跳到正文
arXiv cs.AI· Wenjun Xia, Zhicheng Peng, Haopeng Li, Zhengdi Zhang·· 4 小时前AI 评分10

基于视觉的低功耗边缘平台实时跌倒检测框架

Real-time fall detection based on vision for low-power edge platforms

AI 导读

一篇提出物理信息跌倒检测框架的 arXiv 论文已被作者 Wenjun Xia 撤稿,原因是发现术语不准确并准备替换投稿。该框架将跌倒建模为耦合动力系统的失稳事件,采用双 LTC 架构(质心与支撑基子系统)加可学习耦合模块和稳定性流形分类器,网络参数不足 50K,可在资源受限边缘设备上实时推理。初步研究仅在二分类数据集上验证核心稳定性判别能力,三状态预测留待后续工作。

正文 · AI 翻译

本文已被 Wenjun Xia 撤回

无 PDF 可用,点击查看其他格式

摘要:跌倒检测对养老护理和智能监控至关重要;然而,主流的基于视觉的方法大多将其框定为静态姿态分类或离散时间模式匹配,从根本上忽视了人体支撑系统的不稳定性动力学。本文提出一种物理信息驱动的跌倒检测框架,将跌倒重新表述为耦合动力系统中的失稳事件。我们引入一种新颖的双 LTC 架构,由质心(CoM)子系统和支撑基(BoS)子系统组成,二者均实例化为液体时间常数(LTC)神经网络,通过自适应时间常数持续建模惯性轨迹演化和地面接触调整,从而赋予跌倒运动以物理可解释性。一个可学习的耦合模块模拟两个子系统之间的物理交互,而稳定性流形分类器在联合潜空间中运行,通过受 Lyapunov 启发的稳定性度量检测边界穿越。互补的反事实轨迹投影和碰撞时间(TTC)估计进一步实现不可逆性评估和早期预警。该架构旨在支持三态预测范式(正常、跌倒中、已跌倒);在本初步研究中,我们在二分类数据集(正常 vs. 跌倒)上验证了核心稳定性判别能力,将完整的三态时间过渡留待未来工作。与传统 CNN--RNN 流水线不同,所提出的表述编码了连续时间机械惯性,产生了一个参数量低于 50K、能够在资源受限的边缘设备上实时推理的网络。大量实验证明了具有竞争力的准确率和更优的物理可解释性,验证了其在低算力视觉跌倒检测中的有效性。
评论: 我们发现稿件中存在术语不准确的问题。我们正在替换投稿以纠正这一误称并修订相关上下文
主题: 神经元与认知(q-bio.NC);人工智能(cs.AI);计算机视觉与模式识别(cs.CV)
引用为: arXiv:2607.12909 [q-bio.NC]
  (或 arXiv:2607.12909v2 [q-bio.NC] 为此版本)
  https://doi.org/10.48550/arXiv.2607.12909

arXiv 颁发的 DOI 通过 DataCite

提交历史

来自:Wenjun Xia [查看邮箱]
[v1] 2026年7月14日 星期二 15:43:41 UTC(337 KB)
[v2] 2026年11月17日 星期二 12:48:00 UTC(1 KB) (已撤回)

来源:arXiv cs.AI · arxiv.org