基于毫米波雷达与边缘轻量化卷积神经网络的隐私保护老年人跌倒实时检测系统研究

《Sensors》：Real-Time Fall Detection in Indoor Environments Using FMCW Radar and Lightweight Ensemble CNN on Edge Devices

　　跌倒已成为老年人受伤和死亡的主要原因之一，尤其在室内，由于隐私顾虑限制了实时监控手段。本研究开发了一种保护隐私的实时跌倒检测系统，采用调频连续波雷达传感器，并在边缘设备上部署了一个轻量级卷积神经网络（CNN）架构。为解决可穿戴式和视觉类方法的局限性，该系统利用非接触式雷达传感技术与两个独立CNN模型的集成方法：其中基础模型用于捕捉完整的跌倒过程以实现高召回率，子模型则用于精确定位跌倒发生时刻以实现高精确度。最终决策通过投票机制执行，仅当两个模型均判断为跌倒时才触发警报，从而显著降低误报率。在两个模型均未参与训练的14个测试记录中，集成模型成功检测到13次跌倒（召回率92.9%，95%置信区间68.5–98.7%），且无误报；在一项包含4次跌倒和20次非跌倒活动的24次设备端测试中，系统同样全部正确识别跌倒且无误报。该系统运行于低功耗微控制器之上，表明了在设备端实现隐私保护的跌倒检测具有可行性，但仍需在与老年人群体的验证及真实居住环境中的测试进一步确认。