基于深度學習的老年人跌倒檢測工具研究進展

Research progress of fall detection tools for the elderly based on deep learning

ZHANG Jiahui， XIONG Meiling， LI Jiajia， RONG Yule， ZOU Yutong， ZHONG Qin^*

School of Nursing， Jiangxi University of Chinese Medicine， Jiangxi 330004 China

*Corresponding Author "ZHONG Qin，"E?mail： zhongqin1994@126.com

Keywords""deep learning；"neural network；"the elderly；"falling；"review

摘要""闡述了基于深度學習的跌倒檢測工具，并將其分為基于循環神經網絡、基于遞歸神經網絡、基于生成對抗網絡以及基于卷積神經網絡和長短時記憶網絡4類，同時對基于深度學習的跌倒檢測工具的發展進行總結，以期為人工智能在老年護理中的應用提供參考。

關鍵詞""深度學習；神經網絡；老年人；跌倒；綜述

doi：10.12102/j.issn.1009-6493.2024.20.011

人口老齡化是全球重要的醫療和社會人口問題。我國“十四五”時期，60歲及以上老年人口總量將突破3億人，占總人口比重超過20%，人口老齡化進入中度階段。到2035年前后，我國老年人口總量將占30%以上，增加到4.2億人左右，人口老齡化進入重度階段^[1]。人口老齡化加劇了跌倒問題，中國疾病監測系統數據顯示，跌倒已成為我國65歲以上老年人因傷致死首要原因^[2]，我國每年有4 000多萬老年人至少發生1次跌倒^[3]。目前，對于老年人跌倒干預研究主要集中在跌倒預防和跌倒檢測兩個方面。雖然采取跌倒預防能夠降低老年人跌倒發生率，但不能完全避免跌倒發生，也不能在老年人跌倒發生后提供及時救助。因此，跌倒檢測至關重要。深度學習是機器學習領域一個重要分支，其核心思想是構建多層次神經網絡從而實現對大規模數據的學習和分析。通過傳感器收集數據輸入神經網絡可以有效識別跌倒，進行報警，為跌倒老年人提供緊急救助，降低跌倒危害程度^[4]。本研究主要在對深度學習應用于跌倒檢測的相關研究進行綜述，以期為基于深度學習的跌倒檢測工具在我國老年人中的應用和推廣提供參考。

1 "深度學習及跌倒檢測預防系統概述

1.1 深度學習概述

深度學習是機器學習領域重要研究方向，通過自動學習輸入數據特征做出準確預測。深度學習模型基本結構中存在著一個輸入層、一個輸出層以及零到數百個隱藏層^[5]，每個層次之間又包含著數量不等的節點，這些節點之間通過連接來傳遞信號。深度學習訓練過程主要是通過反向傳播算法，即從輸出層向輸入層反向傳播誤差信號，并通過優化算法來更新網絡參數，以最小化損失函數。目前，深度學習技術已用于跌倒檢測，有些系統是使用單一深度學習方法，有些系統是結合不同網絡模型開發，以正確實時實現跌倒檢測。通過總結發現在跌倒檢測領域運用較廣的有循環神經網絡（RNN）、遞歸神經網絡（CNN）、生成對抗網絡（GAN）、卷積神經網絡和長短時記憶網絡（CNN?LSTM）。

1.2 跌倒檢測系統概述

近年來，開發跌倒檢測系統一直是研究的熱門課題。根據傳感器不同，目前常見跌倒檢測系統可以分為基于環境傳感器系統、基于視頻傳感器系統、基于可穿戴系統3類^[6]，其中基于環境傳感器系統主要通過放置在周圍環境中各種傳感器來收集步態信息，目前運用于該系統的技術有壓力傳感器、麥克風、紅外傳感器、雷達、毫米波雷達^[7]；視頻傳感系統常基于視覺傳感器，如攝像機、深度攝像機或熱成像攝像機連續捕獲圖像信息^[8]；可穿戴系統由連接到人體的傳感器組成，通過將該傳感器組合佩戴在人體，捕捉跌倒多個關鍵階段人體姿態變化，提供輸入數據^[9]。

2 "基于不同神經網絡的跌倒檢測系統

2.1 基于RNN的跌倒檢測系統

與基礎神經網絡不同，RNN不僅在層與層之間建立連接，在隱藏層節點之間也建立了連接，這些連接結構使RNN在記憶之前時刻信息的同時把信息傳遞到下一時刻^[10]。目前，RNN常用于處理序列數據。

2.1.1 基于長短時記憶網絡（LSTM）的跌倒檢測系統

LSTM是一種特殊RNN，由遺忘門、輸入門和輸出門3部分組成。其中遺忘門由Sigmoid激活函數控制，決定需要遺忘信息比例；輸入門用來更新單元狀態；輸出門則用于確定當前狀態下輸出比率^[11]。Sadreazami等^[12]提出建立基于堆疊式LSTM?RNN的新框架，使用UWB收發器在5名受試者身上采集數據（共收集206個樣本，包括121次跌倒和85次站起），數據經過預處理后輸入神經網絡，結果顯示，該模型準確率為89.8%。Andreeva等^[13]提出一種協同LSTM，通過引入Synergy塊并將其合并到LSTM模型中，以達到多源數據學習目的，納入70歲以上老年人數據，包括健康訪談數據和18個月隨訪期間每次跌倒的情況和后果的跌倒2種數據類型，將訓練后的模型運用于一項跌倒分類和跌倒危險因素識別任務中，結果表明，Synergy LSTM具有學習互補性識別跌倒危險因素的能力。

國內熊昕等^[14]提出基于LSTM及變體跌倒檢測及行為識別算法，將訓練好的網絡參數移植到可穿戴式跌倒檢測設備，實現對跌倒和其他行為檢測，將異常行為結果、生理信息傳輸至監護人手機微信小程序，從受試者身上采集數據（包括跌倒、類跌倒、躺下、下蹲等多類行為）進行實驗，發現該算法精確度接近"90%。段美玲等^[15]提出基于雙向LSTM可穿戴跌倒檢測算法，使用SisFall（包括15名老年人和23名青年的運動數據）作為實驗數據集，采用加速度計和滑動窗口機制提取加速度數據，得到4 500組數據（包括2 702例非跌倒數據和1 798例跌倒數據），隨機將70%數據作為訓練集，20%數據作為驗證集，10%數據作為測試集，結果顯示該模型跌倒識別率為99.44%，非跌倒行為識別率為99.26%，準確率為99.33%，檢測時間0.12 s。與傳統RNN相同，LSTM擅長處理序列數據，同時由于其特殊結構，在處理長序列數據過程中，避免了梯度爆炸和梯度消失。但在實際使用過程中仍然存在計算成本高、預測精度不夠的問題^[16]。

2.1.2 基于門限遞歸單元（GRU）的跌倒檢測系統

2014年，有研究將LSTM中輸入門和遺忘門合并為更新門，提出GRU，改進后的GRU由重置門和更新門兩部分組成^[10]。Wu等^[17]將GRU用于跌倒檢測模型，使用MobiAct（包括57名受試者進行活動和日常生活能力數據）和Smartwatch（包括7名受試者進行日常生活能力和跌倒數據）對模型進行訓練和性能評估，結果顯示，模型準確率分別為99.95%、90.69%，均優于其他模型。與LSTM相比，GRU結構更簡單、速度更快；同時，GRU本質上是帶有遺忘門的LSTM變體，仍具有良好記憶功能，但單個GRU功能不如LSTM強大。

2.2 基于CNN的跌倒檢測系統

CNN是用于處理圖片和視頻數據的神經網絡。卷積網絡主要包括輸入層、卷積層、池化層、全連接層以及輸出層。以圖片信息為例，輸入層將圖像轉化為對應像素二維矩陣并存儲；卷積層通過計算卷積核與二維矩陣乘積值得到一個新二維矩陣（也就是常說的特征圖）提取圖片底層特征；池化層提取代表性特征；全連接層匯總先前卷積層和池化層圖片信息；最后，輸出層在函數的控制下輸出結果^[18]。

2.2.1 基于AlexNet的跌倒檢測系統

AlexNet是一個經典深度卷積神經網絡模型，由Krizhevsky等^[19]提出，在2012年ImageNet挑戰中展現巨大優勢，在圖像分類任務上性能優秀，具有8個學習層，包括5個卷積層和3個全連接層，65萬個神經元以及6 000萬個可訓練參數。Anishchenko^[20]提出深度學習和學習遷移技術跌倒檢測系統，AlexNet結構被調整為解決跌倒檢測問題作為分類器起點，該方法在由30條記錄組成的數據集（包括4名受試者在不同環境進行不同活動）上進行測試，每條記錄包含一個跌倒事件，對已知和未知的跌倒、非跌倒Cohen's Kappa達到0.93和0.60。Alarifi等^[21]建立基于AlexNet跌倒檢測系統，將可穿戴傳感器設備放置在14名不同年齡、身高、體重、性別的受試者身體6個部位，在2 520次試驗中收集16項日常生活活動和20次跌倒數據，通過多線性主成分分析導出特征，應用AlexNet進行跌倒檢測，識別準確率達到99.45%。AlexNet采用dropout技術和數據增強來增加訓練集，有利于防止過擬合；采用ReLU作為激活函數，加快模型收斂速度。AlexNet的缺點主要為訓練參數較多、計算量龐大。

2.2.2 基于YOLO（You Only Look Once）的跌倒檢測系統

YOLO是當前流行的實時目標檢測算法。目前，YOLO已經推出YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等一系列網絡^[22]。在跌倒檢測運用較多的是YOLOv5，目前僅有代碼，尚未檢索到相關論文，但結構與YOLOv4相似，均由輸入端、Backbone、Neck、Prediction組成^[23]。

在提升算法精確度方面，武歷展等^[24]提出YOLOv5s?FPD，首先，擴充Le2i（包括132個跌倒視頻和59個非跌倒視頻）用于訓練模型，特征提取使用MobileNetV3，利用加權雙向特征金字塔網絡結構（BiFPN）提高融合速度和效率，使用卷積塊注意力機制模塊（CBAM）提升模型準確性，引入Focal Loss用于改善正負樣本失衡，采用Le2i訓練測試驗證模型，使用"UR數據集（包括30個跌倒視頻和40個日常活動視頻）和Multiple數據集（包括24個視頻片段、14個跌倒、10個非跌倒）部分數據作為評估數據，結果顯示，YOLOv5s?FPD比原模型精確度提高2.91%。張振亞等^[25]改進YOLOv5模型，通過更換YOLOv5的邊界框損失函數，引入CBAM，在特征融合層引入BiFPN，最終，改進后YOLOv5模型在公開跌倒數據集Le2i進行訓練和評估，檢測精度達到98.8%，同時該模型還在實際老年人跌倒場景進行對比實驗，表現的性能均優于其他模型。

在滿足實時性要求方面，周彤彤等^[26]提出改進YOLOv5s跌倒檢測算法，通過改進基本殘差塊，添加混合域注意力機制到主干網絡，引入雙向特征金字塔結構的方法提升跌倒行為檢測實時性以及模型特征提取能力，在對MuHAVi人體行為數據集、熱舒夫大學跌倒檢測數據集、CrowdPose數據集3個數據集進行手動篩選跌倒圖片后進行實驗，結果表明，新算法檢測準確率由94.1%提升到97.0%，精度值由91.2%提升到95.4%，檢測速度最快可達0.028 s，每秒檢測圖片幀數可達36.3。Wang等^[27]提出基于改進的YOLOv5s算法的跌倒檢測系統，使用K?means++算法來優化預定義錨點比例，加入輕量級ShuffleNetV2網絡以取代原本主干網絡，在骨干末端嵌入SE注意力模塊，引入SIOU損失函數，在一系列經過預處理的老年人跌倒圖片（包含9 834張圖像，其中7 984張圖像用于訓練，1 850張圖像用于測試）上訓練評估模型，結果顯示查準率達到96.5%，精度和檢測速度均得到提升。

YOLOv5具有合適移動端部署、模型小、速度快的特點，多次在跌倒檢測中使用。但在使用過程也需要克服依賴大量數據、物品尺寸限制以及訓練難度大的缺點。

2.2.3 基于ResNet的跌倒檢測系統

ResNet是一種深度卷積神經網絡模型，主要特點是引入殘差連接^[28]，通過跨層連接解決深度網絡梯度消失和梯度爆炸問題。王新文等^[29]提出基于雙重殘差網絡跌倒檢測方法，以3D?Resnet模型為基準通過改變內部結構連接方式構建D3D模型以緩解模型梯度消失及過擬合問題，在MCFD數據集（包括24個包含跌倒等動作的場景視頻）和URFD數據上進行跌倒識別實驗，得到平均特異性、敏感性、準確性分別為0.968，0.983，0.974，明顯高于3D?Resnet?18神經網絡。Saeed等^[30]提出基于ResNet的跌倒檢測和日常活動分類系統，采用來自雷達系統的數據作為主要數據（包括99名21～99歲受試者在5個空間進行跌倒、坐著、站立、行走、飲水和彎曲6個動作），使用ResNet對不同人類活動進行分類，如果僅使用空間1的數據模擬，ResNet檢測跌倒準確率為100%，總體準確率為96%；如果合并各種空間數據測試ResNet分類器性能，結果顯示檢測跌倒準確率為100%，總體準確率為85%。

ResNet的最大特點是設計一條直接將深層轉化為前層的shortcut（捷徑）^[31]，這使得ResNet能夠很快地訓練更深度的網絡且不會出現過擬合現象。而ResNet缺點就在于網絡有效深度不夠，精度無法保證^[32]。

2.2.4 基于VGG?16的跌倒檢測系統

VGG?16是一種經典卷積神經網絡模型，由13個卷積層、5個池化層、3個全連接層和1個softmax層組合而成^[33]。Leite等^[34]提出并評估采用多流方法檢測跌倒事件，光流、顯著性map和RGB數據被輸入VGG?16，由SVM對是否跌倒進行分類，VGG?16在大型數據集ImageNet數據集（包括1 000個類別，超過140萬張圖像）上進行訓練，接著在UCF101數據集（包括13 320個從YouTube收集的運動視頻）進行微調，采用URFD和FDD（包括191個視頻，其中91個是跌倒視頻）2個數據集進行實驗，準確率分別為98.84%和99.51%。Wang等^[35]構建基于卷積神經網絡意外跌倒檢測系統，運用遷移學習訓練VGG?16，在ImageNet數據集中訓練原始的VGG?16網絡，然后在UCF101數據集和URFD數據集對初步訓練后的網絡進行微調，采用URFD數據集和一個新采集數據集（包括24個視頻、8 264個畫面）對模型進行評估，結果顯示精確率分別為99.64%、95.52%，召回率分別為94.86%、93.42%。羅海峰等^[36]搭建基于VGG?16跌倒識別系統，使用紅外攝像機拍攝熱傳感圖像，共收集2 384張人體姿態圖像（包括訓練數據集1 590張、驗證數據集395張、測試數據集399張），對數據集進行預處理以增加數據，最終訓練數據集模型準確率為92%，測試數據集為90%。VGG?16最大優點是結構簡潔，但VGG?16需要內存容量大，不易運用于移動端。

2.3 基于GAN的跌倒預防和檢測系統

GAN是由生成器（G）和判別器（D）組成的框架，主要通過G與D相互博弈，使G學習數據特征，從而達到目標檢測和數據生成目的^[37]。Galv?o等^[38]提出僅使用日常生活活動數據訓練的OneFall?GAN，使用RGB相機捕獲訓練數據，由Mask R?CNN對數據預處理后輸入。采用人體動作識別數據集（PRECIS HAR）和UP?Fall（由17名受試者進行11個包括跌倒在內的動作，每個動作3次）兩個數據集的模型進行評估，結果顯示，提出的框架在PRECIS HAR上準確率為99.02%，查準率為0.97，召回率為1.00，在UP?Fall上準確率為98.75%，查準率為0.87，召回率為0.99。Hsu等^[39]提出利用GAN結構檢測老年人跌倒，紅外深度圖像和熱圖像作為輸入源，采用無監督學習方法進行跌倒檢測，通過調整損失函數和編碼器去除圖像噪聲，在熱跌倒數據集（共44個視頻，包括35個跌倒視頻）和URFD數據集上對模型進行評估，受試者工作特征曲線下面積分別為0.975，0.953。GAN優勢在于避免無監督學習推斷和歸一化等問題，從而無需標注大量數據來近似似然，同時還可以生成數據，可用于構建生成式模型。然而，GAN也存在可解釋性差、訓練不穩定、訓練難度大等問題。

2.4 基于CNN?LSTM的跌倒檢測系統

CNN適合于處理圖像信息，而人類活動由復雜運動序列構成，捕捉這種時間動力學是活動識別的基礎。RNN尤其是LSTM擅長處理序列數據，兩者共同使用就能將監控視頻中跌倒行為的空間和時序特征有效結合起來，更好地改善跌倒檢測工具性能。Lu等^[40]提出視覺注意力引導三維CNN模型，通過LSTM將注意力機制引入三維DNN中進行視頻分析，采用沒有跌倒示例的Sports?1M數據集訓練，再將3D CNN模型與LSTM結合從跌倒的視頻中提取特征，訓練分類器，最終獲得分類準確率為100%，這是基于多臺相機跌倒數據集跌倒檢測系統有報告以來最佳結果。Wu等^[41]提出基于三軸加速度和三軸旋轉角速度傳感器CNN?Casual LSTM網絡跌倒檢測算法，使用SisFall數據訓練評估算法，將實驗數據集分為80%訓練集和20%測試集，結果表明該算法具有99.79%的精度。厙向陽等^[42]將CNN和LSTM結合進行人體跌倒行為識別，采用中國自動化研究所提供的CASIA數據集以每5幀為一組輸入到網絡，利用CNN提取特征，然后將CNN的輸出調整規模依次輸入到LSTM獲取時序特征，計算各個時刻LSTM輸出平均值，利用softmax分類器進行識別"，系統識別率達到94.4%。

3 "思考與展望

3.1 著力數據收集共享

跌倒檢測算法均需要大量的日常活動數據（尤其是跌倒數據）用于算法的訓練和驗證，然而目前國內并沒有相應的公共跌倒數據集，國內研究者想要獲取充足的跌倒相關數據只能選擇親自采集數據或者采用國外公開的跌倒數據集，前者會導致高昂的數據成本，后者則需考慮所訓練算法研發自主性及適用性，這非常不利于國內基于深度學習的跌倒檢測工具的開發。一方面，國產數據庫正處于一個快速發展階段，數據庫中數據集的類型還有待補充；另一方面，缺乏相應制度，多數研究機構之間存在數據壁壘，信息無法共享。因此，推動建立數量龐大、跨域關聯的數據庫，打破數據壁壘，建立開放關聯的跌倒數據庫變得至關重要。

3.2 加強隱私信息安全保護

在對老年人進行實時跌倒檢測的過程中，大量的個人運動和健康信息被輸入系統，其中包括大量的隱私信息，正確保護使用者隱私、保障用戶的信息安全是人工智能跌倒檢測領域重要研究方向。為了解決這一問題，研究者在設計跌倒檢測系統時可選擇對隱私侵犯較小的傳感器，如熱成像技術。同時，可以通過使用身份驗證算法等安全信息通道增強技術來保護用戶的信息安全^[43]。從法律層面來說，構建保護個人數據安全的法律體系^[44]，規范跌倒檢測數據收集和使用，確保老年人的個人信息不被濫用或泄露，將有利于基于深度學習的跌倒檢測的健康發展。

3.3 解決老年人跌倒數據收集困難

目前，基于深度學習的跌倒檢測主要針對跌倒行為進行建模和檢測，對跌倒數據要求較高。然而，由于老年人群體的特殊性以及跌倒的偶發性，研究者無法直接獲取大量老年人實際跌倒數據，也沒有能夠滿足要求的公開數據集，研究多采用年輕志愿者去模擬跌倒或包含老年樣本較少的公開跌倒數據集進行訓練，這在一定程度上會導致跌倒檢測準確性下降。未來在進行相關研究時，可考慮改進跌倒檢測技術，用較易獲取的老年人日常行為數據^[45]或跌倒后描述文本數據^[13]訓練模型，提升跌倒檢測的準確率。

4 "小結

隨著人口老齡化進程的加深和醫療技術的進步，基于深度學習的跌倒檢測在健康監測和老年人護理領域取得了較大的進展，為護理人員對老年人跌倒的有效防控提供了輔助支持。本研究對基于深度學習的跌倒檢測工具研究進展進行了綜述，梳理了基于不同神經網絡的跌倒檢測系統。目前，深度學習在跌倒檢測的運用方面尚存在數據收集和隱私保護等問題，仍需要進一步的研究和探索。

參考文獻：

[1] "國家信息中心經濟預測部.我國人口老齡化發展趨勢的綜合影響分析[EB/OL].[2023-11-13].http：//www.sic.gov.cn/News/455/11780.htm.

[2] "中國疾病預防控制中心.全國疾病監測系統死因監測數據集[M].北京：軍事醫學科學出版社，2012：1.

[3] "中國疾病預防控制中心慢性非傳染性疾病預防控制中心，國家衛生和計劃生育委員會統計信息中心.中國死因監測數據集[M].北京：中國科學技術出版社，2016：1.

[4] "高夢奇，李江嬌，李彬.人員意外跌倒檢測研究方法分析與綜述[J].齊魯工業大學學報，2021，35（6）：61-68.

[5] "LECUN Y，BENGIO Y，HINTON G.Deep learning[J].Nature，2015，521（7553）：436-444.

[6] "WANG X Y，ELLUL J，AZZOPARDI G.Elderly fall detection systems：a literature survey[J].Frontiers in Robotics and AI，2020，7：71.

[7] "KRISTOFFERSSON A，DU J Y，EHN M.Performance and characteristics of wearable sensor systems discriminating and classifying older adults according to fall risk：a systematic review[J].Sensors，2021，21（17）：5863.

[8] "USMANI S，SABOOR A，HARIS M，et al.Latest research trends in fall detection and prevention using machine learning：a systematic review[J].Sensors，2021，21（15）：5134.

[9] "BEN-SADOUN G，MICHEL E，ANNWEILER C，et al.Human fall detection using passive infrared sensors with low resolution：a systematic review[J].Clinical Interventions in Aging，2022，17：35-53.

[10] "王菲.LSTM循環神經網絡的研究進展與應用[D].哈爾濱：黑龍江大學，2021.

[11] "劉建偉，王園方，羅雄麟.深度記憶網絡研究進展[J].計算機學報，2021，44（8）：1549-1589.

[12] "SADREAZAMI H，BOLIC M，RAJAN S.On the use of ultra wideband radar and stacked LSTM-RNN for at home fall detection[G]//2018 IEEE life sciences conference（LSC）.Montreal：IEEE，2018：255-258.

[13] "ANDREEVA O，DING W，LEVEILLE S G，et al.Fall risk assessment through a synergistic multi-source DNN learning model[J].Artificial Intelligence in Medicine，2022，127：102280.

[14] "熊昕，鄭楊嬌子，張上.基于長短時記憶網絡及變體的跌倒檢測和人體行為識別系統[J].信息通信，2020，33（2）：65-67.

[15] "段美玲，潘巨龍.基于雙向LSTM神經網絡可穿戴跌倒檢測研究[J].廣西師范大學學報（自然科學版），2022，40（3）：141-150.

[16] "王雨嫣，廖柏林，彭晨，等.遞歸神經網絡研究綜述[J].吉首大學學報（自然科學版），2021，42（1）：41-48.

[17] "WU X D，ZHENG Y M，CHU C H，et al.Applying deep learning technology for automatic fall detection using mobile sensors[J].Biomedical Signal Processing and Control，2022，72：103355.

[18] "張慶輝，萬晨霞.卷積神經網絡綜述[J].中原工學院學報，2017，28（3）：82-86;90.

[19] "KRIZHEVSKY A，SUTSKEVER I，HINTON G E.ImageNet classification with deep convolutional neural networks[J].Communications of the ACM，2017，60（6）：84-90.

[20] "ANISHCHENKO L.Machine learning in video surveillance for fall detection[G]//2018 Ural symposium on biomedical engineering，radioelectronics and information technology（USBEREIT）.Yekaterinburg：IEEE，2018：99-102.

[21] "ALARIFI A，ALWADAIN A.Killer heuristic optimized convolution neural network-based fall detection with wearable IoT sensor devices[J].Measurement，2021，167：108258.

[22] "周晉偉，王建平.YOLO物體檢測算法研究綜述[J].常州工學院學報，2023，36（1）：18-23;88.

[23] "劉譜，張興會，張志利，等.從RCNN到YOLO的目標檢測綜述[G]//第十六屆全國信號和智能信息處理與應用學術會議論文集.天津：中國高科技產業化研究會智能信息處理產業化分會，2022：8.

[24] "武歷展，王夏黎，張倩，等.基于優化YOLOv5s的跌倒人物目標檢測方法[J].圖學學報，2022，43（5）：791-802.

[25] "張振亞，何明艷，王萍.改進后的YOLOv5用于跌倒行為檢測[J].安慶師范大學學報（自然科學版），2023，29（1）：72-78.

[26] "周彤彤，彭月平，鄭璐，等.基于YOLOv5s的跌倒行為檢測算法[J].中國科技論文，2023，18（7）：786-792.

[27] "WANG Y P，CHI Z Z，LIU M，et al.High-performance lightweight fall detection with an improved YOLOv5s algorithm[J].Machines，2023，11（8）：818.

[28] "李金玉，陳曉雷，張愛華，等.基于深度學習的垃圾分類方法綜述[J].計算機工程，2022，48（2）：1-9.

[29] "王新文，謝林柏，彭力.跌倒異常行為的雙重殘差網絡識別方法[J].計算機科學與探索，2020，14（9）：1580-1589.

[30] "SAEED U，SHAH S Y，SHAH S A，et al.Discrete human activity recognition and fall detection by combining FMCW RADAR data of heterogeneous environments for independent assistive living[J].Electronics，2021，10（18）：2237.

[31] "任萌.圖像視覺識別算法概述[J].智能計算機與應用，2019，9（3）：294-297.

[32] "DING X H，ZHANG X Y，HAN J G，et al.Scaling up your kernels to 31×31：revisiting large kernel design in CNNs[G]//2022 IEEE/CVF conference on computer vision and pattern recognition（CVPR）.New Orleans：IEEE，2022：11953-11965.

[33] "薛東輝.基于卷積神經網絡的道路風險目標檢測模型研究與應用[D].南京：南京郵電大學，2021.

[34] "LEITE G，SILVA G，PEDRINI H.Fall detection in video sequences based on a three-stream convolutional neural network[G]//2019 18th IEEE international conference on machine learning and applications（ICMLA）.Boca Raton：IEEE，2019：191-195.

[35] "WANG H Z，GAO Z C，LIN W B.A fall detection system based on convolutional neural networks[G]//Proceedings of the 2019 international conference on robotics，intelligent control and artificial intelligence.Shanghai：ACM，2019：242-246.

[36] "羅海峰，佐研.基于VGG16Net的人體跌倒識別研究[J].山西電子技術，2022（2）：68-70.

[37] "陳佛計，朱楓，吳清瀟，等.生成對抗網絡及其在圖像生成中的應用研究綜述[J].計算機學報，2021，44（2）：347-369.

[38] "GALV?O Y M，PORTELA L，BARROS P，et al.OneFall-GAN：a one-class GAN framework applied to fall detection[J].Engineering Science and Technology，2022，35：101227.

[39] "HSU W W，GUO J M，CHEN C Y，et al.Fall detection with the spatial-temporal correlation encoded by a sequence-to-sequence denoised GAN[J].Sensors，2022，22（11）：4194.

[40] "LU N，WU Y D，FENG L，et al.Deep learning for fall detection：three-dimensional CNN combined with LSTM on video kinematic data[J].IEEE Journal of Biomedical and Health Informatics，2019，23（1）：314-323.

[41] "WU J，WANG J L，ZHAN A，et al.Fall detection with CNN-casual LSTM network[J].Information，2021，12（10）：403.

[42] "厙向陽，蘇學威.基于CNN和LSTM混合模型的人體跌倒行為研究[J].計算機應用研究，2019，36（12）：3857-3859.

[43] "徐雪芬，王紅燕，郭萍萍，等.人工智能在慢性病患者健康管理中的應用進展[J].中華護理雜志，2023，58（9）：1063-1067.

[44] "鄭紅穎，楊艷，倪佳琪，等.人工智能臨床應用研究進展[J].護理研究，2019，33（3）：454-458.

[45] "熊文滔，鄭建立.基于擴展孤立森林的個性化跌倒檢測研究[J].軟件工程，2023，26（4）：5-9.

（收稿日期：2023-11-29；修回日期：2024-10-09）

（本文編輯"蘇琳）