老年人跌倒是全球性的公共健康问题，持续的视频监控由于隐私、计算和带宽限制难以大规模部署。传统监督式姿态估计虽具有解剖学可解释性，但在遮挡或身体部分可见时表现脆弱。针对这些挑战，研究人员提出了一种全新的隐私保护框架，利用无监督关键点和预测时序建模，在本地设备上完成所有视觉处理，仅传输紧凑的运动表示而非RGB图像，从而在保证检测精度的同时大幅降低带宽需求。
该框架的核心流程是：首先在本地进行前景分割和关键点提取，随后通过变分递归预测模型对观察到的和预测的运动序列进行分类。研究团队在UR Fall Detection和Human Fall两个公开数据集上，采用随机划分、按对象划分以及基于遮挡的三种评估协议，系统地比较了监督式和无监督式关键点表示的性能差异。
实验结果显示，在随机划分下两种表示没有显著差异，表明标准评估协议可能掩盖真实世界中的关键差异。而在按对象划分的评估中，监督式关键点虽然统计上占优，但其性能高度依赖于解剖标志的可见性；相反，无监督关键点对遮挡和部分身体可见性更为鲁棒，尽管在复杂活动中会产生更多误报。最关键的发现来自基于遮挡的评估：监督式关键点漏检了近一半的跌倒事件，而无监督关键点保持着高灵敏度，表现大幅领先。其原因在于无监督关键点不依赖于固定的解剖位置，能够根据可见的身体结构动态调整空间锚点。当进一步引入带宽限制（即压缩通信数据量）时，监督式定位误差通过时序模型不断累积，导致性能急剧下降，而无监督方法的优势进一步扩大。
这项研究强调，跌倒检测系统的表示学习策略应根据预期的视觉条件进行选择。在现实部署中，尤其是摄像头可能被部分遮挡或老人身体仅部分可见的场景下，无监督关键点提供了一种更可靠、更隐私友好的方案。未来的工作可能探索如何减少无监督方法的误报率，并进一步优化其与边缘设备的集成，推动该技术在智能养老、家庭监护等领域的实际应用。