通过对深度学习在视觉数据上应用的研究文献的系统回顾，本研究讨论了关于独居老人安全的两个主要任务 —— 摔倒检测和人体活动识别，以及相关数据集和硬件设备的使用情况，并对现有方法的优势和劣势进行了讨论，提出了未来工作的建议。

Jan, 2024

通过多模式方法，使用手腕加速度计数据和传感器与摄像头数据的融合来检测老年人跌倒，并对其进行二分类标记，使用 UP-FALL 检测数据集进行实验，结果表明使用多种传感器数据并未显著提高跌倒检测的性能。

Feb, 2023

使用姿势估计提出了一种轻量级快速的人体摔倒检测系统，可以在低计算设备上实时工作，对于老年人的医疗护理系统非常重要。

Jan, 2024

本文提出了单图像人体坠落检测器 (SSFD)，通过人体姿势感知、3D 姿势估计和坠落识别实现对于老年人及时的坠落检测和预警，从而提高其在家中的安全性。实验结果表明，该深度学习模型具有较强的泛化性能和准确率。

Apr, 2020

本研究提出了基于可穿戴设备和人工智能的自动跌倒检测系统 CareFall，并采用机器学习的方法，通过加速度计和陀螺仪等信息，提高跌倒检测的准确率，旨在为老年人提供智能、用户友好的解决方案来减轻跌倒的负面后果。

Jul, 2023

基于嵌入式传感器的跌倒检测是近年来的一个实际且流行的研究方向，本文构建了一个完整的系统 TSFallDetect，利用时间序列数据提出了一个新的基于深度学习模型的跌倒预测方法，通过实证研究表明该深度学习模型在跌倒检测领域具有更多的潜在优势。

Feb, 2024

本文提出了一个新的框架 ——DeepFall，将跌倒检测问题转化为异常检测问题，并利用深度时空卷积自编码器从常规活动中学习空间和时间特征，通过复合窗口中帧的重构分数来检测未知跌倒，应用于三个公开数据集时显示出了超越传统自编码器方法的优越性。

Aug, 2018

通过系统的经验研究，本文探讨了基于深度卷积网络的跌倒识别过程及其效果，并提出了几个有助于提高跌倒检测系统性能的因素。

Dec, 2018

本文提出了一种基于粗细卷积神经网络和门控循环单元的集成模型，用于可靠地检测老年人的跌倒事件。该模型利用传感器采集的信号，结合人工智能技术进行分析，融合不同层次的空间特征和时序依赖关系进行特征表示，实验结果表明其在区分跌倒与日常活动方面的可靠性和性能优于现有的卷积神经网络和长短时记忆网络方法。

Apr, 2023

本文介绍了一种基于语义分割的算法，它使用 3D 深度传感器在地面上检测倒下的人，并通过使用 SVM 分类器来实现。该算法可在配备标准笔记本电脑的移动机器人上执行，并在实际情景中显示出鲁棒性和速度。

Mar, 2017