面向隐私保护的多阶段跌倒检测框架：半监督联邦学习与机器人视觉确认
计算机视觉与模式识别
2025-07-15 v1 人工智能
机器人学
摘要
老年人口迅速增长，跌倒风险也随之增加。由于跌倒是造成受伤的主要原因，因此及时检测跌倒事件可大幅降低医疗费用和恢复时间。然而，为提供及时的干预并避免不必要的警报，检测系统必须在有效可靠的同时解决用户隐私问题。本文提出了一种用于检测跌倒的框架，包含几个互补系统：基于半监督联邦学习的跌倒检测系统（SF2D）、室内定位与导航系统，以及基于视觉的人体跌倒识别系统。佩戴式设备和边缘设备在第一个系统中识别跌倒情景。第二个系统首先用于定位跌倒位置，然后导航机器人前往现场检查。安装在机器人上的摄像头运行的基于视觉的检测系统用于识别倒地人员。本框架提议的各个系统都具有不同的准确率。具体而言，SF2D的失效率为0.81%，相当于99.19%的准确率；而基于视觉的倒地人员检测准确率为96.3%。然而，当我们将这两个系统的准确率与导航系统（95%成功率）的准确率相组合时，我们的提议框架将实现高度可靠的跌倒检测性能，总体准确率达到99.99%。不仅本框架对老年人安全，而且也是一种面向跌倒检测的隐私保护解决方案。
引用
@article{arxiv.2507.10474,
title = {Privacy-Preserving Multi-Stage Fall Detection Framework with Semi-supervised Federated Learning and Robotic Vision Confirmation},
author = {Seyed Alireza Rahimi Azghadi and Truong-Thanh-Hung Nguyen and Helene Fournier and Monica Wachowicz and Rene Richard and Francis Palma and Hung Cao},
journal= {arXiv preprint arXiv:2507.10474},
year = {2025}
}