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

本研究使用多个应用组件来研究坠落检测系统的开发挑战和选择，并提供未来研究材料。该系统使用加速度计和 ECG 传感器进行测试，并通过 ResNet152 模型在标准化和洗牌数据集上取得了最佳表现，实现了 92.8% 的 AUC，87.28% 的灵敏度和 98.33% 的特异度。

Jun, 2022

该研究提出了一种创新方法来解决老年人跌倒事件的紧迫问题，通过开发一种准确的跌倒检测系统。我们的系统结合了最先进的技术，包括加速度计和陀螺仪传感器，以及深度学习模型，特别是长短期记忆网络。通过树莓派硬件的集成实现了实时执行能力。我们引入了修剪技术，通过策略性地调整 LSTM 模型的架构和参数来优化系统性能。我们优先考虑召回率而不是精确度，旨在准确识别跌倒事件并最小化误报，以便及时干预。大量实验和细致评估表明了出色的性能指标，强调高召回率和 96% 的特异性。我们的研究取得了一种处于最前沿的跌倒检测系统，能够及时发送通知，确保脆弱个体得到及时帮助并改善其整体健康状况。应用 LSTM 模型并加入修剪技术代表了跌倒检测技术的重大进展，提供了一种有效可靠的跌倒预防和干预解决方案。

Sep, 2023

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

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

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

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

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

本文提出了一种经济有效、低功耗的无意跌倒检测方法，利用基于知识蒸馏的 LSTM (长时记忆) 模型显著提高准确性。通过对来自各种传感器的时间序列数据的分析，该解决方案提供实时检测能力，确保及时可靠地识别跌倒情况。作者研究了基于不同传感器的跌倒检测模型，比较它们的准确率和性能。此外，他们采用知识蒸馏技术，提高模型的精度，从而得到消耗更低功耗的精细准确配置。因此，该解决方案为未来在这一关键领域中开发节能的跌倒检测系统提供了引人注目的途径。

Aug, 2023