Neues Deep‑Learning‑Modell erkennt Stürze bei Senioren in Echtzeit

Mit der weltweiten Zunahme älterer Menschen steigt der Bedarf an zuverlässigen Gesundheitsüberwachungssystemen. Besonders wichtig ist die schnelle Erkennung von Stürzen, die bei Senioren häufig zu schweren Verletzungen führen. Traditionelle Ansätze, die nur auf Beschleunigungsdaten eines einzelnen Sensors setzen, erzeugen oft viele Fehlalarme und erfordern aufwändige Feature‑Engineering‑Schritte.

Die neue Studie präsentiert den MultiModalFallDetector, ein mehrschichtiges Deep‑Learning‑Framework, das mehrere Sensorarten – Tri‑Achsen‑Beschleunigung, Gyroskop und vier physiologische Signale – gleichzeitig nutzt. Ein mehrskaliger CNN extrahiert Bewegungs­daten in unterschiedlichen zeitlichen Auflösungen, während ein Multi‑Head‑Self‑Attention‑Mechanismus die wichtigsten Zeitfenster dynamisch gewichtet. Durch die Verwendung von Focal Loss wird das starke Ungleichgewicht zwischen Sturz‑ und Nicht‑Sturz‑Beispielen reduziert, und ein zusätzlicher Aktivität‑Klassifikations‑Task dient als Regularisierung.

Auf dem SisFall‑Datensatz, der realistische Sturz‑Simulationen von 60‑85‑jährigen Probanden enthält, erzielt das Modell einen F1‑Score von 98,7 %, eine Rückrufrate von 98,9 % und eine AUC‑ROC von 99,4 %. Die Inferenzzeit liegt unter 50 ms, sodass das System auf Edge‑Geräten in Echtzeit eingesetzt werden kann.

Diese Ergebnisse übertreffen deutlich klassische Machine‑Learning‑Methoden und Standard‑Deep‑Learning‑Modelle. Der MultiModalFallDetector bietet damit eine hochpräzise, schnelle und ressourcenschonende Lösung für die Überwachung älterer Menschen und könnte die Sicherheit und Unabhängigkeit von Senioren nachhaltig verbessern.