超越模拟基准：在现实世界数据稀缺的情况下评估跌倒检测的运动表示

跌倒是老年人的主要健康问题，可穿戴传感器已被广泛探索用于检测跌倒并及时进行干预。然而，现实世界中跌倒的情况极为罕见：收集 100 次跌倒需要估计 100,000 天的监控，导致用于训练机器学习模型的标记数据严重有限。因此，许多方法依赖于模拟数据集，通常报告较高的实验室性能，但在现实世界中的泛化能力有限。我们对现实世界数据稀缺情况下可穿戴跌倒检测的运动表示进行了系统评估。使用加速度计信号，我们比较基于间隔、基于内核、符号和基础模型表示。作为可解释的基线，我们还研究了一种轻量级符号表示，将短运动片段转换为符号句子，并用基于物理的影响描述符进行增强。实验使用 FallAllD（模拟跌倒数据集）和 FARSEEING（经过临床验证的真实跌倒数据集）。通过交叉验证、受控数据稀缺性和跨数据集传输，我们研究了表示选择如何影响实际部署下的鲁棒性。我们的结果表明，高度参数化的内核和基础模型在模拟数据上表现出色，但在数据稀缺和域转移的情况下严重退化。尽管基于间隔的表示实现了最强的绝对现实世界性能，但使用以物理规律为依据的的影响描述符增强符号表示可以在域转移下产生最小的退化，并在极度稀缺的情况下保留检测灵敏度，尽管精度较低。这些发现强调了超越模拟基准进行评估的重要性，并表明鉴于现实世界数据的稀缺，表示选择对于可部署的跌倒检测至关重要。