一项最新研究提出了一种基于立体视觉和人体姿态估计（HPE）的跌倒预测与检测系统，该系统在AMD Kria K26系统模块（SOM）上运行，旨在为老年人提供非侵入式、隐私保护的实时监护。该成果由Shreyas Narasimhiah Ramesh等人完成，发表于arXiv预印本（ID: 2606.12473）。
系统硬件采用Intel RealSense D455深度相机，通过USB连接至K26 SOM，可同步捕捉RGB和深度图像，分辨率分别为640×480×3和640×480像素，帧率高达60 FPS。软件架构采用三级流水线：首先，量化后的YOLOX模型从RGB帧中识别人体边界框，随后立即丢弃RGB帧以保护隐私；接着，Anchor-to-Joint（A2J）模型利用深度帧估计每个目标的15个关节点坐标；最后，一个卷积神经网络（CNN）根据选定的关节坐标（x, y, z）分类跌倒行为。
在模型训练方面，YOLOX基于CrowdHuman数据集进行训练，A2J则融合了ITOP、MP-3DHP、UR Fall Detection以及自建的SDSU PSG数据集，CNN使用UR Fall Detection和SDSU PSG进行训练和评估。研究人员比较了两种实现方式：单核DPU串行流水线和双核DPU多线程流水线。单线程版本帧率仅为2.5 FPS，而多线程优化后提升至4.5 FPS，实现了近两倍的性能提升。精度评估显示，YOLOX在IoU≥50%时的准确率为74%，A2J在10厘米阈值下的平均精度（mAP）为84.13%，CNN分类准确率为75.85%。
该研究的核心贡献在于证明了在AMD Kria K26等边缘设备上实现隐私保护跌倒检测的可行性。系统完全在本地运行，无需依赖云端，特别适合老年人家中或辅助医疗场景。未来工作将聚焦于提升模型精度和处理速度，以进一步提高系统的实用性和可靠性。