别踏步：面向实时流式场景的加速度计基于感知的跌倒检测框架
机器学习
2025-09-16 v1
摘要
实时跌倒检测对于及时干预并减轻跌倒带来的严重健康风险至关重要，尤其是对于老年人群。然而，现有方法常依赖模拟数据或事先了解跌倒事件的假设，限制了其实际应用场景。实际部署还需要高效计算和针对连续监控的鲁棒评估指标。本文提出了一个无需事先了解跌倒事件的连续监控跌倒检测框架。我们使用来自 FARSEEING 真实跌倒数据集的超过 60 小时的惯性测量单元（IMU）数据，采用最新的高效分类器以流式模式计算跌倒概率。为提升鲁棒性，我们引入代价敏感学习策略，通过反映漏检跌倒风险高于误报的代价函数来调优决策阈值。与许多仅在召回率高代价为精度低的方法不同，我们的框架在 FARSEEING 数据集上实现了召回率为 1.00、精确率为 0.84，F1 分数为 0.91，检测所有跌倒且保持误报率低，平均推理时间低于 5 毫秒/样本。这些结果表明，代价敏感阈值调优提高了基于加速度计的跌倒检测鲁棒性。我们高效的计算框架也为实时可穿戴传感器系统的持续监控提供了潜在应用前景。
关键词
引用
@article{arxiv.2509.11789,
title = {Watch Your Step: A Cost-Sensitive Framework for Accelerometer-Based Fall Detection in Real-World Streaming Scenarios},
author = {Timilehin B. Aderinola and Luca Palmerini and Ilaria D'Ascanio and Lorenzo Chiari and Jochen Klenk and Clemens Becker and Brian Caulfield and Georgiana Ifrim},
journal= {arXiv preprint arXiv:2509.11789},
year = {2025}
}