저전력 엣지 플랫폼을 위한 비전 기반 실시간 낙상 감지

초록

낙상 감지는 노인 케어와 지능형 감시에 필수적이지만, 기존의 비전 기반 접근법은 주로 이를 정적 자세 분류 또는 개별적인 시간적 패턴 매칭으로 구성하여 인간 지지 시스템의 불안정성 동역학을 근본적으로 간과한다. 본 논문은 물리학 기반 낙상 감지 프레임워크를 제안하며, 낙상을 결합 동적 시스템에서의 안정성 상실 사건으로 재정의한다. 우리는 질량 중심(CoM) 하위 시스템과 지지 기저(BoS) 하위 시스템으로 구성된 새로운 이중 LTC 아키텍처를 도입하며, 두 하위 시스템 모두 적응형 시간 상수를 통해 관성 궤적 진화와 지면 접촉 조정을 연속적으로 모델링하는 Liquid Time-Constant(LTC) 신경망으로 구현된다. 이는 낙상 움직임의 물리적 해석 가능성을 제공한다. 학습 가능한 결합 모듈은 두 하위 시스템 간의 물리적 상호작용을 모방하며, 안정성 다양체 분류기는 공동 잠재 공간에서 동작하여 Lyapunov 기반 안정성 지표를 통해 경계 통과를 감지한다. 보완적으로 반사실 궤적 투영과 충돌 시간(TTC) 추정을 통해 비가역성 평가와 조기 경보를 가능하게 한다. 해당 아키텍처는 삼상태 예측 패러다임(정상, 낙상 중, 낙상 완료)을 지원하도록 설계되었으며, 본 예비 연구에서는 핵심 안정성 판별 능력을 이진 클래스 데이터셋(정상 대 낙상 중)에서 검증하고, 완전한 삼상태 시간적 전이는 향후 연구로 남긴다. 기존 CNN-RNN 파이프라인과 달리, 제안된 방식은 연속 시간 기계적 관성을 인코딩하여 5만 개 미만의 파라미터 네트워크로 자원이 제약된 엣지 디바이스에서 실시간 추론이 가능하다. 광범위한 실험을 통해 경쟁력 있는 정확도와 뛰어난 물리적 해석 가능성을 입증하였으며, 저연산 시각적 낙상 감지에서의 효용성을 검증하였다.

English

Falling detection is vital for elderly care and intelligent surveillance; however, prevailing vision-based approaches predominantly frame it as static pose classification or discrete temporal pattern matching, fundamentally overlooking the instability dynamics of the human support system. This paper proposes a physics-informed falling detection framework that recasts falling as a stability-loss event in a coupled dynamical system. We introduce a novel dual-LTC architecture comprising a Center-of-Mass (CoM) subsystem and a Base-of-Support (BoS) subsystem, both instantiated as Liquid Time-Constant (LTC) neural networks to continuously model inertial trajectory evolution and ground-contact adjustment through adaptive time constants, Physical interpretability of falling motion. A learnable coupling module emulates physical interaction between the two subsystems, while a Stability Manifold classifier operates in the joint latent space to detect boundary crossing via Lyapunov-inspired stability metrics. Complementary counterfactual trajectory projection and Time-to-Collision (TTC) estimation further enable irreversibility assessment and early warning. The architecture is designed to support a three-state prediction paradigm (Normal, Falling, Fallen); in this preliminary study, we validate the core stability discrimination capability on a two-class dataset (Normal vs. Falling), leaving the full three-state temporal transition to future work. Unlike conventional CNN--RNN pipelines, the proposed formulation encodes continuous-time mechanical inertia, yielding a sub-50K-parameter network capable of real-time inference on resource-constrained edge devices. Extensive experiments demonstrate competitive accuracy with superior physical interpretability, validating its efficacy for low-compute visual fall detection.