AI低功耗跌倒检测定制：IMU采样窗口与功耗预算

可穿戴设备上的跌倒检测，难点不在模型大小，而在「始终在线」与电池续航的矛盾。本轮实验把它拆成三件事：采样策略、特征窗口、决策融合门槛。

硬件侧采用 6 轴 IMU，默认 25Hz 低速率采样，仅当合加速度变化超过阈值时切到 100Hz，并缓存前后各 1 秒数据。代价是可能漏掉缓慢倒地，因此补充「姿态角持续异常」作为第二触发条件。模型侧没有直接上深度网络，先用 18 维时频特征加轻量梯度提升树做基线，在自采的 2400 段样本（含 620 段模拟跌倒及坐倒、跳跃等混淆动作）上取得召回 96.2%、误报 0.8 次/天；端侧 int8 量化后占用 42KB Flash，单次推理约 3ms。

要点：
• 进展：多阈值触发加轻量模型的组合，把日均功耗压到约 1.6mAh，较常驻高频采样方案下降约 70%。
• 下一步：按年龄段分层采集混淆动作，并验证长期佩戴下 IMU 零偏漂移对姿态角阈值的影响。