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

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

本综述文章讨论了基于深度学习和计算机视觉的非侵入式（基于视觉）人类跌倒检测技术，包括对跌倒检测基准数据集的调查和对不同评估指标的讨论，同时提出了基于视觉的人类跌倒检测技术未来的研究方向。

Jul, 2022

利用多传感器数据进行高效的跌倒事件识别，通过预处理技术、特征选择和机器学习模型评估，提高了跌倒检测系统的准确性和效率，进而提升了高危人群的安全和福祉。

Dec, 2023

通过使用骨骼数据和采用一种被称为 JoCoT 的方法，提出了一种解决带有噪声标签学习问题的简单而有效的方法，该方法在高噪声情况下比最先进的方法的性能提高了 5.17％和 3.35％，平均对称和双向错误噪声。

Sep, 2023

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

本文提出了一种基于单目视频预测人们跌倒的新方法，利用身体关键点的姿势预测模块和跌倒分类器的联合训练，通过对 191 个视频数据集的对比实验展示了预测未来跌倒的有效性。

Aug, 2019

我们提出了一种隐私保护的解决方案，通过在训练过程中利用标记的 RGB 数据和未标记的深度数据，实现了跨模态的跌倒检测。我们的方法在无监督的 RGB 到深度领域适应任务中取得了最先进的结果。

Aug, 2023