任务详情
一、算法目标
实现对老年人佩戴设备（如智能手表）过程中发生摔倒事件的精准识别。
要求准确率（Accuracy）≥ 95%，召回率（Recall）优先考虑，误报率（False Positive Rate）控制在较低水平（建议<5%）。
二、传感器与数据要求
使用传感器：6轴 陀螺仪）+空气压力传感器
采样频率：50Hz~100Hz（建议默认60Hz）
三、算法逻辑需求
1. 预处理
滤波：低通滤波（如Butterworth）去除噪声
标准化：对不同用户动作幅度做归一化处理
2. 特征提取（时域 & 频域）
峰值检测（加速度模长是否超过阈值，通常 >2.5g）
姿态变化（角速度快速变化并结合姿态突变）
冲击前后序列特征（预跌倒+冲击+静止阶段）
静止检测：摔倒后长时间无明显动作
3. 判断逻辑/模型
可选：
规则引擎 + 阈值法（适合嵌入式，耗电低，但难以泛化）
机器学习模型：
决策树、SVM、KNN
更优方案：轻量级神经网络（如1D CNN, LSTM）部署在MCU或Edge上
模型训练数据：需采集真实摔倒动作数据（模拟跌倒 + 正常活动）
四、训练数据要求
数据样本：不少于 1000 次完整动作序列
包括摔倒类型（向前/后/侧跌，滑倒，坐倒）
包括非摔倒运动（走路、跑步、坐下、跳跃等）
数据应来源于真实设备佩戴方式（手表位置、佩戴稳定性）
采集人群：包含老年人及不同体型个体
五、评估指标
准确率 ≥ 95%
召回率 ≥ 97%（避免漏检）
假阳率 ≤ 5%
响应时间 < 1 秒（从跌倒动作发生到报警）
能耗评估（适合长时间佩戴，考虑边缘计算）
六、边缘部署要求（如使用STM32 + LSM6DSOX）
算法内存占用 ≤ 128KB
实时性满足 50Hz处理
七、输出与报警机制
输出跌倒状态布尔值（true/false）
可选：置信度（0~1）
跌倒后触发本地报警 + 4G通知上传（与App或平台对接）
