基于Butterworth滤波与可解释人工智能的传感器数据跌倒检测系统研究

本研究针对传统跌倒检测系统存在的高误报率、噪声干扰及模型不可解释等问题，提出了一种结合Butterworth滤波与可解释人工智能（XAI）的传感器数据分析方法。通过采用长短期记忆网络（LSTM）模型和向量和变换技术，系统在SisFall数据集上实现98.96%的准确率，显著优于未滤波的79.77%。该研究为医疗监护领域提供了高精度、可解释的实时跌倒检测解决方案。

　　

跌倒一直是威胁老年人健康的重要隐患，世界卫生组织数据显示，65岁以上人群中跌倒已成为意外伤害致死的首要原因。传统检测方法如基于阈值的加速度计监测或视觉监控，常因高误报率、隐私问题及场景泛化能力不足而受限。尽管深度学习技术为跌倒检测带来了新思路，但现有研究仍面临噪声干扰、模型不可解释及实时性不足等挑战。例如，某些模型在模拟数据上表现优异，却在真实场景中性能骤降；另一些模型虽引入复杂架构，却因计算资源需求过高难以部署。

为解决这些问题，来自安娜大学的研究团队在《Engineering Applications of Artificial Intelligence》发表了一项创新研究。该研究通过融合Butterworth滤波技术与可解释人工智能（XAI），开发了一种基于传感器数据的跌倒检测系统。研究采用SisFall数据集，设计了两组对比实验：一组使用Butterworth滤波进行噪声抑制，另一组直接处理原始数据。通过长短期记忆网络（LSTM）模型结合向量和变换（对X轴和Z轴加速度数据进行合成处理）的特征优化方法，系统实现了对运动模式的精准建模。此外，研究引入SHAP和LIME等XAI技术，使模型决策过程可视化，显著提升了医疗场景下的可信度。

关键技术方法包括：1) 使用SisFall公开数据集；2) 设计Butterworth滤波模块消除传感器噪声；3) 构建LSTM模型进行时序特征学习；4) 应用向量和变换增强运动特征表达；5) 采用SHAP/LIME解释模型决策。

结果与讨论部分显示：

• 噪声抑制效果：Butterworth滤波将模型准确率从79.77%提升至98.96%，证实传感器噪声是影响性能的关键因素。
• 特征优化贡献：向量和变换通过融合X/Z轴加速度数据，比传统三轴处理方法更有效捕捉跌倒动态特征。
• 模型可解释性：XAI技术成功识别出滤波后数据的特定频段（如4-6Hz）对跌倒判定的决定性作用，增强了临床应用的信任度。
• 实时性能：系统在嵌入式设备上的推理延迟<50ms，满足医疗监护的实时性需求。

结论指出，该研究首次将信号处理（Butterworth滤波）、特征工程（向量和变换）与模型可解释性（XAI）整合到统一框架中。相比现有技术，该系统在准确性（提升19.19个百分点）、抗干扰性和决策透明度方面均取得突破。特别是通过XAI技术揭示的"低频运动特征主导跌倒判定"规律，为后续研究提供了新方向。研究团队建议未来可结合多目标优化（MOO）技术进一步平衡精度与计算效率，并探索跨模态数据（如心率变异性）的融合应用。

这项工作的临床意义在于：为老年人监护提供了兼具高精度和透明度的跌倒预警工具，其98.96%的准确率显著降低了误报引发的"警报疲劳"；同时，XAI驱动的决策解释能力符合医疗AI伦理要求，为同类可穿戴设备的研发树立了新标准。