可穿戴物联网技术已成为当今老年人护理中不可或缺的一部分，因为它能够帮助检测跌倒事件，并在事故发生后立即向护理人员或家属发出警报。
这项技术结合了智能传感器、连接功能以及自动化的紧急响应机制，能够实时检测跌倒情况，从而有效缩短患者在无人看护状态下可能处于危险中的时间。
让我们来看看世界卫生组织的数据是如何说明这一点的。根据世卫组织的数据，每年都有684,000人因跌倒而死亡；此外，还有3730万例跌倒事件导致患者需要接受医疗救治。而且，有相当数量的人在跌倒后会在地上无人看护地躺上数小时，尤其是那些独居老人。
正是这些可穿戴物联网系统旨在帮助弥补这一缺口。在本文中，我们将详细探讨跌倒检测技术的工作原理，从可穿戴设备内部的传感器开始，一直到警报信息如何被发送给护理人员或家属。
目录
阅读前需了解的基本知识
在阅读本文之前，建议先掌握以下基础知识：
-
物联网设备及其连接互联网的方式
-
可穿戴技术，如智能手表或健身手环
-
加速度计、陀螺仪等传感器的工作原理
-
蓝牙、GPS等基本无线通信技术
-
移动应用程序及通知系统
阅读这篇文章并不需要具备高级的技术或编程知识。
什么是跌倒检测系统？
跌倒检测系统能够自动检测到跌倒情况，并向看护者、家人或紧急服务机构发出警报，而用户无需采取任何行动。
“无需用户进行任何操作”这一点至关重要，因为一旦有人发生了跌倒，他们可能根本没有能力去按下一个按钮之类的动作。
现代的跌倒检测系统利用物联网、机器学习、云计算以及通信技术方面的进展，能够在30秒内完成跌倒检测并发出警报。
硬件：承担核心任务的传感器
所有可穿戴式跌倒检测设备的核心都是惯性测量单元（IMU），它由两个传感器组成：
-
加速度计：能够检测三个轴方向上的加速度变化，当发生碰撞时，它能准确测出突然的减速情况。大多数商用设备所使用的加速度计的测量范围为±120米/秒²，MPU-6050芯片在原型设备及量产产品中都非常常见。
-
陀螺仪：用于检测角速度变化（范围为±1200°/秒），通过分析身体的旋转方向来判断是向前跌倒、向后跌倒还是其他类型的跌倒。在这种情况下，跳跃或快速坐下等动作不会被误认为是跌倒。
这两个传感器共同提供了关于物体运动情况的六轴数据，这些数据正是检测算法进行处理的输入信息。
更高级的设备还会配备心率传感器、GPS和气压计。跌倒时心率的变化有助于判断是否真的发生了跌倒事件；GPS可以帮助快速定位用户的位置，而气压计则能显示用户当前所处的楼层。
传感器的安装位置其实比人们想象的要重要得多。腰部佩戴的传感器能够采集到最准确的数据，因为在跌倒过程中，腰部的运动幅度最大；但商用产品通常会选择手腕佩戴型传感器，因为如果人们根本不佩戴这些设备，精确度也就无关紧要了。
算法：从原始数据到分类判断
原始的传感器数据只是一串数字而已。真正起到关键作用的是算法——它才能回答那个最重要的问题：这个人是否刚刚发生了跌倒？
听起来很简单，但实际上并非如此。在跑步、跳跃或坐下等动作中产生的物理现象，有时会与跌倒时的情况相似。如果算法出现错误，要么会漏掉真正的跌倒事件，要么会产生过多的误报，而这两种情况都会带来严重的后果。
不同的可穿戴式跌倒检测系统会使用不同类型的算法来分析传感器数据，并判断是否发生了跌倒事件。这些算法包括基于规则的方法、机器学习技术，以及更为先进的深度学习算法。选择哪种算法取决于多种因素，例如设备的复杂程度、处理能力、对精确度的要求，以及电池续航能力的限制等。
基于阈值的检测方法
这是最古老的一种检测方式。你需要设定一些标准：如果加速度超过了X g力，且人在之后的Y秒内保持静止状态，那么你就将这种情况视为跌倒。这种检测方法采用有限状态机来工作：传感器会依次经历不同的状态（从直立状态到自由落体状态，再到撞击后静止的状态），当这些状态按顺序发生时，系统就会识别出跌倒行为。
这种方法的体积小、耗电少，但误报率较高，尤其是对于那些活动频繁或存在震颤症状的用户来说。
经典机器学习方法
支持向量机、随机森林和k近邻算法被广泛用于基于标记传感器数据训练的可穿戴跌倒检测系统。这些模型通过分析加速度计和陀螺仪捕捉到的运动数据，来区分真正的跌倒与误报。
在一项研究中，支持向量机的准确率为87%，k近邻算法的准确率为84%，而随机森林的准确率则为89%。
深度学习方法
CNN-LSTM混合模型能够直接从加速度计和陀螺仪的数据中提取空间和时间特征，无需进行人工的特征工程处理。注意力机制也是一种可行的解决方案，它可以根据具体的运动模式有选择地关注某些传感器数据。
实验室环境与现实世界之间的差异
残酷的现实是，实验室中的检测结果并不能直接应用于现实世界中。
在实验中，参与测试的对象都是年轻且健康的个体，他们清楚地知道自己在做什么。但在现实生活中，跌倒事件往往发生在患有其他疾病的老年人身上，而且通常发生在环境杂乱、毫无征兆的情况下。
在一项针对19名受试者进行的长达400多小时的实验中，只有10次真实的跌倒事件被记录下来，因此该跌倒检测系统的实际性能与实验室测试结果相比有了显著下降。
缩小实验室测试结果与现实世界应用效果之间的差距，应该是未来可穿戴跌倒检测系统发展的关键目标。
物联网技术如何将警报信息传递给用户
检测到跌倒行为只是第一步，接下来整个流程是这样的……
首先进行边缘处理
这种检测算法是直接在可穿戴设备的微控制器上运行的，而不是通过云端远程处理的。这一点非常重要，因为后者这种方式被称为“边缘计算”，其重要性体现在两个方面：效率（因为频繁与云端进行数据传输会降低整体运行速度）和可靠性（因为在地下室、电梯里或者信号不佳的地方，这种技术能够更可靠地发挥作用）。
像ESP32这样的微控制器能够以极低的功耗在本地执行分类算法和状态机逻辑。
确认窗口
当设备检测到跌倒发生时，它通常会先启动30到60秒的倒计时，而不会立即呼叫紧急救援服务。在这段时间内，可穿戴设备会发出振动信号并播放警报音，这样用户就可以在发现这是误报时及时取消操作。
这一点非常重要，因为如果不能做到这一点，任何突然的手臂动作都可能导致紧急呼叫被触发。
警报发送机制
一旦确认跌倒事件确实发生，系统就会将通知信息以及用户的GPS坐标通过以下方式发送出去：
-
NB-IoT：这种协议非常适合户外使用的可穿戴设备。它利用现有的LTE网络进行数据传输，耗电量极少，并且信号穿透能力很强。
-
BLE：通过连接用户的手机来转发警报信息。
-
Wi-Fi：在家庭环境中，Wi-Fi传输速度快且稳定性高，连接性能良好。
-
LoRaWAN：这种技术适用于远距离通信，而且耗电量非常低，非常适合大型校园或农村地区使用。
接收到警报信息后，系统会根据不同的配置将其转发为短信通知、推送通知、向相关部门发起紧急呼叫，或者发送给护理人员。
消费者设备的发展现状
苹果手表4系列及后续版本在消费者可穿戴设备中拥有目前最为先进的跌倒检测技术。该技术利用加速度计和陀螺仪收集的数据，并结合机器学习算法来检测跌倒事件；如果佩戴者没有发出任何活动信号，系统会自动发起求助请求。
苹果公司会不断优化其跌倒检测系统，以消除各种可能出现的错误。
三星Galaxy Watch Active2+也具备跌倒检测功能，它通过运动传感器来检测加速度变化。用户可以自行设置手表在何时触发跌倒检测，例如始终开启、仅在锻炼时启动，或者只在特定活动状态下启动。
在检测到跌倒后60秒内，手表会显示警报提示；如果用户没有做出任何反应，系统会自动向预设的紧急联系人发送SOS求救信息。这个功能默认是关闭的，需要通过Galaxy Wearable应用程序手动开启。
像飞利浦Lifeline和Medical Guardian这样的专用医疗监测设备，在许多高风险老年护理场景中仍然备受青睐。这些设备拥有专门的硬件配置、全天候监控功能、蜂窝网络连接能力以及GPS技术，虽然不如智能手表那样时尚便携，但它们确实是为应对紧急情况而专门设计的。
值得了解的挑战
误报是影响用户体验的主要问题。当警报频繁触发时，用户往往会关闭整个系统，从而使得这一机制失去作用。
为了解决这个问题，苹果采用了多层次的标准来触发警报：只有当手腕受到的冲击、心率变化、身体的正确姿势以及撞击后的行为这些因素同时满足条件时，系统才会确认跌倒事件的发生。
隐私问题也是一个值得关注的问题，尤其是对于那些依赖摄像头进行监测的系统而言。我们可以通过一些新的技术来解决这些问题，比如使用热传感器（能够检测到人体热量，但不会生成可识别的图像）以及Wi-Fi信道状态信息分析技术，这些方法可以在不进行监控的情况下实现跌倒检测。
跌倒检测功能的训练是直接在可穿戴设备上通过联邦学习机制完成的，因此用户的运动数据根本不需要被发送到云端，云端只会接收更新信息而已。
最后，一致性也是一个不容忽视的因素。如果设备没有被正确佩戴，那么它就无法检测到任何异常情况。正因如此，将智能压力传感器安装在地板上、利用雷达技术进行房间监测，以及运用Wi-Fi信道状态信息分析技术，这些方法逐渐成为了对腕式可穿戴设备的补充。
总结
乍一看，跌倒检测似乎已经是一个解决完毕的问题了——所有的传感器都已经准备就绪，算法在实验室中也表现良好，而且连接性也非常可靠。但实际上，在发生跌倒之后，最重要的是人们能够多快得到帮助。
随着可穿戴人工智能技术的不断进步，跌倒检测功能正在逐渐从一种应急解决方案转变为一种能够持续监控用户安全的工具。从技术层面来看，我们已经取得了很大的进展，现在最重要的是要确保所有系统都能可靠地运行。