智慧科技

老人跌倒检测系统设计与实现

靳 冲

重庆工贸职业技术学院，人工智能学院

DOI: https://doi.org/10.59429/zhkj.v3i5.15761

Keywords: 老人跌倒；人体姿态；数据融合；深度学习

---

Abstract

国内人口老龄化程度持续加深，居家养老成为主流养老模式，老年人在室内发生跌倒极易造成骨折、颅内损 伤等严重继发性伤害，是老年群体意外伤害的首要诱因。当前主流跌倒检测方案分为纯视频视觉识别与单一穿戴惯 性传感检测两类，单一视觉方案易受画面遮挡、光照变化干扰产生漏报，仅依靠加速度传感器则无法区分弯腰、快 速落座、下蹲等日常动作，误报、漏报问题难以同时兼顾。针对上述痛点，本文设计并实现一套融合三维人体姿态 与腰部惯性传感信息的老人跌倒智能检测系统，依托深度学习与 Transformer 注意力机制完成多模态特征融合判别。 系统采集两路异构数据作为模型输入：视觉支路通过 RTMPose3D 提取 COCO17 标准三维骨骼关键点序列，依靠深 度维度信息消除平面成像带来的姿态歧义，精准捕捉人字失衡、侧向倾倒、后仰跌倒等典型失稳姿态；穿戴设备支 路借助 BeltAccelerometer 腰带式三轴加速度传感器采集人体质心运动时序数据，捕捉跌倒瞬间的运动冲击特征。在 数据预处理阶段采用 Trial ID 匹配完成样本粗对齐，再通过时间戳插值实现帧级时序配准，同时对视频、传感数据 执行清洗、采样、归一化等操作，剔除无效噪声样本。预处理后分别提取具备物理语义的姿态特征与时域运动特征， 搭建双分支编码器完成特征升维映射，再经由 Transformer 模块实现跨模态特征交互融合，最后通过多层感知机输出 跌倒分类结果，采用交叉熵损失完成模型迭代训练。消融实验结果表明，相较于单模态基线模型，双模态融合方案整 体识别准确率可达 94.28%，跌倒召回率显著提升，能够有效过滤日常活动引发的误报警。整套系统可同时完成本地存 储视频离线解析与实时监控流在线推理，运行稳定可靠，能够为居家养老环境下老年人安全监测提供可行的技术方案。

---

References

[1] 王建霞，田楠楠，李璇等. 基于改进 YOLOv12 的多场景老人跌倒检测[J]. 河北工业科技，2026, 43 (4): 319-327.

[2] 殷贤涛. 基于 YOLOv8-pose 与时空图卷积网络的跌倒检测算法研究[D]. 贵州师范大学，2026.

[3] 邹一唱，王雅婷，赵贞莲等. 基于 YOLOv10 和 OpenPose 的老人跌倒检测综述[J]. 数字技术与应用，2026, 44 (1): 178-180.

[4] 吴宗胜，黄奕，王芝怡等. 基于 YOLOv11 跌倒检测系统的设计与实现[J]. 咸阳师范学院学报，2025, 40 (6): 24-29+35.