《Intelligent Systems with Applications》：Trustworthy Fall Detection: A Responsible AI Approach for Real-Time Video Monitoring of the Elderly
编辑推荐：
老年人跌倒是严重的公共卫生问题，尤其对于独居或生活在辅助护理环境中的个体，延迟干预可能导致严重伤害或死亡。尽管已有许多跌倒检测系统被提出，但现有方法多存在局限性，包括高计算复杂度、可解释性有限、依赖集中式视频存储以及在不同环境中的泛化能力下降。这些挑战促使研究
老年人跌倒是严重的公共卫生问题，尤其对于独居或生活在辅助护理环境中的个体，延迟干预可能导致严重伤害或死亡。尽管已有许多跌倒检测系统被提出，但现有方法多存在局限性，包括高计算复杂度、可解释性有限、依赖集中式视频存储以及在不同环境中的泛化能力下降。这些挑战促使研究人员开发用于医疗应用的轻量级、可解释且可信赖的跌倒检测框架。为解决这些局限性，本文提出了一种基于视觉的跌倒检测框架，该框架整合了MobileNetV2用于高效空间特征提取，以及门控循环单元（GRU）用于时间运动建模。此外，研究人员采用联邦学习策略，支持跨分布式数据源的协作训练，而无需集中收集原始视频记录，从而减少对集中式存储的依赖，并从异构环境中学习。在部署阶段，研究人员采用滑动窗口推理策略以实现可靠且低延迟的跌倒检测。模型透明度通过Grad-CAM++可视化解释进一步支持，而Fairlearn则用于评估不同跌倒类型和用户组之间的性能公平性。在CAUCAFall和Le2i数据集上的实验结果表明，所提出的框架实现了97.14%的准确率、99.26%的精确率、96.75%的召回率和97.99%的F1分数。尽管所达到的准确率比最高报告准确率（99.60%）低2.46个百分点，但对比方法采用了一种更为复杂的多阶段架构。相比之下，所提出的框架采用轻量级MobileNetV2–GRU架构，同时通过Grad-CAM++集成可解释性，使用Fairlearn进行公平性评估，以及去中心化协作学习。此外，在实验平台上，所提出框架的推理吞吐量约为93 FPS，展示了高计算效率。
**研究背景与问题**
老年人跌倒是严重的公共卫生问题，尤其对于独居或生活在辅助护理设施中的个体，延迟干预可能导致严重伤害或死亡。现有跌倒检测系统存在多种局限性：高计算复杂度、可解释性差、依赖集中式视频存储以及在不同环境中的泛化能力不足。这些挑战促使研究人员开发轻量级、可解释且可信赖的跌倒检测框架，以支持实时视频监控中的负责任人工智能（AI）部署。
**研究内容与结论**
本文提出了一种基于视觉的跌倒检测框架，整合MobileNetV2用于空间特征提取、门控循环单元（GRU）用于时间运动建模、Grad-CAM++用于模型可解释性，以及联邦学习用于去中心化训练。在CAUCAFall和Le2i数据集上的实验结果显示，该框架实现了97.14%的准确率、99.26%的精确率、96.75%的召回率和97.99%的F1分数，推理吞吐量约为93 FPS。尽管准确率比最高报告值（99.60%）低2.46个百分点，但对比方法采用更复杂的多阶段架构，而本框架在保持轻量化的同时集成了可解释性、公平性评估和去中心化学习。该论文发表在《Intelligent Systems with Applications》。
**关键技术方法**
研究人员采用以下核心技术：1）MobileNetV2作为轻量级空间特征提取骨干，利用深度可分离卷积降低计算量；2）GRU网络对连续帧特征序列进行时间运动建模，通过更新门和重置门捕捉长时依赖；3）联邦学习（FedAvg聚合）模拟五客户端（Le2i的四个视角和CAUCAFall数据集）协作训练，仅交换模型参数而不共享原始视频；4）Grad-CAM++生成类激活图（CAM）以可视化影响决策的图像区域；5）Fairlearn库评估模型在不同性别和跌倒方向下的性能公平性。样本来源包括CAUCAFall和Le2i两个公开数据集，涵盖多种室内环境和跌倒类型。
**研究结果**
**4.3.1 联邦学习收敛性分析**
研究人员通过20轮通信训练，测试集准确率和损失曲线显示，模型在第19轮达到最优，准确率稳定上升，损失平滑下降，表明联邦学习策略有效整合分布式客户端知识，且收敛速度较快。与集中式训练相比，联邦学习准确率低3.73个百分点，但消除了集中存储原始视频的需求，实现了合理的性能-隐私权衡。
**4.3.2 计算与部署分析**
推理延迟分解显示，MobileNetV2占96.8%推理时间（36.22 ms），GRU仅占2.5%（0.93 ms），全连接层占0.5%（0.20 ms），总推理时间37.43 ms。模型磁盘占用约13.5 MB，每轮通信成本约27 MB/客户端，20轮总计约540 MB/客户端，远低于传输原始视频。
**4.3.3 虚假警报分析**
研究人员通过连续监控7小时34分钟的视频（Baldewijns等数据集）评估，系统产生约0.40次/小时的虚假警报，主要发生在跪姿、弯腰等与跌倒相似的动作中。采用双窗口连续确认机制（连续两个窗口均预测为跌倒才触发警报）有效降低了误报率，但长时间弯腰仍可能引发误报。
**4.3.4 可解释性分析**
比较多种XAI方法（GradCAM、GradCAM++、EigenCAM、EigenGradCAM、FEM、FinerCAM、HiResCAM、XGradCAM），GradCAM++在定位精度和帧间一致性上表现最佳，能清晰突出与跌倒相关的身体区域，而其他方法可能关注无关背景。
**4.3.5 公平性评估**
使用Fairlearn评估性别（男/女）和跌倒方向（后、前、侧、椅）对模型性能的影响。结果显示，F1分数、召回率和精确率在所有性别和跌倒方向组合中保持高度一致，无明显偏差。公平性感知数据划分（两次运行分别达95.00%和95.20%）相比随机划分（均值85.19%±12.9%）更稳定，最终模型结合窗口机制达到97.14%准确率。
**4.4 与传统方法比较**
与多种现有方法相比，本框架在CAUCAFall和Le2i组合数据集上取得竞争性结果。例如，相比Beddiar等（2021）的Le2i结果，准确率提升12.54%；相比Linh Tran等（2024）的CAUCA结果，精确率提升17.26%。虽然Zaghden等（2024）在CAUCA上达到99.6%准确率，但其采用更复杂的Faster R-CNN、OpenPose、GAN等多阶段架构，而本框架以轻量级设计实现了可解释性、公平性和去中心化训练。
**讨论与结论**
讨论部分指出，联邦学习虽导致准确率小幅下降，但提供了去中心化数据管理的实际优势；Grad-CAM++增强了模型透明度；公平性评估确认了无偏性能。然而，当前评估基于公开基准数据集，联邦学习为概念验证模拟，且未集成差分隐私等正式隐私保护机制。未来工作需在真实医疗和辅助生活环境中进行大规模验证，并减少日常活动中的虚假警报。结论部分总结：本文提出了一种轻量级、可解释的跌倒检测框架，整合MobileNetV2、GRU、Grad-CAM++和联邦学习，在CAUCAFall和Le2i数据集上取得竞争性性能，同时保持高推理效率。Grad-CAM++提供直观视觉解释，公平性评估确认不同场景和用户组间性能一致。联邦学习策略支持跨分布式数据源协作训练，减少集中存储需求。尽管存在局限，该框架为可信赖、负责任的AI跌倒检测应用提供了有前景的解决方案。
