你不需要注意：基于手表的跌倒检测的门控卷积建模
计算机视觉与模式识别
2026-05-21 v1 人工智能
摘要
现有的深度学习方法为可穿戴跌倒检测系统依赖自注意力机制，导致二次计算开销，将权重分布到所有时间步。这种全局权重分布会损害在固定长度窗口内识别以短暂冲击特征为特征的跌倒的精确局部化。为克服这一挑战，我们提出了 Gated-CNN（一种轻量级双流体系结构），通过独立的二维卷积特征提取器处理加速度计和陀螺仪流，然后依次经过（i）一个 sigmoid 门控模块，用于选择性地抑制无信息的背景激活，同时放大具有跌倒判别性的特征；（ii）全局平均池化层，将每个流压缩为紧凑的固定长度描述符；（iii）共享的分类头，用于融合两个描述符进行二分类跌倒预测。对于离线评估，我们在五个手腕 mounted inertial measurement unit（IMU）数据集上进行评估，在 SmartFallMM、WEDA-Fall、FallAllD、UMAFall 和 UP-Fall 上分别获得平均 F1 分数为 93%、93%、90%、91% 和 90%。对于实时评估，我们将模型部署在 Google Pixel Watch 3 上并测试了 12 名受试者。该模型在平均 F1 分数 97% 和准确率 98% 的情况下实现了零漏检跌倒，表明 sigmoid 门控为通用智能手表的跌倒检测提供了更结构对齐且计算更高效的替代方案。
引用
@article{arxiv.2605.20275,
title = {You Don't Need Attention: Gated Convolutional Modeling for Watch-Based Fall Detection},
author = {Sana Alamgeer and Ronish Kumar and Awatif Yasmin and Muhammad Irshad and Anne H. H. Ngu},
journal= {arXiv preprint arXiv:2605.20275},
year = {2026}
}