综述：老年人跌倒预测的前沿综述：探索边缘设备作为未来有前景的研究方向

这篇综述系统探讨了老年人跌倒预测领域的最新进展，重点分析了机器学习（ML）、深度学习（DL）和边缘计算（TinyML）技术的应用。文章指出当前研究多聚焦于生物力学因素（如步态、认知），而忽视了跌倒的多维性，并提出基于微型机器学习（TinyML）的智能穿戴设备是未来提升远程医疗（Telehealth）监测的关键方向。

　　

引言

跌倒已成为威胁老年人健康的首要因素，全球每年因跌倒导致的医疗支出高达500亿美元。随着老龄化加剧（预计2050年老年人口达21亿），开发实时、精准的跌倒预测系统迫在眉睫。传统方法依赖临床评估如“起立行走测试”（TUG），但机器学习（ML）和深度学习（DL）正逐步颠覆这一领域。

跌倒风险因素的多维性

跌倒风险公式（FRF=0.13(I_a
)+0.15(I_s
)+...）揭示了年龄、性别、认知等6大核心指标。其中，认知障碍（MCI）和视觉衰退（全球50岁以上患者超10亿）是主要诱因，而肌肉萎缩（如帕金森病PD）和头晕（24%老年人受困）进一步加剧风险。单轴加速度积分（SMA=1/M_T
∫M_x
(t)dt+...）被用于量化日常活动中的异常运动模式。

技术突破：从算法到微型化

机器学习（ML）：支持向量机（SVM）因高分类精度（95.91%）和低内存占用成为穿戴设备首选，而随机森林（RF）因计算负载过大受限。
深度学习（DL）：长短期记忆网络（LSTM）凭借92.1%的步态时空特征识别率领先，但需结合临床知识优化原始数据处理。
边缘设备（TinyML）：Arduino Nano等微型控制器通过量化压缩模型（精度损失5-15%）实现98.6%的实时预测，功耗仅50mW。

挑战与未来方向

数据瓶颈：67%研究依赖实验室数据，老年真实场景数据匮乏。
隐私平衡：多普勒雷达替代摄像头，避免隐私侵犯。
临床整合：需开发适配电子病历（EHR）的标准化接口。

结论

TinyML驱动的智能穿戴设备（如手环、智能拐杖）将成为跌倒预测的核心载体，但需解决模型轻量化与异构数据融合问题。未来需构建跨学科框架，将生理参数与环境因素（如Wi-Fi定位）动态关联，最终实现“预测-干预”闭环管理。