融合生物力学与时空特征用于跌倒预测：刻画与缓解仿真现实差距
计算机视觉与模式识别
2025-11-25 v2
摘要
跌倒是老年人受伤及失去独立生活能力的主要原因。基于视觉的跌倒预测系统能够在碰撞前数秒内预测跌倒，但由于可获取跌倒数据的稀缺，导致其开发受限。为此，本研究提出了生物力学时空图卷积网络（BioST-GCN），一种双流模型，通过跨注意力融合机制组合姿态信息与生物力学信息。我们的方法在仿真 MCF-UA 特技演员和 MUVIM 数据集上分别将 vanilla ST-GCN baseline 的 F1 分数提升了 5.32% 和 2.91%。然而，仍存在显著的仿真-现实差距：尽管在完全监督的仿真数据上实现 89.0% 的 F1 分数，但零样本迁移到未见主体时性能骤降至 35.9%。这种下降可能源于仿真数据中的偏差，如“意图性跌倒”线索。对于糖尿病或体弱的老年人群，此差距因其独特的运动学特征而进一步加剧。为此，我们提出个性化策略，并倡导采用隐私保护的数据管道以支持实际应用。我们的发现凸显了迫切需要缩小仿真数据与真实世界数据之间的鸿沟，以开发针对易感老年人群的有效跌倒预测系统。
引用
@article{arxiv.2511.14620,
title = {Fusing Biomechanical and Spatio-Temporal Features for Fall Prediction: Characterizing and Mitigating the Simulation-to-Reality Gap},
author = {Md Fokhrul Islam and Sajeda Al-Hammouri and Christopher J. Arellano and Kavan Hazeli and Heman Shakeri},
journal= {arXiv preprint arXiv:2511.14620},
year = {2025}
}