1.一種跌倒檢測設備，其特征在于，包括：發(fā)送器以及接收器；
所述發(fā)送器與所述接收器通過電容耦合方式接入人體，所述發(fā)送器的發(fā)送電極與所述接收器的接收電極構成前向回路，所述發(fā)送器的地電極與所述接收器的地電極構成后向回路；
所述發(fā)送器，用于產(chǎn)生跌倒檢測信號，并將所述跌倒檢測信號耦合至人體；
所述接收器，用于獲取通過人體傳輸?shù)乃龅箼z測信號的接收測量值；根據(jù)所述接收測量值，提取用于表征人體跌倒與未跌倒時所述后向回路的信道特征差異的跌倒描述特征的特征值；根據(jù)所述跌倒描述特征的特征值，進行跌倒檢測。
2.根據(jù)權利要求1所述的跌倒檢測設備，其特征在于，所述發(fā)送器包括：
微處理器、直接數(shù)字式頻率合成器DDS、巴倫轉(zhuǎn)換器、低通濾波器、發(fā)送電極以及地電極；
其中，所述微處理器，用于控制所述DDS產(chǎn)生設定頻率范圍內(nèi)的單端正弦波信號；
所述巴倫轉(zhuǎn)換器，用于將所述DDS輸出的所述單端正弦波信號轉(zhuǎn)換為雙端正弦波信號，并輸出至所述低通濾波器；
所述低通濾波器，用于對所述雙端正弦波信號進行低通濾波，并將濾波后產(chǎn)生的跌倒檢測信號通過所述發(fā)送電極耦合至人體中；
所述發(fā)送電極與人體的皮膚表面相接觸，所述地電極與所述發(fā)送電極絕緣連接。
3.根據(jù)權利要求1所述的跌倒檢測設備，其特征在于，所述接收器包括：微處理器、接收電極以及地電極；
所述接收電極，用于獲取通過人體傳輸?shù)乃龅箼z測信號的接收測量值，并將所述接收測量值發(fā)送至所述微處理器；
所述微處理器，用于根據(jù)所述接收測量值，提取用于表征人體跌倒與未跌倒時所述后向回路的信道特征差異的跌倒描述特征的特征值；根據(jù)所述跌倒描述特征的特征值，進行跌倒檢測；
所述接收電極與人體的皮膚表面相接觸，所述地電極與所述接收電極絕緣連接。
4.一種跌倒檢測方法，應用于如權利要求1-3任一項所述的跌倒檢測設備的接收器中，其特征在于，包括：
通過接收電極獲取跌倒檢測信號的接收測量值；
根據(jù)所述接收測量值，提取用于表征人體跌倒與未跌倒時后向回路的信道特征差異的跌倒描述特征的特征值；
根據(jù)所述跌倒描述特征的特征值，進行跌倒檢測。
5.根據(jù)權利要求4所述的方法，其特征在于，所述跌倒檢測信號為周期性的變頻信號；
其中，所述變頻信號在一個周期內(nèi)以第一頻率為起點，按照設定頻率跨度遞增值至第二頻率。
6.根據(jù)權利要求5所述的方法，其特征在于，根據(jù)所述接收測量值，提取用于表征人體跌倒與未跌倒時所述后向回路的信道特征差異的跌倒描述特征的特征值包括：
根據(jù)所述接收測量值，更新接收信號變化曲線；其中，所述接收信號變化曲線與一個周期內(nèi)的所述跌倒檢測信號相對應；
根據(jù)所述接收信號變化曲線，計算至少一項跌倒描述特征的特征值。
7.根據(jù)權利要求6所述的方法，其特征在于，根據(jù)所述接收測量值，更新接收信號變化曲線包括：
根據(jù)第K時刻下獲取的所述跌倒檢測信號的接收測量值以及卡爾曼濾波算法，計算所述第K+1時刻下所述跌倒檢測信號的預估計最優(yōu)值，其中，K為大于等于1的正整數(shù)；
使用所述跌倒檢測信號的預估計最優(yōu)值，更新所述接收信號變化曲線。
8.根據(jù)權利要求6所述的方法，其特征在于，根據(jù)所述跌倒描述特征的特征值，進行跌倒檢測包括：
將至少一項跌倒描述特征的特征值輸入至預先訓練的跌倒檢測預測模型中，并根據(jù)所述跌倒檢測預測模型的輸出結果，進行跌倒檢測。
9.根據(jù)權利要求8所述的方法，其特征在于，訓練跌倒檢測預測模型包括：
獲取跌倒檢測訓練實例集，其中，訓練示例包括：當人體未發(fā)生跌倒時，通過人體中接入的跌倒檢測設備中的接收器獲取的接收信號變化曲線；以及當人體發(fā)生跌倒時，通過人體中接入的跌倒檢測設備中的接收器獲取的接收信號變化曲線；
根據(jù)設定模型構建算法，以及各所述接收信號變化曲線在至少一個所述跌倒描述特征下的特征值，訓練生成所述跌倒檢測預測模型。
10.根據(jù)權利要求9所述的方法，其特征在于，所述模型構建算法為決策樹算法，所述跌倒檢測預測模型為決策樹模型；
其中，所述決策樹模型中的不同子節(jié)點對應不同的跌倒描述特征。
11.根據(jù)權利要求10所述的方法，其特征在于，根據(jù)設定模型構建算法，以及各所述接收信號變化曲線在至少一個所述跌倒描述特征下的特征值，訓練生成所述跌倒檢測預測模型包括：
確定所述決策樹算法的類別屬性的取值為發(fā)生跌倒以及未發(fā)生跌倒；
確定所述決策樹算法的非類別屬性為所述跌倒描述特征，并設定所述跌倒描述特征的標準取值；
計算所述類別屬性的信息熵；
根據(jù)各所述接收信號變化曲線在至少一個所述跌倒描述特征下的特征值，計算各所述非類別屬性的信息熵；
根據(jù)所述類別屬性的信息熵，以及所述非類別屬性的信息熵，計算各所述非類別屬性的信息增量值，并根據(jù)各所述非類別屬性的信息增量值，確定目標測試屬性；
將所述目標測試屬性作為一個當前子節(jié)點，并在所述當前子節(jié)點的基礎上，重復迭代重新確定新的測試屬性作為新的子節(jié)點，直至生成決策樹模型作為所述跌倒檢測預測模型。
12.根據(jù)權利要求5-11任一項所述的方法，其特征在于，所述跌倒描述特征包括下述至少一項：
所述接收信號變化曲線的最大值、所述接收信號變化曲線的最大值與最小值的差值、所述接收信號變化曲線的方差、所述接收信號變化曲線的斜率以及跌倒后接收信號變化曲線的平均值。
13.一種跌倒檢測裝置，其特征在于，包括：
接收測量值獲取模塊，用于通過接收電極獲取跌倒檢測信號的接收測量值；
特征值提取模塊，用于根據(jù)所述接收測量值，提取用于表征人體跌倒與未跌倒時后向回路的信道特征差異的跌倒描述特征的特征值；
跌倒檢測模塊，用于根據(jù)所述跌倒描述特征的特征值，進行跌倒檢測。
14.根據(jù)權利要求13所述的裝置，其特征在于，所述跌倒檢測信號為周期性的變頻信號；
其中，所述變頻信號在一個周期內(nèi)以第一頻率為起點，按照設定頻率跨度遞增值至第二頻率。
15.根據(jù)權利要求14所述的裝置，其特征在于，所述特征值提取模塊包括：
變化曲線更新單元，用于根據(jù)所述接收測量值，更新接收信號變化曲線；其中，所述接收信號變化曲線與一個周期內(nèi)的所述跌倒檢測信號相對應；
特征更新值計算單元，用于根據(jù)所述接收信號變化曲線，計算至少一項跌倒描述特征的特征值。
16.根據(jù)權利要求15所述的裝置，其特征在于，所述跌倒檢測模塊據(jù)具體用于：
將至少一項跌倒描述特征的特征值輸入至預先訓練的跌倒檢測預測模型中，并根據(jù)所述跌倒檢測預測模型的輸出結果，進行跌倒檢測。