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Ξ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0，计算（ax,ay)、（ay,az)和 (ax，az)的协方差A，计算ax，ay，az各自的香农赌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，计算山，ay，az各自的偏度系数P，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，选择排名最前的巧巾参数。

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Ν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; 步骤e:分布存储与窗口分组列表Lxyzi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-l，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，o，Λ，H]为第一梯度组，[α，o，Λ，H，rl，p，τ]为第二 梯度组，并相应拆分为为分别对α，σ，Λ，Η四种参数进行组合的 代表第一梯度组的特征组合总数

为分别对α，σ，Λ，Η，η，ρ，τ屯种参数进行组合的代 表第二梯度组的的特征组合总数； 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，则将最优组合进入SVM参数优化得出丫值，其中丫值 为RBF核参数;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:根据优化后的丫值和C值，给出最优识别率，其中c值为惩罚因子； 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:获取基于权利要求1~3所述的面向户外摔倒监测的穿戴式单节点的特征选取 方法中得到的优化后的特征组合，读取优化后的SVM参数； 步骤2:构建SVM摔倒数据样本集，并进行训练，输出SVM模型； 步骤3: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4:按公式Δ =ki( l-FNR)+k2( 1-FPR)计算最大值，ki、k2为权重系数，FNR为漏检率， FPR为错检率； 步骤5:比较不同位置的Δ，输出最大Δ对应的部署位置。