跌倒检测不再需要整份IMU数据：把不平衡记录压成几十个合成窗口，轻量网络仍保住九成以上准确率
核心概要
可穿戴跌倒检测的训练数据被压缩成极小的类别均衡合成集。此前要么用人工特征配浅层分类器，要么在完整不平衡数据上训练并重采样，代价是数据量与算力。FallNest在时域与频域同时对齐合成样本与真实样本的梯度方向和嵌入分布，用类别均衡K-Means初始化，并加入多视角傅里叶增强。在SisFall、KFall、MobiFall上按受试者划分、保留自然不平衡测试集，仅用32到146个合成窗口训练10.2万参数TinyCNN，五种子平均准确率93.5%到95.8%，PR-AUC为0.89到0.98。
深度剖析
训练跌倒检测器所需的数据量被压到原来的约百分之一，而类别均衡由合成集本身带来，不再依赖重采样。 此前要么用人工特征加浅层分类器，限制了对原始信号的学习；要么在完整不平衡数据上训练深度网络，需要重采样并消耗大量数据与算力。 在SisFall、KFall、MobiFall上按受试者划分、测试集保留自然不平衡比例，10.2万参数TinyCNN只用32到146个合成窗口，五种子平均准确率93.5%到95.8%，PR-AUC为0.89到0.98，准确率标准差1.0到1.7个百分点。
合成样本在时域和频域两个空间里同时向真实数据靠拢，使少量样本也能覆盖两类数据的主要形态。 CondTSC把时域序列压缩成合成样本，但没有在可穿戴跌倒检测的受试者划分与自然不平衡测试集上验证过。 每个样本经过原始信号与三个傅里叶域视角，梯度匹配用归一化平方距离并做梯度裁剪，嵌入对齐用高斯核MMD，初始化用按类K-Means，全部超参数跨数据集固定。
在合成集最小的两个数据集上，压缩数据比同规模的真实子集更有效。 同规模真实子集按均匀抽样或按类均衡抽样，使用相同TinyCNN、相同检查点选择与五种子流程。 MobiFall与KFall上FallNest的PR-AUC为0.975和0.973，而随机子集最高只有0.932和0.90；SisFall上均匀子集准确率94.0略高于93.5，说明该数据集上相对均匀抽样的优势尚未确立。
启示与展望
结果覆盖SisFall、KFall、MobiFall三个公开数据集，采用受试者划分与自然不平衡测试集，评估指标为准确率、Macro-F1与PR-AUC，五种子重复。适用读者是需要在有限存储或算力下训练可穿戴跌倒分类器的研究者与工程师。推理延迟、内存与能耗由模型结构决定，压缩并不改变它们；微控制器验证与自由生活数据的误报分析被列为后续工作。
相对全量数据训练，准确率下降3.6到6.4个百分点，SisFall的PR-AUC从0.999降到0.891。SisFall上均匀真实子集准确率94.0高于93.5，压缩相对均匀抽样的优势未确立。消融未单独分离加速度矢量幅值、归一化匹配与裁剪的作用，也未与CondTSC或其他核心集基线比较。受试者划分在五个种子间固定，报告的标准差只反映初始化波动。理论界中的常数未被测量，结论限于训练分布。