒检测，常用的有阈值法，该方法根据人体运动的加速度、角速度、欧拉角信号的变化异常来作出是否跌倒的决策。但是由于人体动作变化多样，且阈值法往往是凭研究者的主观经验选取的阈值，对各种跌倒状况不具有普遍性，造成老年人跌倒预警器经常发出错误报警信号，准确率不高。

发明内容

本发明实施例提供一种跌倒检测方法、装置及系统，以解决跌倒检测准确率不高的问题。

第一方面，本发明实施例提供了一种跌倒检测方法，该方法包括：

获取至少两种人体运动数据；

根据所述每种人体运动数据和每种人体运动数据对应的特征权重确定跌倒检测结果，其中，所述特征权重是基于分类器对每种人体运动数据的训练数据进行训练并计算得到。

第二方面，本发明实施例还提供了一种跌倒检测装置，该装置包括：

运动数据获取模块，用于获取至少两种人体运动数据；

跌倒结果确定模块，用于根据每种人体运动数据和每种人体运动数据对应的特征权重确定跌倒检测结果，其中，所述特征权重是基于分类器对每种人体运动数据的训练数据进行训练并计算得到。

第三方面，本发明实施例还提供了一种跌倒检测系统，包括九轴运动传感器、足底压力传感器、报警器和本发明任意实施例所提供的跌倒检测装置，其中，

所述九轴运动传感器位于人体腰部，用于采集人体运动数据中的加速度、角速度和欧拉角，并将采集到的数据发送至所述跌倒检测装置；

所述足底压力传感器位于人体足底，用于采集人体运动数据中的足底压力，并将采集到的数据发送至所述跌倒检测装置；

所述报警器，用于在所述跌倒检测装置得到的检测结果为跌倒时，发出报警信号。

本发明实施例预先基于分类器对每种人体运动数据的训练数据进行训练并计算出每种人体运动数据对应的特征权重，在进行跌倒检测时，根据实时获取到的至少两种人体运动数据和对应的特征权重确定跌倒检测结果，而由于不同种类的运动数据作为跌倒检测的依据其贡献度不同，因此，本发明实施例将人体跌倒动作的信号特征进行智能学习与提取，确定各个特征对跌倒检测的贡献度，即所述特征权重，然后利用该特征权重进行跌倒检测，从而削弱了人为主观选取单值作为阈值的局限性，提高了跌倒检测的准确性。

附图说明

图1是本发明实施例一中的跌倒检测方法的流程图；

图2是本发明实施例二中的跌倒检测方法的流程图；

图3是本发明实施例三中的跌倒检测方法的流程图；

图4是本发明实施例四中的跌倒检测装置的结构示意图；

图5是本发明实施例五中的跌倒检测装置的结构示意图；

图6是本发明实施例六中的跌倒检测系统的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

SVM(Support Vector Machine)，支持向量机是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。

KNN(k-Nearest Neighbor algorithm)，邻近算法是电子信息分类器算法的一种。

实施例一

图1为本发明实施例一提供的跌倒检测方法的流程图，本实施例可适用于人体跌倒检测。如图6所示为适用于执行本发明实施例跌倒检测方法的一种优选跌倒检测系统，该系统包括九轴运动传感器1、足底压力传感器2、报警器3和跌倒检测装置4，其中，九轴运动传感器1用于采集人体运动数据中的加速度、角速度和欧拉角，并将采集到的数据发送至跌倒检测装置4；足底压力传感器2用于采集人体运动数据中的足底压力，并将采集到的数据发送至跌倒检测装置4；报警器3，用于在跌倒检测装置4得到的检测结果为跌倒时，发出报警信号。该方法可以由跌倒检测装置4来执行，该装置可以采用软件和/或硬件的方式实现，配置在系统的处理中。

本发明实施例一的跌倒检测方法具体包括：

S110、获取至少两种人体运动数据。

人体运动数据是由配置在人身上的传感器(如九轴运动传感器1和足底压力传感器2)实时采集得到，表示人体在行进过程中以及在跌倒时等运动状态下的运动数据。人体在跌倒时，各种运动数据会发生比较大的变化，而通过对这些实时采集到的运动数据进行分析，可以判断出人体是否跌倒。

优选的，人体运动数据包括加速度、角速度、欧拉角和足底压力中的至少两种。需要说明的是，用于跌倒检测的人体运动数据种类越全面，则检测的准确性越高。

S120、根据每种人体运动数据和每种人体运动数据对应的特征权重确定跌倒检测结果，其中，特征权重是基于分类器对每种人体运动数据的训练数据进行训练并计算得到。

人体在跌倒时，不同种类的运动数据的变化情况是不一样的，进一步的，对于不同身形和体重的人，在不同的外界环境中，其跌倒时的运动数据的变化情况更加复杂，因此，不同种类的运动数据作为跌倒检测的依据其贡献度是不一样的。而预先基于分类器对每种人体运动数据的大量的训练数据进行训练并计算出特征权重，该特征权重即可表示出每一种运动数据作为跌倒检测的依据的贡献度，在实时进行跌倒检测时，通过确定每种人体运动数据的特征权重并将其作为检测依据，从而可以更准确地得到检测结果。

此外，在一种优选的实施方式中，在确定跌倒检测结果之后，本发明实施例的跌倒检测方法还可以包括：

将跌倒检测结果通知给用户，并接收用户的反馈信息；

根据反馈信息和当前的人体运动数据修正特征权重。

具体的，接收用户对跌倒检测结果的反馈信息可以统计出检测结果的准确度，而由于特征权重是基于分类器对每种人体运动数据的训练数据进行训练并计算得到，训练数据具有一定的随机性，因此，经训练得到的特征权重需要在实际跌倒检测过程中，根据目标个体(即用户)自身的人体运动数据及反馈信息来进行修正，以使修正后的特征权重更加符合该目标个体，对该目标个体进行的跌倒检测结果更加准确。

可选的，可以结合所述反馈信息，并基于分类器对收集到的目标个体自身跌倒时的运动数据进行训练并计算得到修正的特征权重。此外，可以在收集到预设数量的反馈信息和跌倒时的运动数据后进行修正，或者按照一定的预设周期进行修正，本发明实施例对此不做任何限定。

本发明实施例利用确定出的人体运动数据的特征权重来进行跌倒检测，且该特征权重是基于分类器对每种人体运动数据的训练数据进行训练并计算得到，从而削弱了人为主观选取单值作为阈值的局限性，提高了跌倒检测的准确性。

实施例二

图2为本发明实施例二提供的跌倒检测方法的流程图，实施例二在实施例一的基础上进一步说明基于分类器得到特征权重的操作，如图2所示，本发明实施例二的跌倒检测方法具体包括：

S210、获取至少两种人体运动数据的训练数据。

优选的，至少两种人体运动数据包括加速度、角速度、欧拉角和足底压力中的至少两种。

实施时，训练数据可通过大量实验获得，该训练数据包括人体正常行进过程中的人体运动数据，也包括跌倒时的人体运动数据，该跌倒时的人体运动数据可以由实验人员频繁多次模仿在各种环境下的跌倒动作，从而获取到大量跌倒时的数据。需要说明的是，且训练数据量越大，训练效果越好。

S220、基于支持向量机SVM分别对每种人体运动数据的训练数据进行训练，得到每种人体运动数据的SVM训练模型。

具体的，经训练得到的SVM训练模型可以用来预测某一人体运动数据发生时人体是否会跌倒。实施时，例如可以将加速度、角速度、欧拉角和足底压力各自的训练数据分别进行训练，继而分别得到加速度、角速度、欧拉角和足底压力的各自对应的SVM训练模型。

在一种实施方式中，在S210之前，优选的，还可以对训练数据进行预处理，该预处理包括降维和归一化。对人体运动数据进行预处理的目的是为了满足SVM分类器对数据处理的需要。

S230、分别将每种人体运动数据的具有已知跌倒结果标记的测试数据作为对应SVM训练模型的输入，得到每种人体运动数据的测试数据的输出结果，其中，输出结果表示在对应的输入下是否跌倒。

具体的，测试数据可由实验人员通过大量实验获得，该测试数据包括人体正常行进过程中的人体运动数据和跌倒时的人体运动数据，在实验过程中，哪些人体运动数据发生时人体跌倒了，相应的，哪些人体运动数据发生时人体没有跌倒，都是已知的。因此，将测试数据附加上所述已知跌倒结果标记，从而通过该标记即可获知这些人体运动数据的测试数据哪些会引起跌倒以及哪些不会引起跌倒。

实施时，例如，可以将加速度的具有已知跌倒结果标记的测试数据作为加速度的SVM训练模型的输入，得到加速度的测试数据的输出结果，该输出结果表示在对应的加速度的输入下模型判断出是否跌倒。相应的，对角速度、欧拉角和足底压力这三种人体运动数据也是如此操作。

S240、根据测试数据的已知跌倒结果标记，分别获取每种人体运动数据对应的输出结果中正确结果的个数，根据正确结果的个数和测试数据的总个数分别计算出每种人体运动数据的识别率。

具体的，在S230中，利用训练出的模型得到是否跌倒的输出结果中会存在与已知跌倒结果标记不相符的结果，而在每种人体运动数据的全部测试数据对应的输出结果中，与已知跌倒结果标记相符的正确结果越多，表示该种人体运动数据的识别率越高，因此，将正确结果的个数除以测试数据的总个数得到的数值即为该种人体运动数据的识别率，通过该识别率可以表示出该种人体运动数据对人体跌倒检测的贡献度。示例性的，识别率可以用r表示。

S250、根据识别率分别计算出每种人体运动数据的特征权重，特征权重即表示每种人体运动数据在人体跌倒检测中的贡献度。

示例性的，可以将特征权重用w表示，以人体运动数据包括加速度、角速度、欧拉角和足底压力这四种为例，可以利用如下两个公式计算出每一种人体运动数据的特征权重：

w₁+w₂+w₃+w₄＝1

w₁:w₂:w₃:w₄＝r₁:r₂:r₃:r₄

式中，r₁、r₂、r₃、r₄分别为加速度、角速度、欧拉角和足底压力作为单一特征在SVM分类器下的识别率；w₁、w₂、w₃、w₄分别为加速度、角速度、欧拉角和足底压力的特征权重。

示例性的，若以人体运动数据包括加速度、角速度、欧拉角和足底压力中任意两种为例，则可以利用如下两个公式计算出每一种人体运动数据的特征权重：

w₁'+w₂'＝1

''''

w₁:w₂＝r₁:r₂

式中，r₁’、r₂’分别为加速度、角速度、欧拉角和足底压力中的任意两种人体运动数据作为单一特征在SVM分类器下的识别率；w₁’、w₂’分别为对应这两种人体运动数据的特征权重。

此处需要说明的是，选取的人体运动数据种类越多，获取最终检测结果的正确性越高。

在S210-S250中，是预先计算特征权重的操作，在确定特征权重之后，可以用于接下来实时进行跌倒检测。

S240、获取至少两种人体运动数据。

具体的，在本操作中，是实时获取至少两种人体运动数据，并且优选的，实时获取的人体运动数据包括加速度、角速度、欧拉角和足底压力中的至少两种。

S250、根据每种人体运动数据和每种人体运动数据对应的特征权重确定跌倒检测结果。

本发明实施例预先利用人体大量的训练数据，并基于SVM分类器得到每种人体运动数据的特征权重，能够准确的通过训练提取出各个运动数据作为跌倒检测依据的贡献度，从而提高了跌倒检测的准确性。

实施例三

图3为本发明实施例三提供的跌倒检测方法的流程图，实施例三在上述实施例的基础上对根据每种人体运动数据和每种人体运动数据对应的特征权重确定跌倒检测结果做出进一步说明，如图3所示，本发明实施例三的跌倒检测方法具体包括：

S310、获取至少两种人体运动数据。

S320、根据每种人体运动数据的特征权重修改邻近算法KNN距离函数。

具体的，以获取加速度、角速度、欧拉角和足底压力这四种人体运动数据为例，KNN距离函数为：

D＝d₁(x,x_i)+d₂(x,x₂)+d₃(x,x₃)+d₄(x,x₄)

式中，d₁、d₂、d₃、d₄分别为加速度、角速度、欧拉角和足底压力的特征距离。

根据这四种人体运动数据的特征权重修改邻近算法KNN距离函数，即将加速度、角速度、欧拉角和足底压力各自的特征权重分别作为KNN距离函数的修改参数，得到修改后的KNN距离函数如下：

D＝w₁d₁(x,x_i)+w₂d₂(x,x₂)+w₃d₃(x,x₃)+w₄d₄(x,x₄)

式中，w₁、w₂、w₃、w₄分别为加速度、角速度、欧拉角和足底压力的特征权重。

示例性的，若以人体运动数据包括加速度、角速度、欧拉角和足底压力中任意两种为例，则得到修改后的KNN距离函数如下：

D'＝w₁'d₁'(x,x_i)+w₂'d₂'(x,x₂)

式中，d₁’、d₂’分别为加速度、角速度、欧拉角和足底压力中任意两种运动数据的特征距离；w₁’、w₂’分别为该两种运动数据对应的特征权重。

S330、利用修改后的KNN距离函数对至少两种人体运动数据进行KNN分类，得到是否跌倒的检测结果。

修改后的KNN距离函数更能体现出不同运动数据的特征作为不同个体跌倒检测依据的贡献度，使得检测结果更加具有针对性，准确性也得到了提高。

在一种实施方式中，可以预先在KNN分类器中配置发生跌倒或者没有发生跌倒两个类及其对应的至少两种人体运动数据的样本数据。实施时，将实时采集的至少两种人体运动数据输入KNN分类器，利用修改后的KNN距离函数对实时采集的至少两种人体运动数据进行KNN分类，即可得出是否跌倒的检测结果。例如，可以预先标记为0表示没有跌倒，1表示跌倒，则实时获取到的人体运动数据作为修改后的KNN距离函数的输入，输出则为0或1，继而得出是否跌倒的结论。

本发明实施例利用每种人体运动数据的特征权重修改KNN距离函数的参数，利用修改后的KNN距离函数对实时获取到的运动数据进行KNN分类，从而更加准确地检测出是否跌倒，且运算过程简单易于实现。

实施例四

图4是本发明实施例四中的跌倒检测装置的结构示意图，该跌倒检测装置应用于跌倒检测系统。如图4所示，本发明实施例四的跌倒检测装置4包括：运动数据获取模块41和跌倒结果确定模块42，其中，

运动数据获取模块41，用于获取至少两种人体运动数据；

跌倒结果确定模块42，用于根据每种人体运动数据和每种人体运动数据对应的特征权重确定跌倒检测结果，其中，特征权重是基于分类器对每种人体运动数据的训练数据进行训练并计算得到。

优选的，至少两种人体运动数据包括加速度、角速度、欧拉角和足底压力中的至少两种。

本发明实施例利用确定出的人体运动数据的特征权重来进行跌倒检测，且该特征权重是基于分类器对每种人体运动数据的训练数据进行训练并计算得到，从而削弱了人为主观选取单值作为阈值的局限性，提高了跌倒检测的准确性。

实施例五

图5是本发明实施例五中的跌倒检测装置的结构示意图，本实施例在实施例四的基础上做出进一步说明，其中，与实施例四相同的模块采用相同的附图标记。如图5所示，本发明实施例五的跌倒检测装置4包括：运动数据获取模块41、跌倒结果确定模块42、特征权重计算模块43、结果反馈模块44和特征权重修正模块45，其中，

运动数据获取模块41，用于获取至少两种人体运动数据；

跌倒结果确定模块42，用于根据每种人体运动数据和每种人体运动数据对应的特征权重确定跌倒检测结果，其中，特征权重是基于分类器对每种人体运动数据的训练数据进行训练并计算得到；

特征权重计算模块43，用于基于分类器对每种人体运动数据的训练数据进行训练并计算出对应的特征权重，具体的，特征权重计算模块43包括：

训练数据获取单元431，用于在运动数据获取模块41获取至少两种人体运动数据之前，获取至少两种人体运动数据的训练数据；

SVM模型训练单元433，用于基于支持向量机SVM分别对每种人体运动数据的训练数据进行训练，得到每种人体运动数据的SVM训练模型；

输出结果获取单元434，用于分别将每种人体运动数据的具有已知跌倒结果标记的测试数据作为对应SVM训练模型的输入，得到每种人体运动数据的测试数据的输出结果，其中，输出结果表示在对应的输入下是否跌倒；

识别率计算单元435，用于根据测试数据的已知跌倒结果标记，分别获取每种人体运动数据对应的输出结果中正确结果的个数，根据正确结果的个数和测试数据的总个数分别计算出每种人体运动数据的识别率；

特征权重计算单元436，用于根据识别率分别计算出每种人体运动数据的特征权重；

优选的，特征权重计算模块43还包括：

预处理单元432，用于在识别率获取单元443基于支持向量机SVM分别对每种人体运动数据的训练数据进行训练之前，对训练数据进行预处理，所述预处理包括降维和归一化；

进一步的，跌倒结果确定模块42具体包括：

函数修改单元421，用于根据特征权重修改邻近算法KNN距离函数；

KNN分类单元422，用于利用修改后的KNN距离函数对至少两种人体运动数据进行KNN分类，得到跌倒检测结果；

结果反馈模块44，用于将跌倒检测结果通知给用户，并接收用户的反馈信息；

特征权重修正模块45，用于根据反馈信息和当前的人体运动数据修正特征权重；

相应的，跌倒结果确定模块43还用于根据每种人体运动数据和每种人体运动数据对应的修正后的特征权重确定跌倒检测结果。

本发明实施例充分利用了人体跌倒动作发生时所产生的运动数据的信号特征，把人体跌倒动作的信号特征基于SVM分类器进行智能学习与提取，获得每种人体运动数据的特征权重，将该特征权重作为KNN距离函数的修改参数继而进行跌倒检测，削弱了人为主观选取单值作为阈值的局限性，对不同人体发生跌倒的运动特征有了更好地包容性，从而提高了跌倒检测的准确性，且运算过程简单易于实现，降低了开发成本，有利于产品的普及。

实施例六

图6是本发明实施例六中的跌倒检测系统的结构示意图，该跌倒检测系统用于进行人体跌倒检测和报警。如图6所示，本发明实施例六的跌倒检测系统包括：九轴运动传感器1、足底压力传感器2、报警器3和如上述实施例所述的跌倒检测装置4，其中，

九轴运动传感器1位于人体腰部，用于采集人体运动数据中的加速度、角速度和欧拉角，并将采集到的数据发送至跌倒检测装置4；

足底压力传感器2位于人体足底，用于采集人体运动数据中的足底压力，并将采集到的数据发送至跌倒检测装置4；

跌倒检测装置4，用于获取来自九轴运动传感器1和足底压力传感器2的至少两种人体运动数据，确定每种人体运动数据的特征权重，并根据每种人体运动数据和对应的特征权重确定跌倒检测结果，所述特征权重是基于分类器对每种人体运动数据的训练数据进行分类并计算得到；

报警器3，用于在跌倒检测装置4得到的检测结果为跌倒时，发出报警信号。

本发明实施例通过采集加速度、角速度、欧拉角和足底压力四种运动数据，并利用每种运动数据的特征权重进行跌倒检测，提高了检测结果的准确性，当检测出跌倒时能够及时发出报警信号，降低了跌倒检测的误报率，提高了对跌倒状况的处理效率，为老年人提供了安全保障。

上述跌倒检测装置和跌倒检测系统可执行本发明任意实施例所提供的跌倒检测方法，具备执行方法相应的功能模块和有益效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (13)

1.一种跌倒检测方法，其特征在于，包括：

获取至少两种人体运动数据；

根据每种人体运动数据和每种人体运动数据对应的特征权重确定跌倒检测结果，其中，所述特征权重是基于分类器对每种人体运动数据的训练数据进行训练并计算得到。

2.根据权利要求1所述的跌倒检测方法，其特征在于，在所述获取至少两种人体运动数据之前，所述方法还包括：

获取至少两种人体运动数据的训练数据；

基于支持向量机SVM分别对每种人体运动数据的训练数据进行训练，得到每种人体运动数据的SVM训练模型；

分别将所述每种人体运动数据的具有已知跌倒结果标记的测试数据作为对应SVM训练模型的输入，得到所述每种人体运动数据的测试数据的输出结果，其中，所述输出结果表示在对应的输入下是否跌倒；

根据所述测试数据的已知跌倒结果标记，分别获取所述每种人体运动数据对应的输出结果中正确结果的个数，根据所述正确结果的个数和所述测试数据的总个数分别计算出每种人体运动数据的识别率；

根据所述识别率分别计算出每种人体运动数据的特征权重。

3.根据权利要求2所述的跌倒检测方法，其特征在于，在基于支持向量机SVM分别对每种人体运动数据的训练数据进行训练之前，所述方法还包括：

对所述训练数据进行预处理，所述预处理包括降维和归一化。

4.根据权利要求1所述的跌倒检测方法，其特征在于，根据所述每种人体运动数据和每种人体运动数据对应的特征权重确定跌倒检测结果包括：

根据所述特征权重修改邻近算法KNN距离函数；

利用修改后的KNN距离函数对所述至少两种人体运动数据进行KNN分类，得到跌倒检测结果。

5.根据权利要求1所述的跌倒检测方法，其特征在于，在根据所述每种人体运动数据和每种人体运动数据对应的特征权重确定跌倒检测结果之后，所述方法还包括：

将所述跌倒检测结果通知给用户，并接收所述用户的反馈信息；

根据所述反馈信息和当前的人体运动数据修正所述特征权重。

6.根据权利要求1-5中任一项所述的跌倒检测方法，其特征在于，所述至少两种人体运动数据包括加速度、角速度、欧拉角和足底压力中的至少两种。

7.一种跌倒检测装置，其特征在于，包括：

运动数据获取模块，用于获取至少两种人体运动数据；

跌倒结果确定模块，用于根据所述每种人体运动数据和每种人体运动数据对应的特征权重确定跌倒检测结果，其中，所述特征权重是基于分类器对每种人体运动数据的训练数据进行训练并计算得到。

8.根据权利要求7所述的跌倒检测装置，其特征在于，所述装置还包括：

特征权重计算模块，用于基于分类器对每种人体运动数据的训练数据进行训练并计算出对应的特征权重；其中，

所述特征权重计算模块包括：

训练数据获取单元，用于在所述运动数据获取模块获取至少两种人体运动数据之前，获取至少两种人体运动数据的训练数据；

SVM模型训练单元，用于基于支持向量机SVM分别对每种人体运动数据的训练数据进行训练，得到每种人体运动数据的SVM训练模型；

输出结果获取单元，用于分别将所述每种人体运动数据的具有已知跌倒结果标记的测试数据作为对应SVM训练模型的输入，得到所述每种人体运动数据的测试数据的输出结果，其中，所述输出结果表示在对应的输入下是否跌倒；

识别率计算单元，用于根据所述测试数据的已知跌倒结果标记，分别获取所述每种人体运动数据对应的输出结果中正确结果的个数，根据所述正确结果的个数和所述测试数据的总个数分别计算出每种人体运动数据的识别率；

特征权重计算单元，用于根据所述识别率分别计算出每种人体运动数据的特征权重。

9.根据权利要求8所述的跌倒检测装置，其特征在于，所述特征权重计算模块还包括：

预处理单元，用于在所述识别率获取单元基于支持向量机SVM分别对每种人体运动数据的训练数据进行训练之前，对所述训练数据进行预处理，所述预处理包括降维和归一化。

10.根据权利要求7所述的跌倒检测装置，其特征在于，所述跌倒结果确定模块包括：

函数修改单元，用于根据所述特征权重修改邻近算法KNN距离函数；

KNN分类单元，用于利用修改后的KNN距离函数对所述至少两种人体运动数据进行KNN分类，得到跌倒检测结果。

11.根据权利要求7所述的跌倒检测装置，其特征在于，所述装置还包括：

结果反馈模块，用于将所述跌倒检测结果通知给用户，并接收所述用户的反馈信息；

特征权重修正模块，用于根据所述反馈信息和当前的人体运动数据修正所述特征权重；相应的，

所述跌倒结果确定模块模块，还用于根据所述每种人体运动数据和每种人体运动数据对应的修正后的特征权重确定跌倒检测结果。

12.根据权利要求7-11中任一项所述的跌倒检测装置，其特征在于，所述至少两种人体运动数据包括加速度、角速度、欧拉角和足底压力中的至少两种。

13.一种跌倒检测系统，其特征在于，包括九轴运动传感器、足底压力传感器、报警器和如权利要求7-12中任一项所述的跌倒检测装置，其中，

所述九轴运动传感器位于人体腰部，用于采集人体运动数据中的加速度、角速度和欧拉角，并将采集到的数据发送至所述跌倒检测装置；

所述足底压力传感器位于人体足底，用于采集人体运动数据中的足底压力，并将采集到的数据发送至所述跌倒检测装置；

所述报警器，用于在所述跌倒检测装置得到的检测结果为跌倒时，发出报警信号。