基于移动设备LiDAR与摄像头的实时跌倒检测系统：地面高度感知技术的创新应用

本研究针对传统跌倒检测系统无法区分不同高度跌倒场景（如床/沙发与地面）的痛点，创新性结合移动设备LiDAR（激光雷达）与摄像头，通过3D坐标映射和姿态估计模型（MoveNet），实现地面高度感知的实时跌倒检测。系统可精准识别危险跌倒（地面）与安全行为（高处躺卧），误报率低于6%，为老年监护和医疗急救提供高精度解决方案。

　　

论文解读
跌倒可能引发严重后果，尤其对老年群体而言，及时识别危险跌倒（如地面摔倒）与安全行为（如躺卧沙发）是医疗监护领域的核心挑战。现有技术存在明显局限：可穿戴设备需贴身佩戴且无高度感知能力；基于摄像头的系统易受隐私争议和视角限制；环境传感器则缺乏移动性。更关键的是，这些方法均无法区分"跌倒至地面"与"跌坐沙发"的本质差异，导致误报率居高不下。

为解决这一难题，台湾大学的研究团队在《Biomedical Signal Processing and Control》发表创新成果，首次将iPhone/iPad Pro的LiDAR与摄像头融合，开发出具有地面高度感知能力的实时跌倒检测系统"Fallert"。该系统通过LiDAR获取环境3D坐标（精度192×256像素），结合MoveNet姿态估计模型提取人体17个关键点2D坐标，利用相机内外参矩阵实现2D到3D坐标的精准映射（公式(1)-(3)）。通过动态比较头部高度（H_head）与地面高度（H_ground），并引入25cm阈值（D_{closeToGroundThreshold}）和自由落体速度判定（公式(6)），实现危险跌倒的智能判别。

关键技术方法
研究采用iPhone 12 Pro/iPad Pro 11" 3rd的LiDAR获取场景深度数据，通过相机内参矩阵K和外参矩阵[R|t]实现2D图像到3D世界坐标的转换。使用Google MoveNet模型提取人体17个关键点坐标，以头部5个特征点（鼻、双眼、双耳）平均高度作为H_head，场景最低点作为H_ground。设置头部接近地面阈值25cm、持续报警阈值30秒（T_{alertThreshold}），结合自由落体运动公式（0.5gT²_{lastFrameInterval}）实现多维度判定。

研究结果
3.1 头部高度检测精度
对182cm、160cm、104cm三名测试者的超万帧数据分析显示，系统区分头部是否接近地面的准确率达94.41%-99.58%，验证了不同身高、设备高度（86-165cm）和摄像头俯角（7°-20°）下的鲁棒性。

3.2 六类跌倒活动检测
针对前倾、侧摔、后倒等六类跌倒的测试表明，平均检测准确率70%-90.91%。未识别案例主要源于姿态估计模型在极端姿势下的失效，研究者建议通过多设备组网解决遮挡问题。

3.3 高度场景区分
沙发/床铺跌倒与地面跌倒的对比实验显示，系统对高处跌倒的误报率为0%，地面跌倒识别准确率90%，且能100%排除仰卧起坐等类似动作的干扰。

3.4 瑜伽动作误报控制
在20,664帧瑜伽动作测试中，仅96帧误报（0.54%），主要发生在多人重叠场景。研究表明低速动作（如瑜伽下犬式）不会触发自由落体判定机制。

3.5 光照适应性
实验证实设备在低照度下（仅桌面灯）仍可工作，但完全黑暗环境失效，这是所有视觉方案的固有局限。

结论与展望
该研究开创性地将消费级移动设备转化为高精度跌倒监测终端，其地面高度感知特性使系统能智能区分"危险跌倒"与"安全行为"，较传统方法减少60%以上误报。设备无需固定安装角度（可水平旋转）、支持多人检测的特点，使其在养老院、康复中心等场景具有独特优势。未来通过融合可穿戴设备数据、升级LiDAR分辨率（当前192×256）、增加多视角检测，可进一步突破遮挡限制。这项技术为居家智能监护提供了兼顾隐私性（不存储影像）、准确性（<6%误报）和普适性（现有iOS设备即支持）的创新方案，标志着跌倒检测从"有无判断"迈向"风险分级"的新阶段。