1.一种面向户外摔倒监测的穿戴式单节点的特征选取方法，其特征在于，包括如下步骤：步骤1：在人体上部署单节点；

步骤2：通过单节点采集原始三轴加速度值ax,ay,az，并去除因传感器原因引起的奇异值；

步骤3：对剔除奇异值的ax,ay,az做线性补偿，补偿值由加速度计标定值确定；

步骤4：通过滑动窗口化处理方法将数据样本切分为Xi组，依次代入第一梯度特征计算；

步骤5：计算ax,ay,az的强度值α，计算ax,ay,az各自的标准差σ，计算(ax,ay)、(ay,az)和(ax,az)的协方差Λ，计算ax,ay,az各自的香农熵Η；

步骤6：保存计算后的特征值，将特征值代入特征计算与优化方法进行计算。

步骤7：将计算后的结果进行判定，若已经满足检出率SE要求，则直接进入参数排序与选择模块，否则进入第二梯度计算；

步骤8：计算ax,ay,az最大峰峰导数η，计算ax,ay,az各自的偏度系数ρ，计算ax,ay,az各自的峰度系数τ；

步骤9：返回步骤6；

步骤10：按特征计算与优化方法给出的结果进行参数排序，选择排名最前的3种参数。

2.根据权利要求1所述的面向户外摔倒监测的穿戴式单节点的特征选取方法，其特征在于，所述滑动窗口化处理方法包括如下步骤：

步骤a：获取采集的N个样本数据；

步骤b：读取当前设定的滑动窗口宽度值T；

步骤c：读取当前设定的滑动步长sp和当前窗口起止时间t；

步骤d：分别提取窗口宽度内的ax,ay,az；

i

步骤e：分布存储与窗口分组列表Lxyz 中；

步骤f：对当前t值做出判定，若t＝T-1，则结束窗口化，退出该模块；若t≤T-1，则t＝t+20，即窗口向右移动20ms，宽度不变，然后继续设定提取窗口内ax,ay,az，并存储。

3.根据权利要求1或2所述的面向户外摔倒监测的穿戴式单节点的特征选取方法，其特征在于，所述特征计算与优化方法包括如下步骤：步骤a：获取特征集合；

步 骤 b：将 特 征 集 合 进 行 分 组：[α,σ,Λ,Η] 为 第 一 梯 度 组，[α,σ,Λ,Η,η,ρ,τ]为第二梯度组，并相应拆分为 个组合；

步骤c：进入SVM模型训练，选用SVM分类器C-SVC，核函数为RBF，输出为该样本模型数据集；

步骤d：进行数据集交叉验证，输出最佳参数组合；

步骤e：若组合全部完成交叉验证，则讲最优组合进入SVM参数优化得出γ值；若未全部完成，则继续建立样本集，然后进入SVM模型训练和交叉验证；

步骤f：根据优化后的γ值和c值，给出最优识别率；

步骤g：存储相应的参数组合及识别率。

4.一种面向户外摔倒监测的穿戴式单节点的最佳位置选择方法，其特征在于，包括如下步骤：步骤1：获取面向户外摔倒监测的穿戴式单节点的特征选取方法中得到的优化后的特征组合，读取优化后的SVM参数；

步骤3：构建SVM摔倒数据样本集，并进行训练，输出SVM模型；

步骤4：根据模型对测试集进行预测，统计预测后的漏检率和错检率；

步骤5：按公式Δ＝k1(1-FNR)+k2(1-FPR)计算最大值，k1、k2为权重系数；

步骤6：比较不同位置的Δ，输出最大Δ对应的部属位置。