做摔倒检测这个方向最让人头疼的从来不是模型结构而是数据集。我见过太多人一上来就纠结用 SlowFast 还是 TSM结果卡在第一步找不到合适的摔倒检测数据集或者找到了却发现标注格式对不上、场景跟自己要落地的环境差了十万八千里。摔倒检测数据集本质上是一堆人从站立或坐姿失去平衡、身体重心快速下落并最终接触地面的时序片段集合它的价值不在于样本多而在于摔倒动作的多样性、日常动作的干扰性、以及标注的时序精度。这份内容适合三类人看刚入门想做老年人看护、养老院监控、独居监护这类课题的学生需要给产品选一套可复现基线数据的工程师还有准备自建数据集、但不知道从哪下手录制的团队。我会把公开数据集的实际情况、标注规范怎么定、自建采集的完整流程、以及我踩过的那些坑一条条摊开讲。1. 摔倒检测数据集到底分几类先搞清楚你要解决哪类问题选数据集之前必须先回答一个问题你的传感器是什么。这个问题决定了你能用哪些数据集也决定了后面所有的模型选型、标注方式、评估指标。摔倒检测在学术和工业界大致分成三条技术路线视觉路线摄像头拍、惯性路线加速度计和陀螺仪贴身测、以及新兴的无线信号路线雷达、WiFi、音频。这三条路线的数据集几乎完全不通用一个 RGB 视频数据集没法直接拿去训练 IMU 分类器反之亦然。很多人第一周就浪费在下载了一个数据集发现模态不对上面。1.1 视觉类数据集摄像头视角下的摔倒视觉路线是目前公开资源最丰富的一条。它的核心输入是连续的图像帧输出通常是一个时序区间或者一组带时序的检测框。视觉数据集的优点是信息量大能同时拿到人体姿态、位置、环境上下文缺点是受光照、遮挡、隐私影响严重夜里没红外补光的摄像头基本废掉一半。视觉类数据集还能再细分RGB 单目、多目、深度Kinect 这类、热成像。单目 RGB 最常见也最便宜部署成本低但缺乏深度信息遇到人蹲下和人摔倒这两个动作在二维图像上姿态相似时容易混淆。深度相机能提供人体离地高度和三维骨架理论上更好分但现实是大部分现场装不了深度相机所以工程落地还是以 RGB 为主深度数据更多用来做辅助标注或者做研究对比。我在实际项目里的判断标准很简单如果你的目标场景是走廊、卫生间、卧室这类固定单机位场景优先用 RGB 单目数据集起步如果是多机位大厅或病房多视角数据集能帮你验证视角融合的价值如果现场不允许装摄像头比如对隐私极度敏感的场所那视觉路线直接放弃去看第 1.3 节的雷达方案。1.2 可穿戴与惯性传感器数据集贴身视角的摔倒惯性传感器IMU路线是另一大流派。核心器件就是三轴加速度计加三轴陀螺仪采样率通常在 20 Hz 到 200 Hz 之间数据形式是一串随时间变化的六维数值。它的优势非常明显不涉及图像隐私、功耗低、成本极低一个传感器模块几十块钱、夜间不受影响、可以做成手环或胸带佩戴。缺点也很致命用户必须愿意佩戴而且忘记充电、忘戴、洗澡取下都会导致检测盲区。IMU 数据集的关键变量是佩戴位置。不同位置采集到的信号特征差异极大腰部重心附近能最早感知到身体失稳信号最干净手腕位置信号幅度大但噪声也大因为人挥手、拿东西都会产生类似冲击胸部适合做呼吸和姿态融合大腿和脚踝在摔倒前期变化明显。所以选 IMU 数据集时先看它覆盖了哪些佩戴位置如果你的产品是手环形态那就必须找含手腕数据的数据集否则训出来的模型换到手腕上精度会断崖式下跌。还有一点常被忽略IMU 数据集标注的不是帧而是事件。每一段记录通常对应一个动作标注就是动作类别摔倒的哪种类型 / 哪类日常动作。这种做法简化了标注但也导致滑窗切分这一步必须由使用者自己完成而滑窗参数直接决定了最终的召回率和误报率后面第 4.2 节会详细讲。1.3 新兴模态雷达、WiFi信号与音频这几年毫米波雷达和 WiFi 信道状态信息CSI做人体动作识别的研究越来越多摔倒检测是其中一个热门场景。雷达的优势是不拍脸、不受光照影响、穿透部分遮挡很适合卫生间、卧室这类隐私场景。WiFi CSI 更极端完全无感但受环境布局影响巨大换个房间模型就得重训。音频路线则靠摔倒瞬间的撞击声、呼救声做判别通常作为辅助模态单独用误报率偏高关门声、重物落地声都会触发。这三类数据集的公开资源比视觉和 IMU 少得多规模也小多数是实验室自采。我的建议是如果你做的是本科毕设或者快速验证别碰这三个方向数据难找、复现成本高如果是产品预研雷达方案值得投入但要提前接受数据集要自己采这个现实。1.4 选型对照表不同场景该从哪个数据集入手下面这张表是我给团队新人做培训时用的直接照着对号入座就行。你的场景推荐模态起步数据集方向主要顾虑养老院走廊监控RGB 单目视觉类经典数据集光照、遮挡、夜间卫生间防跌倒毫米波雷达自采为主公开数据稀缺老人手环IMU手腕含手腕的 IMU 数据集佩戴依从性病房多机位RGB 多目 / 深度多视角数据集部署成本快速毕设验证RGB 单目小规模经典数据集类别不平衡手机 App 检测手机内置 IMU手机采集的 IMU 数据集手机放置位置随机选型的原则是数据先行先看你能拿到什么模态的数据再决定技术路线而不是先选好模型再去凑数据。这个顺序反了项目大概率会在第三周停摆。2. 公开数据集盘点那些真正能下载、能跑通的资源网上关于摔倒检测数据集的介绍文章很多但真正把能下载、格式能用、许可没问题这三件事说清楚的不多。我按模态分类把常用的几个数据集的实际使用体验讲一遍。需要说明的是很多数据集的具体样本数在不同论文里引用不一致下面写的是我查到的公开说明里比较通行的数字实际使用时请以官方页面为准。2.1 视觉类经典数据集逐个过一遍UR Fall Detection DatasetURFD是视觉路线的Hello World。它由热舒夫大学发布规模不大大概七十段序列其中三十段是摔倒、四十段是日常动作同时提供 RGB 视频和 Kinect 深度数据分辨率不高、帧率约 30 fps。这个数据集最大的优点是干净、标注清楚、下载方便适合做第一个 baseline。缺点是场景单一就是一条室内走廊受试者数量少模型在上面刷到 99% 的准确率换个场景可能直接掉到 70%。所以我一直说URFD 用来验证代码跑通没问题用它证明我的算法很鲁棒就是自欺欺人。Le2i Fall Detection Dataset是我比较推荐的一个。它大约有近两百段视频覆盖了家庭、办公室、教室、咖啡厅四种场景每个场景有不同的家具和光照条件。多场景意味着它能暴露模型对背景过拟合的问题。不过它的标注以视频级类别为主也就是说它告诉你这段视频里有摔倒但摔倒具体发生在第几帧需要你自己看或者自己补标。做时序检测任务的话这个补标工作量不小。Multiple Cameras Fall Detection DatasetMCFD是蒙特利尔那边发布的特色是有八个同步机位拍摄同一个场景二十多个脚本化场景。它的价值在于验证多视角融合。要注意的是它的视频文件组织方式有点绕需要花时间整理目录结构。CAUCAFall是一个相对新的数据集受试者十人左右每人执行多种日常动作和多种摔倒动作每个动作多次重复双机位拍摄。它的优点是类别划分细、动作脚本设计得比较贴近真实生活适合做类别细分实验。规模偏小通常用来做补充验证而不是主训练集。UP-Fall Detection Dataset是多模态的代表同步采集了侧向和正向两个摄像头的视频、腰部 IMU 数据甚至还有脑电设备的数据十几位受试者每人执行十一种动作、每种动作重复三次。想做视觉加 IMU 融合的同学这个数据集几乎是首选因为它省掉了你自己做时间同步这件极其痛苦的事。还有一个绕不开的名字是NTU RGBD。它不是专门的摔倒数据集但包含摔倒这个动作类别规模是几万段级别提供骨骼、深度、RGB 多种模态。好处是可以拿它做预训练或者做骨骼序列的通用动作识别坏处是摔倒只占其中很小一部分直接做二分类会严重不平衡需要额外采样策略。2.2 可穿戴类经典数据集的实际差异SisFall是 IMU 摔倒检测里的标杆。它大概有四千多条样本分成摔倒和日常动作两大类受试者分为年轻组和年长组用了两块传感器板采样率很高约 200 Hz加速度计量程宽。年轻组和年长组的动作速度、幅度不同这个设计很重要——很多模型在年轻组上训、在年长组上测就翻车SisFall 提前帮你把这个坑暴露出来。UMAFall的特点是传感器节点多覆盖腰部、胸部、脚踝等位置同时给了手机端和专用传感器板两种采样率。如果你想研究传感器放哪儿最合适这个数据集能直接回答你。MobiFall用的是手机传感器放在口袋里采集包括摔倒和日常动作几百段。如果你的产品是手机 App这个数据集最贴合因为口袋姿态、手机晃动、传感器噪声都和真实场景一致。FallAllD规模更大一些十几位受试者传感器放在腰部、手腕、颈部三个位置采集时长累计几十小时采样率 200 Hz含加速度计、陀螺仪、磁力计。它的优势是位置覆盖全、数据量大适合训练泛化性更好的模型。想同时支持手环和腰带的团队可以重点看这个。tFall也是常被引用的一个规模较小受试者约十人主要用来做补充对比。它对摔倒类型的划分比较细如果你关心向前摔和向后摔的区分它有一定参考价值。这里插一个实操提醒这些 IMU 数据集的文件格式五花八门有 txt、csv、mat、bin列顺序、单位有的用 g有的用 m/s²、坐标系定义都不一样。我建议第一步先写一个统一的加载器把所有数据集转成同一种内部格式时间戳、ax/ay/az、gx/gy/gz、标签否则后面每换一个数据集就要改一遍代码非常消耗精力。2.3 工程友好型资源Kaggle与Roboflow如果你只是想快速跑通一个 YOLO 系的摔倒检测 demo学术数据集其实不是最优选择因为它们的标注格式通常是视频级或自定义文本不是标准的目标检测格式。这时候可以直接找Kaggle上的摔倒图像数据集以及Roboflow Universe上的项目。Roboflow 上有一批公开的摔倒检测项目标注是标准的 YOLO 或 COCO 格式带数据增强和划分好的 train/val/test下载下来改个配置文件就能开训。但要提醒一句这类工程友好型数据集的质量参差不齐。我见过标注框只框住上半身的也见过把坐在地上标成摔倒的。用之前务必自己抽检五六十张看一眼标注框的贴合度和类别一致性。抽检这一步花二十分钟能省掉后面两天调参却怎么都上不去的困惑。2.4 下载与使用时的许可和格式坑先说许可。学术数据集通常只允许非商业研究用途有些还要求你签署使用协议、承诺不传播、不在论文之外公开原始数据。如果你想做商业产品正确做法是只用这些数据集做算法验证和预训练真正上线用的模型必须在自有数据上重新训练或者购买有明确商业授权的数据。再说格式坑。常见的有这么几类一是视频容器问题有些老数据集的 avi 文件用了冷门编码OpenCV 直接读会返回空帧这时候需要换解码后端或者先转码转码时注意别丢掉帧率信息。二是文件名与标签的对应关系有的数据集靠文件名前缀编码标签有的靠单独的 txt 列表文件还有的把标签写在文件夹名上处理时一定要先做一次标签覆盖率检查确认每个视频都能找到对应标签。三是时间戳对齐多模态数据集如果给的是各传感器的原始时间戳务必先做一次时间轴归一化否则融合模型拿到的两路信号根本不同步。提示下载任何数据集后先做三件事——统计类别分布、抽查标注质量、确认许可范围。这三件事没做完不要开始写训练代码。3. 标注规范设计一篇好数据集的核心竞争力公开数据集能满足通用研究但真正落地时几乎一定要自建数据集。而自建数据集的成败八成取决于标注规范而不是录制设备。我见过设备花了几万块、画面极其清晰的数据集因为类别定义模糊最后训出来的模型误报率高得没法用。3.1 类别体系怎么定二分类只是起点最简化的类别体系是二分类摔倒 / 非摔倒。这种设计标注快、模型简单但实际落地时会遇到大量擦边情况。比如一个人扶着墙慢慢滑坐到地上算摔倒吗一个人蹲下去捡东西膝盖着地了算吗一个人躺到床上动作很快算吗我的建议是把类别体系设计成三层。第一层是必选的动作大类摔倒、日常动作。第二层是干扰类把最容易误报的动作单独标出来比如快速坐下蹲下捡物弯腰系鞋带躺下快速起身。第三层是可选的状态标记比如摔倒后有自主起身摔倒后长时间未动。第三层对产品的报警策略极其重要——如果人摔了但马上自己站起来了很多场景下不需要报警如果摔倒后 30 秒没动那才是高危事件。把干扰类单独标注的好处是你可以在评估阶段精确知道模型的误报来自哪一类动作从而针对性加数据。只标二分类的话你只知道误报多但不知道错在哪调优就变成盲猜。3.2 时间维度标注帧级、片段级还是事件级时序标注的粒度直接决定你能做什么任务。片段级标注是最省事的标出摔倒动作从第几秒到第几秒。这种标注适合做时序动作检测评估指标是区间重叠度比如 tIoU。缺点是边界模糊不同的标注员对摔倒开始的判定可能差出半秒到一秒。我的经验是统一约定以身体重心开始明显下坠的那一帧为起点以身体主要部位稳定接触地面后不再移动的那一帧为终点。把这句话写进标注手册一致性会好很多。帧级标注更细每一帧都要标当前是否为摔倒状态。成本极高通常只在做逐帧分类或者需要精确计算检测延迟时使用。事件级标注最简单只记录摔倒发生的时间点。适合做多久之内报出来这类延迟评估。实际项目里我推荐混合方案主体用片段级标注同时对每个片段额外记录一个触发时刻。评估时用区间重叠度算精度用触发时刻算检测延迟。检测延迟这个指标在工程上比准确率还重要——一个准确率 95% 但平均延迟 3 秒的模型在真实场景里可能比准确率 90%、延迟 0.8 秒的模型更难用。3.3 标注工具与质量控制流程工具方面视频时序标注用CVAT比较顺手它支持逐帧标注、区间标注、关键点标注还能多人协作和审核。纯图像检测框标注可以用Label Studio或LabelImg系列工具。关键点标注的话如果用现成姿态估计模型预生成骨架再人工修正效率能提高好几倍。质量控制我一般走三步。第一步是双人交叉标注随机抽 10% 到 20% 的样本让两个人独立标然后算一致性。分类任务用 Cohens kappa区间任务用区间重叠度的均值。kappa 低于 0.8 就说明标注手册写得不够清楚得回去改定义。第二步是抽样复核由我来抽检每个标注员的作品重点看边界帧的判断。第三步是建立疑难样本集把所有有争议的片段单独存起来这些片段往往就是模型最容易错的样本后续训练时可以有针对性地加权。注意千万不要让同一批人既做录制又做标注尤其是受试者本人。人对自己的动作有心理预期标注时会下意识按我本来想做什么来标而不是按画面里实际发生了什么来标这会引入系统性偏差。3.4 评估指标与评估协议LOSO 与跨数据集验证指标这块二分类常用准确率、精确率、召回率、F1。但摔倒检测有个特殊性正负样本极度不平衡摔倒事件在整个时间轴上可能只占百分之一二。这种情况下准确率完全失真——一个把所有样本都判成非摔倒的模型准确率能有 98%但召回率是 0。所以我更关注三个数召回率灵敏度、特异度、以及每小时误报次数。每小时误报次数这个指标特别实用。学术论文里很少提但产品经理一定会问一天误报几次。我做过的一个项目把召回率从 92% 提到 96%代价是每小时误报从 1.2 次涨到 5 次最后业务方选了前者因为误报太多导致护工直接关掉报警。所以指标取舍要跟业务方一起定不能只看 F1。评估协议方面最容易被忽略也最致命的问题是数据泄漏。如果同一个受试者的不同片段被随机分到训练集和测试集模型可能记住了这个人的体型、衣服、走路节奏测试指标虚高。正确做法是留一受试者交叉验证LOSO每次拿一个受试者的全部数据做测试其余人的数据做训练轮流一遍。指标会难看很多但那才是真实水平。再进一步是跨数据集验证在 A 数据集训练直接到 B 数据集测试。这个过程掉点通常非常惨烈掉 20 到 40 个百分点都正常但它是检验泛化能力最诚实的方式。如果你的目标是产品落地跨数据集验证的结果比在自己数据上刷分有价值得多。4. 自建数据集实操从录制到可训练前面讲的都是用别人的数据但真正决定项目上限的是自建数据集。这一节我按实际流程走一遍包括参数怎么定、代码怎么写。4.1 录制方案机位、受试者、动作脚本机位设计单机位的话高度建议在 2.2 到 2.8 米之间俯角 20 到 30 度。这个角度能看清人体离地高度同时不会因为俯视太狠导致人体被家具遮挡。如果做多机位两个机位夹角别小于 60 度否则视角冗余融合收益很低。摄像头帧率建议 25 或 30 fps低于 15 fps 会丢掉摔倒瞬间的关键动态。受试者设计这是最容易偷懒的地方。只找三五个年轻男生录训出来的模型对老年女性、体型偏胖的人基本无效。理想配置是男女各半年龄覆盖 20 到 80 岁身高体重跨度尽量大还要包含穿不同衣服长裙、拖鞋、宽松睡衣的情况。如果条件有限至少保证性别和体型有差异。动作脚本设计摔倒类型要覆盖向前摔、向后摔、侧向摔、坐姿滑落、从床上滚落这几类。每类动作至少由不同受试者各做几次位置分散在场景的不同区域。日常动作要重点覆盖干扰项快速坐下、蹲下捡东西、弯腰、躺下、爬起、下蹲起立、挥手、开门、拖地。日常动作的样本量应该是摔倒的三到五倍因为现实中两者出现频率差得更远。安全措施必须用厚垫受试者必须做热身每个受试者连续录制不超过二十分钟摔的动作不要真的硬砸用模拟摔倒的方式做——真实感会下降但安全第一。这也是学术数据集的共同局限所有公开数据集里的摔倒基本都是表演出来的缺少真实摔倒时的肌肉僵直和缓冲动作这是跨数据集掉点的根本原因之一。4.2 数据预处理与滑窗切分含参数计算录完的原始素材通常是长视频需要先按动作切段再切成固定长度的时间窗。滑窗参数怎么定我给你一个可推导的思路。假设帧率 30 fps摔倒全过程从起身失衡到落地静止大概持续 1.5 到 2.5 秒。那么窗口长度至少要覆盖这个过程的主体部分取 1.2 秒比较合适也就是 36 帧取整用 32 帧。窗口太短比如 0.3 秒只能看到身体在半空判别信息不足窗口太长比如 4 秒会把摔倒前后的站立状态混进来稀释了正样本。步长决定样本量和延迟。步长 8 帧意味着每 0.27 秒输出一次判断理论上检测延迟的下限就是 0.27 秒。步长太大比如 16 帧延迟增加步长太小比如 1 帧样本高度冗余、训练慢。我一般用窗口长度的四分之一作为步长32 帧窗口配 8 帧步长。import numpy as np def sliding_window(frames, labels, win32, stride8, fall_ratio_thresh0.5): frames: (T, H, W, C) 或 (T, D) 特征序列 labels: (T,) 逐帧标签 0/1 返回窗口样本及其标签 samples, targets [], [] for start in range(0, len(frames) - win 1, stride): end start win seg frames[start:end] seg_label labels[start:end] # 窗口内摔倒帧占比超过阈值才算正样本避免边界污染 ratio seg_label.mean() samples.append(seg) targets.append(1 if ratio fall_ratio_thresh else 0) return np.array(samples), np.array(targets)这里有个细节值得强调窗口标签的判定阈值。如果窗口内只要有一帧是摔倒就标成正样本那正样本会大量渗到摔倒前后的正常片段里模型会学到快要摔了的模糊特征导致虚警。如果要求窗口内所有帧都是摔倒才算正样本正样本数量会锐减。阈值取 0.5 左右是我试下来比较平衡的做法但具体数值要看你数据的边界标注质量。4.3 增强策略与类别不平衡处理摔倒检测的类别不平衡是结构性的。一场几小时的监控里可能一次摔倒都没有而训练集里你人为地把摔倒片段裁出来比例看起来还行但滑窗之后正样本又会被稀释。处理方式有这么几种。过采样对正样本窗口做重复采样配合数据增强让每次看到的样本略有不同。简单有效但过度使用会导致过拟合。损失加权在交叉熵或 BCE 里给正类更高权重。权重的经验值可以取负正样本比的平方根而不是直接用比值直接用比值往往权重过大导致训练不稳定。焦点损失Focal Loss降低易分类样本的权重让模型聚焦在难样本上。做摔倒检测这类极端不平衡任务Focal Loss 通常比加权 BCE 效果好一些γ 取 2 是常见起点。两阶段策略先用轻量模型做人形检测或者姿态估计只在检测到人的区域/时段做摔倒判别把搜索空间缩小一个量级正负比自然就改善了。这也是我在产品里最常用的方案。数据增强方面视觉任务常用水平翻转、随机裁剪、亮度对比度扰动、时序抖动随机丢帧或复制帧。水平翻转要注意如果模型输入包含左右侧的语义信息比如左手撑地翻转会引入错误标签这时要么不翻转要么把相关标签一起翻转。IMU 数据可以加高斯噪声、做时间缩放模拟快慢动作、做幅度缩放模拟不同强度的摔倒但不要做随机轴交换那会生成物理上不可能的信号。4.4 从零训练一个基线YOLOv8-pose加时序分类我推荐一个能在一周内跑通、且具备实际可用性的基线方案人体检测/姿态估计 骨架序列时序分类。这个方案对光照和背景的鲁棒性比端到端视频分类好也比直接的检测框方案更抗遮挡。第一步用 YOLOv8-pose 或同类姿态模型逐帧提取人体 17 个关键点坐标和置信度。对每一帧把多人的情况按置信度或面积取主体得到形状为 (T, 34) 的序列。第二步构造人工特征这些特征比原始坐标更有效躯干与竖直方向的夹角由肩中点和髋中点连线算出摔倒时这个角会快速超过 45 到 60 度髋部中心相对画面底部的归一化高度摔倒时快速下降髋部中心的垂直速度短时间内出现大幅负向峰值边界框的宽高比从高瘦变成扁平是一个强特征头部与髋部的高度差站立时为正且较大躺倒后接近零甚至为负第三步把坐标加人工特征拼成向量序列送进一个两层的 LSTM 或 1D 卷积网络做二分类。import torch import torch.nn as nn class FallNet(nn.Module): def __init__(self, feat_dim44, hidden128, num_layers2, dropout0.3): super().__init__() self.lstm nn.LSTM(feat_dim, hidden, num_layers, batch_firstTrue, bidirectionalTrue, dropoutdropout) self.head nn.Sequential( nn.Linear(hidden * 2, 64), nn.ReLU(), nn.Dropout(dropout), nn.Linear(64, 1) ) def forward(self, x): # x: (B, T, feat_dim) out, _ self.lstm(x) # 用时间维平均池化比取最后一帧更稳 return self.head(out.mean(dim1)).squeeze(-1) # 训练配置参考 # 优化器 Adam, lr1e-3, weight_decay1e-4 # batch_size32, epoch60 # 损失 Focal Loss(gamma2, alpha0.75) # 学习率调度 CosineAnnealingLR # 早停 patience10监控指标用验证集 F1 而不是 loss训练时的几个经验监控指标一定要用 F1 或召回率不要只看 loss因为损失在不平衡数据上会被负样本主导loss 一直降但正样本一个都学不出来是常事。另外务必用留一受试者交叉验证我见过太多人随机划分后 F1 到 0.98换成 LOSO 直接掉到 0.7。5. 常见问题与排查技巧实录这一节是我这些年踩坑攒下来的基本都是文档里不会写、但一定会遇到的问题。5.1 误报重灾区坐下、躺下、蹲下捡东西误报排第一的永远是快速坐下。人往沙发或椅子上快速坐下的动作髋部垂直速度、躯干角度变化跟向后摔倒非常接近甚至加速度曲线都相似。区分点在于坐下过程中膝盖和脚踝的相对关系有明确的目标支撑椅子且动作结束时人体重心高度稳定在一个坐姿高度上而不是接近地面另外坐下的减速过程相对平缓摔倒通常伴随一个明显的冲击峰值。排第二的是弯腰捡东西。这个动作的特点是头部下降明显但髋部基本不动而真正的摔倒髋部一定参与。所以髋部高度这个特征比头部高度更可靠我早期版本的模型就是因为只看头部位移误报率居高不下。排第三是躺下。躺到床上或沙发上姿态和摔倒后完全一样。区别在于过程躺下通常是先坐下再躺有一个中间稳定态摔倒是一气呵成的失衡过程。另外躺下的位置通常在床或沙发区域可以结合区域掩膜做后处理过滤。处理这类误报的思路有两种一是加负样本把这些动作大量采集进来作为干扰类二是加后处理规则比如摔倒触发后做一个 2 到 3 秒的跟踪如果人体在 3 秒内恢复到站立姿态并且移动正常就撤销这次报警。后处理规则能显著降低误报代价是报警延迟增加具体阈值要跟业务方一起调。5.2 漏报与训练不收敛的典型原因漏报的常见原因之一是遮挡。摔倒时如果人被桌子、床挡住姿态估计直接失败关键点置信度掉到 0.1 以下。解决办法一是加多机位二是当关键点置信度普遍偏低时切换到基于检测框运动特征的备用判据三是调整机位角度避开主要遮挡物。原因之二是窗口切分把摔倒事件切碎了。摔倒刚好发生在窗口边界前后两个窗口各包含一半按 0.5 阈值判定可能两个窗口都不达标。解决方式是让窗口之间有足够的重叠或者改用有状态的滑动统计连续多个窗口的得分做平滑。原因之三是标注事件时刻偏差。如果标注的摔倒起点比真实起点晚了半秒训练时窗口对齐就会错位。这个只能靠提高标注规范来解。训练不收敛的表现通常是 loss 震荡或者召回率长时间为 0。排查顺序是先确认标签对不对我遇到过标签列错位导致正样本全是 0 的情况查了两小时再确认输入归一化关键点坐标如果不做归一化不同分辨率的样本尺度差异会让模型很难学然后检查类别权重是不是设得过大导致梯度爆炸最后才考虑换模型结构。5.3 常见问题速查表现象可能原因排查动作解决方向准确率高但召回率接近 0类别极度不平衡打印混淆矩阵过采样 Focal Loss训练集 F1 高、测试集崩受试者泄漏检查划分方式改 LOSO 协议换个场景误报暴涨背景过拟合对比不同场景指标加场景数据 姿态特征检测延迟超过 2 秒窗口过长或步长太大统计端到端耗时缩短窗口、减小步长夜间几乎失效光照不足抽查夜间样本加红外补光或换雷达标签全为 0文件与标签对应错统计标签分布修正映射关系5.4 落地部署的几个经验最后一个想聊的是部署。数据集里的指标和现场表现之间通常还有一道坎。第一延迟比精度更影响体验。用户能接受偶尔漏报因为还有别的求助手段但很难接受频繁误报和长时间延迟。所以模型选型时不要一味追求大模型一个轻量的姿态模型加小型时序网络的组合推理延迟能控制在 300 毫秒以内实际体验往往好过大而慢的方案。第二报警策略要分层。我的做法是分三级疑似模型得分中间区间只记录不报警确认得分高且持续 2 秒未恢复推送提醒给家属端高危摔倒后 30 秒未检测到站立、且无自主移动直接呼叫护工。分级之后误报带来的干扰被大幅稀释。第三隐私处理要前置。视觉方案在卧室、卫生间这类场景会遇到很强的抵触。可行的做法是只存骨骼关键点不存原始视频或者在设备端做人体轮廓化处理原始帧不出设备。这不只是为了合规也是产品能不能被接受的关键。第四持续收集线上疑难样本。模型上线后把误报和漏报的片段自动回传在用户授权范围内每周做一次小规模微调。落地半年后你会发现自有数据带来的提升远超过换任何模型结构。我自己做这个方向最大的体会是摔倒检测数据集的质量不体现在样本数量上而体现在边界样本的覆盖度上。一个只有两千段但把坐下、蹲下、躺下、翻身这些擦边动作都标全的数据集训出来的模型比一个两万段但只有标准摔倒和二分类标签的数据集好用得多。所以如果你正准备自建数据我的建议是把三分之一以上的录制时间花在那些看起来像摔倒但其实不是的动作上这部分数据的边际价值最高。另外一个小技巧录制时让受试者在摔倒后做几种不同的后续行为——立刻起身、原地停留、缓慢爬起——把后续状态也标上这样你的模型不仅能判断摔没摔还能判断需不需要马上介入产品的可用性会直接上一个台阶。