18岁女孩Audrey Lo与朋友创办了养老机器人Sam，成功上线两天便售出大量订单。Sam专注于老年人安全，具备跌倒检测和药物提醒等功能，已在50多个家庭和养老院应用。Audrey曾三次创业，致力于改善老年人护理问题。

该研究提出了MicroNAS，一种针对内存有限微控制器的自动化神经架构搜索工具。该框架优化了卷积神经网络和门控递归单元架构，在下肢截肢者的跌倒检测系统中显著提升了性能，F1分数超过其他方法。

本研究提出了一种基于姿态估计的跌倒检测系统，旨在提高辅助生活机构中老年居民的安全性。该系统无需额外传感器，能够在标准CPU上实时区分跌倒与非跌倒活动，显著降低误报率并保持高准确性。

本研究探讨了基于深度学习的跌倒检测系统，利用加速度计和ECG传感器，结合ResNet152模型实现高准确率。提出了基于可穿戴设备的CareFall系统和FADE雷达系统，均显示出优越的检测性能。研究比较了YOLOv5与YOLOv8模型，发现YOLOv5在某些任务中表现更佳，强调了模型选择的重要性。

本文介绍了多种基于深度学习的跌倒检测技术，包括DeepFall框架、单图像人体坠落检测器和多传感器数据识别系统。这些方法通过分析空间和时间特征，提高了跌倒检测的准确性和效率，尤其对老年人安全至关重要。研究还探讨了未来的研究方向和技术改进。

本研究提出了一种基于LSTM-VAE的异常检测器，能够利用多模态传感信号检测辅助操纵中的异常执行，表现优于其他基准检测器。研究还探讨了跌倒检测、异常事件检测及多传感器融合等方法，展示了在复杂环境中提高异常检测能力的潜力。

本文提出了一种名为时间位移的多目标损失函数，用于跌倒检测。该方法在多相机模态下的数据集上取得了显著的改进，具备提高异常检测能力的潜力。

我们提出了一种隐私保护的解决方案，利用标记的RGB数据和未标记的深度数据实现了跨模态的跌倒检测。该方法在无监督的RGB到深度领域适应任务中取得了最先进的结果。

谷歌Pixel手表的跌倒检测功能是通过内置的运动传感器和人工智能算法来实现的。工程团队通过收集数据和训练AI模型来教授算法检测不同类型的运动模式。经过测试，Pixel手表的跌倒检测功能可以在真实世界的情况下正常工作，并且不会误报。