《Big Data and Cognitive Computing》：A Data-Driven Real-Time Fall-from-Height Detection Method for On-Device Worker Safety Wearables
编辑推荐：
坠落（Fall-from-height, FFH）检测是可穿戴安全系统中的一个关键组成部分，尤其是在高强度运动可能导致频繁误报的环境中。基于加速度信号简单阈值处理的传统方法，由于信号特征重叠，往往无法可靠地区分坠落事件与非坠落活动。本文提出了一种数据驱动的FF
坠落（Fall-from-height, FFH）检测是可穿戴安全系统中的一个关键组成部分，尤其是在高强度运动可能导致频繁误报的环境中。基于加速度信号简单阈值处理的传统方法，由于信号特征重叠，往往无法可靠地区分坠落事件与非坠落活动。本文提出了一种数据驱动的FFH检测方法，该方法将多个互补特征集成到一个统一的基于评分的模型中。所提出的方法首先执行结构化峰值检测以提取候选冲击事件，同时显著减少需要进一步处理的样本数量。然后，使用峰值前结构、冲击后稳定性和压力变化来评估每个候选事件，这些特征分别捕捉了FFH事件的结构、时间和物理特性。基于统计分析，设计了按特征划分的评分贡献度以反映其区分能力，最终的FFH决策通过累加评分机制执行。这种公式化方法能够灵活处理模糊情况，同时保留强烈的FFH特征。实验结果表明，在所选的决策阈值下，所提出的方法保持了100%的召回率，同时显著减少了非FFH活动产生的误报。此外，峰值检测阶段减少了超过99%的原始样本，实现了适用于可穿戴系统的高效设备端处理。所提出的方法还包括对延迟特性的定量分析。尽管FFH推理延迟受到异步压力传感的影响，但延迟仍然是有界且可预测的，并且大多数检测在实际时间范围内完成，满足实时可穿戴安全应用的需求。总体而言，所提出的方法在检测灵敏度、误报抑制、计算效率和实时可行性之间实现了实际平衡，证明了其在可穿戴安全系统中的适用性。
### **研究背景与问题提出**
在工业和建筑等高风险工作场所，坠落（Fall-from-height, FFH）事故是导致职业性死亡的主要原因之一。为了保障工人安全，利用可穿戴传感器进行人体活动识别和坠落检测已成为重要研究方向。然而，现有的检测方法在实际部署中面临诸多挑战。传统的基于阈值的方法虽然计算复杂度低，但因其依赖简单的信号特征（如加速度幅度和冲击阈值），难以捕捉复杂的运动模式，导致在高强度日常活动中误报率较高。基于机器学习（ML）或深度学习（DL）的方法虽然提高了识别精度，但通常需要基于时间窗口的推理和离线训练，这引入了延迟和计算开销，限制了其在资源受限的可穿戴平台上的应用。此外，大多数现有研究关注于日常生活跌倒场景，并未明确考虑工业环境中FFH事件特有的结构特征。更重要的是，尽管经常报告误报率，但详细描述监测时长、日常活动以及导致误报的具体场景的评估往往有限。同时，推理延迟通常通过模型复杂度或硬件规格间接讨论，而在连续实时操作下的定量延迟分析则较少被一致地报告。这些局限性使得难以在传统分类性能指标之外评估现有方法的实际部署特性。
### **研究内容与主要贡献**
为应对上述挑战，本研究提出了一种专为可穿戴系统设计的、数据驱动的、设备端运行的FFH检测框架。该方法不依赖于数据密集型的机器学习模型，而是基于从真实世界数据中观察到的信号级特征进行设计。研究人员通过分析加速度和压力信号，设计了一个轻量级的、基于峰值的特征提取和基于规则的推理框架，实现了完全流式处理，无需固定长度的活动分割，从而在资源受限的硬件上实现实时检测。该研究的主要贡献包括：1）基于实证信号分析而非基于模型学习的数据驱动FFH检测设计方法；2）支持实时设备端操作的轻量级峰值特征提取和基于规则的推理框架；3）使用真实世界数据集进行的全面评估，包括检测性能、误报分析和推理延迟的明确测量。该研究成果发表在《Big Data and Cognitive Computing》期刊上。
### **关键技术方法概述**
研究人员开发了一个集成了惯性传感器（三轴加速度计）和压力传感器（气压计）的定制化可穿戴设备原型。系统软件基于Zephyr实时操作系统（RTOS）实现。核心检测流程分为两个阶段：首先，通过结构化峰值检测从连续的加速度幅度信号中提取候选冲击事件，该过程利用幅度、突出度和邻域条件显著减少了需要处理的样本数量（减少超过99%）。其次，对每个候选事件进行多条件评估，这些条件基于对FFH与非FFH活动信号特征的统计分析而设计，包括：峰值前结构（捕捉支撑丧失和自由落体运动）、冲击后稳定性（反映着陆后的静止状态）和压力变化（指示垂直位移）。这些特征通过一个数据驱动的评分模型进行整合，每个特征根据其统计区分能力被赋予不同的权重，最终通过累加评分与预设阈值比较来做出FFH决策。
### **研究结果分析**
**1. 峰值检测效率**
所提出的结构化峰值检测方法将原始数据量从173,255,410个样本减少到876,357个检测到的峰值，减少了约99.05%。这种渐进式减少显著降低了系统计算负担，为实现低延迟的实时设备端FFH检测奠定了基础。
**2. FFH检测性能**
基于评分模型的FFH检测在决策阈值设为1.0时，对FFH事件保持了100%的召回率。同时，该方法显著抑制了来自高强度非FFH活动（如跑步、跳跃、快速坐下、碰撞等）的误报。阈值分析表明，在阈值提升至1.2时，误报数量从156个大幅减少至28个，而召回率仍保持100%，证明了评分设计的有效性。
**3. 误报分析**
误报并未在活动进行中被观察到，而是发生在活动停止、参与者保持静止之后。当活动同时满足三个条件时可能产生误报：产生足够大的加速度峰值、手腕高度变化产生可测量的压力变化、以及活动后有一段静止期。这种现象在手腕垂直位移范围较大的参与者中更为常见。
**4. 延迟分析**
系统的实时性能通过测量峰值检测和FFH推理的延迟进行评估。峰值检测延迟主要由基于邻域的窗口结构决定，固定延迟约为50毫秒。FFH推理延迟则主要受压力评估过程支配，由于加速度和压力数据采样频率不同，系统必须在检测到峰值后等待足够的压力变化更新，导致延迟分布更广，大部分在500毫秒至1500毫秒之间，最坏情况下约为1508毫秒。尽管存在此延迟，但其是有界且可预测的，满足可穿戴FFH安全应用的实时性要求。
### **讨论与结论**
**讨论部分总结：**
实验结果表明，所提出的基于评分的FFH检测框架能有效区分FFH事件与非FFH活动，同时保持低误报率。其有效性源于整合了捕捉FFH事件不同物理特征的多个互补特征：峰值前结构反映了冲击前的支撑丧失和自由落体运动，冲击后稳定性代表了着陆后常见的活动减少，压力变化则提供了垂直位移的证据。这种多特征集成解决了仅凭幅度或振幅无法解决的FFH与非FFH活动间的特征重叠问题。
与许多基于机器学习的跌倒检测方法相比，本框架遵循事件驱动的设计理念。只有峰值检测阶段识别出的候选峰值会被进一步评估，这显著减少了需要分析的数据量，使方法能在资源受限的可穿戴设备上高效运行。因此，峰值检测阶段不仅作为候选事件生成器，也充当了有效的实时设备端部署计算过滤机制。
尽管所提出的框架在评估场景中表现出稳定的性能，但仍存在一些关于其普适性的局限。受控的FFH数据集来自三名参与者在安全约束条件下的实验，所有坠落均从约2米高度落到安全垫上。身体特征（如体重、身高、臂长）可能影响手腕测量的详细加速度曲线。安全垫的使用也可能影响实验中观察到的冲击特性。此外，当前框架采用了从收集的数据集中推导出的固定评分参数，个体生理特征的差异可能影响FFH事件期间的详细信号模式。未来的研究需要在更广泛、更多样化的参与者群体中验证该框架，并研究用户特异性变异性和自适应参数选择。
**研究结论翻译：**
本文提出了一种为可穿戴系统设计的数据驱动坠落（FFH）检测方法。所提出的方法将FFH检测表述为一个基于评分的决策问题，整合了从统计分析中推导出的多个互补特征。
与依赖单特征条件的传统基于阈值的方法不同，所提出的方法结合了峰值前结构、冲击后稳定性和压力变化，以捕捉FFH事件的结构、时间和物理特征。通过这种多特征集成，该方法有效地解决了FFH与非FFH活动之间的重叠问题，而这是仅凭幅度和振幅无法解决的。
峰值检测阶段显著减少了需要进一步处理的样本数量，实现了高效的候选事件生成。基于这个缩减的集合，评分模型通过累积特征级证据来评估FFH可能性，从而允许灵活处理模糊情况。
实验结果表明，所提出的方法实现了可靠的FFH检测性能，同时抑制了来自高强度活动的误报。基于统计可分离性设计的评分公式提供了一个经过阈值分析验证的平衡决策机制。
与许多现有的基于云端或人工智能驱动的方法相比，所提出的方法专为具有可预测延迟特性的实际设备端操作而设计。在许多先前的研究中，尽管推理延迟和误报行为在实际可穿戴安全应用中非常重要，但并未被明确分析。相比之下，本工作定量分析了延迟和误报特性，提供了一个更面向部署的评估框架。
在实时性能方面，所提出的方法在设备端高效运行，同时保持了有界且可预测的延迟特性。尽管FFH推理延迟受到压力传感异步性的影响，但大多数检测都在适用于可穿戴安全应用的实际时间范围内完成。
总体而言，所提出的方法在检测灵敏度、误报抑制、计算效率和实时可行性之间提供了实际的平衡，证明了其在可穿戴安全系统中的适用性。
未来的工作包括使用更大、更多样化的参与者群体验证所提出的框架，在真实建筑工地条件下评估性能，以及研究用户特定生理特征的影响。本研究进行的误报分析表明，某些手臂密集型活动在随后长时间静止时，偶尔会产生类似FFH的信号特征。因此，未来的研究将探索基于用户特定人体测量特征以及活动感知解释机制的个性化策略，以在保持轻量级设备端操作的同时进一步减少误报。
