1.一种基于模糊熵的跌倒行为检测方法，其特征在于，包含以下步骤：步骤S1：对输入数据进行预处理操作；

步骤S2：基于模糊熵的对合加速度进行检测；

步骤S3：通过模糊KNN算法对加速度信号进行检测；

其中，步骤S1进一步包括：

步骤S1.1：对于智能终端采集的人体三轴加速度信号，采用移动均值滤波器进行降噪处理；

步骤S1.2：将输入的三轴加速度信号切分为窗口大小为8s，窗口重复率为50％的片段以便于后续的识别；

步骤S1.3：将三轴加速度信号转化为合加速度；对于经过降噪处理和滑动窗口处理后的数据，设A(t)为对应t时刻的合加速度大小，其具体公式如下:其中，A

步骤S2进一步包括：

步骤S2.1：读入传感器合速度数据向量A＝{aΔA＝max(A)-min(A)其中，max(A)表示输入加速度数据片段的最大值，min(A)表示加速度数据片段的最小值，对于合加速度差值小于1.5g的数据片段，标记为日常行为片段，进行过滤；

步骤S2.2：对于过滤后的加速度向量A，进行相空间重构得到一组m维向量X其中i＝1,2,…,N–m+1，m≤N–2，a步骤S2.3：测量矢量

步骤S2.3.1:定义距离

步骤S2.3.2：通过模糊隶属度函数其中，模糊隶属度函数

步骤S2.4：随后通过函数φ

步骤S2.5:将相空间维度m加1，重复S2.4操作，具体计算公式如下：步骤S2.6：最终，得到的模糊熵FuzzyEn(m,n,r,N)的具体计算公式如下：FuzzyEn(m,n,r,N)＝lnφ步骤S2.7：在计算完模糊熵后，采用标准差值作为判断是否发生跌倒的阈值，标准差SD的计算公式如下：步骤S2.8：若模糊熵值小于标准差值，则判断该数据片段有可能为跌倒行为，进入步骤S3，否则输出正常行为；

步骤S3进一步包括：

S3.1：提取输入信号的特征，包括合加速度差，模糊熵值，斜率，倾角差值和标准差值；

S3.2：设输入的数据特征向量F＝{f其中，F

S3.3：在训练阶段，计算数据样本x与训练集中所有样本间的距离，获得数据样本x最近的K个邻居，并计算样本x对应每个类的关系函数m其中，m

S3.4：最终在测试集阶段，根据式S3.3中的关系函数m其中，K表示输出阶段中设定近邻的个数，m表示模糊权重调节因子，最终所求得的最大隶属度值对应的类别即为最终的判定的动作类别；

S3.5：输出最大隶属度值对应的分类结果，判定是否发生跌倒。