Beyond Simulated Benchmarks: Evaluating Motion Representations for Fall Detection Under Real-World Data Scarcity
作者: Timilehin B. Aderinola, Ilaria D'Ascanio, Luca Palmerini, Lorenzo Chiari, Jochen Klenk, Clemens Becker, Brian Caulfield, Georgiana Ifrim
分类: cs.LG
发布日期: 2026-08-13
💡 一句话要点
提出运动表示方法以解决真实世界跌倒检测数据稀缺问题
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 跌倒检测 运动表示 数据稀缺 机器学习 可穿戴传感器 真实世界应用 符号表示 模型评估
📋 核心要点
- 现有方法依赖模拟数据，导致在真实世界应用中泛化能力不足，尤其是在数据稀缺的情况下。
- 本文提出了一种系统评估运动表示的方法，比较不同类型的表示在真实世界跌倒检测中的有效性。
- 实验结果表明，基于间隔的表示在真实世界表现最佳，而增强符号表示在领域转移下保持较小的性能下降。
📝 摘要（中文）
跌倒是老年人面临的重大健康问题，穿戴式传感器在跌倒检测和及时干预方面受到广泛关注。然而，真实世界中的跌倒事件极为稀少，收集100个跌倒事件需要约10万天的监测，导致用于训练机器学习模型的标注数据严重不足。本文系统评估了在真实数据稀缺情况下的运动表示方法，比较了基于间隔、核、符号和基础模型的表示。实验使用了FallAllD和FARSEEING数据集，结果显示，尽管高度参数化的核和基础模型在模拟数据上表现优异，但在数据稀缺和领域转移下性能严重下降。基于间隔的表示在真实世界表现最佳，而增强符号表示的物理影响描述符在领域转移下保持了较小的性能下降，尽管精度较低。这些发现强调了超越模拟基准进行评估的重要性，并表明表示选择对可部署的跌倒检测至关重要。
🔬 方法详解
问题定义：本文旨在解决在真实世界跌倒检测中，由于数据稀缺导致的模型训练困难。现有方法多依赖于模拟数据，缺乏对真实场景的有效适应性。
核心思路：论文通过比较不同类型的运动表示（如基于间隔、核、符号和基础模型）来评估其在数据稀缺情况下的表现，提出了一种轻量级的符号表示方法，结合物理影响描述符以增强可解释性。
技术框架：整体架构包括数据预处理、运动表示转换、模型训练和评估四个主要模块。使用加速度计信号进行数据采集，并在FallAllD和FARSEEING数据集上进行实验。
关键创新：最重要的创新在于提出了一种结合物理影响描述符的符号表示方法，能够在数据稀缺和领域转移的情况下保持较好的检测性能，与传统方法相比具有更好的适应性。
关键设计：在模型训练中，采用了交叉验证和控制数据稀缺的策略，使用轻量级的符号表示来增强模型的可解释性，并设置了适当的损失函数以优化检测性能。实验中还考虑了不同表示的参数设置对结果的影响。
🖼️ 关键图片
📊 实验亮点
实验结果显示，基于间隔的表示在真实世界的跌倒检测中表现最佳，检测灵敏度高，而增强符号表示在领域转移下的性能下降最小，保持了较好的检测能力。相比之下，高度参数化的核和基础模型在数据稀缺和领域转移情况下性能显著下降，强调了表示选择的重要性。
🎯 应用场景
该研究的潜在应用领域包括老年人跌倒监测系统、智能家居安全监控以及医疗保健设备的开发。通过提高跌倒检测的准确性和可靠性，可以显著改善老年人的生活质量，减少跌倒带来的健康风险。未来，该方法还可扩展到其他运动异常检测领域。
📄 摘要（原文）
Falls are a major health concern for older adults, and wearable sensors have been widely explored for detecting falls and enabling timely intervention. However, real-world falls are extremely rare: collecting 100 of them requires an estimated 100,000 days of monitoring, resulting in severely limited labelled data for training machine learning models. Consequently, many approaches rely on simulated datasets, often reporting high laboratory performance but limited real-world generalisation. We present a systematic evaluation of motion representations for wearable fall detection under real-world data scarcity. Using accelerometer signals, we compare interval-based, kernel-based, symbolic, and foundation model representations. As an interpretable baseline, we additionally investigate a lightweight symbolic representation that converts short motion segments into symbolic sentences augmented with physically-grounded impact descriptors. Experiments use FallAllD, a simulated falls dataset, and FARSEEING, a clinically verified real-world falls dataset. Through cross-validation, controlled data scarcity, and cross-dataset transfer, we examine how representation choices affect robustness under realistic deployment. Our results reveal that highly parameterised kernel and foundation models excel on simulated data but degrade severely under both data scarcity and domain shift. Although the interval-based representation achieves the strongest absolute real-world performance, augmenting a symbolic representation with physically-grounded impact descriptors yields the smallest degradation under domain shift and retains detection sensitivity under extreme scarcity, albeit at lower precision. These findings highlight the importance of evaluating beyond simulated benchmarks and show that representation choice is critical for deployable fall detection given the scarcity of real-world data.