Real-Time Pre-Impact Fall Detection in Wearable Systems: Lightweight Deep Learning Architectures for Embedded Deployment

Falls representa critical safety challenge,accounting for16% ofnon-fataloccupational injuries and 865 workplace fatalities in the United States in 2022. Traditional post impactfalldetection systems promptfirstaidafterfalls occurbutfailto preventinjuries caused by ground impact. Pre-impact fall detection enables protective intervention before ground contact by activating safety systems, such as wearable airbags, to reduce the severity of impact. However, achieving this requires recognizing falls early enough to provide sufficient time for deploying protective devices while maintaining detection accuracy and reliability on resource-constrained wearable platforms. This thesis addresses real-time pre-impact fall detection through three intercon nected contributions advancing embedded wearable systems. First, a comprehensive dataset of 46.05 hours from 61 (+10) participants encompasses construction-specific elevation falls absent from existing benchmarks, combining controlled laboratory protocols with naturalistic construction site recordings. Integration with the KFall benchmark provides a robust foundation for model development and validation across diverse fall scenarios and operational contexts. Second, a lightweight convolutional neural network optimized for STM32F722 microcontrollers achieves 86.69% F1-score while operating within strict memory and processing constraints. The architecture addresses critical timing requirements ignored by existing methods, but severe class imbalance produces excessive false negatives of 4.17%, limiting practical reliability for safety-critical applications. Third, an enhanced two-stage detection pipeline addresses these limitations through generative data augmentation combined with hierarchical classification. Systematic evaluation of three generative models (Variational Autoencoder, Condi tional TimeGAN (CT-GAN),andhybridVAE-GAN) identifies effective strategies for synthesizing realistic falling patterns while preserving temporal dynamics. Beyond segment-level classification, a novel event-level aggregation stage employs Random Forest classification on consecutive segment predictions. This supervised mechanism replaces simple threshold rules, learning confidence patterns that distinguish genuine falls from transient false positives. Validated through 5-fold subject-independent cross-validation, the complete pipeline achieves 99.5% event-level F1-score with 99.9% precision and false negatives below 1%. Post-training quantization enables deployment on embedded microcontrollers, meeting real-world timing constraints for wearable safety systems. Real-world validation using commercial airbag safety jackets demonstrates deployment readiness. This thesis bridges academic fall detection research and deployable embedded safety systems, advancing wearable sensing technologies for occupational safety, elderly care, and real-time human activity recognition under severe resource constraints.

Le cadute rappresentano una sfida critica per la sicurezza, essendo responsabili del 16% degli infortuni professionali non mortali e di 865 decessi sul lavoro negli Stati Uniti nel 2022. I sistemi tradizionali di rilevamento delle cadute post-impatto attivano il primo soccorso dopo che la caduta si è verificata, ma non sono in grado di prevenire le lesioni causate dall’impatto con il suolo. Il rilevamento pre-impatto delle cadute consente invece un intervento protettivo prima del contatto con il suolo, attivando sistemi di sicurezza, come airbag indossabili, per ridurre la gravità dell’impatto. Tuttavia, per ottenere questo risultato è necessario riconoscere la caduta con sufficiente anticipo da permettere l’attivazione dei dispositivi di protezione, mantenendo al tempo stesso accuratezza e affidabilità su piattaforme indossabili con risorse limitate. Questa tesi affronta il problema del rilevamento delle cadute pre-impatto in tempo reale attraverso tre contributi interconnessi che fanno avanzare i sistemi embedded indossabili. In primo luogo, viene presentato un dataset completo di 46,05 ore, raccolto da 61 (+10) partecipanti, che include cadute da dislivello specifiche del settore delle costruzioni, assenti nei benchmark esistenti, combinando protocolli controllati di laboratorio con registrazioni naturalistiche effettuate in cantieri edili. L’integrazione con il benchmark KFall fornisce una base solida per lo sviluppo e la validazione dei modelli in diversi scenari di caduta e contesti operativi. In secondo luogo, una rete neurale convoluzionale leggera, ottimizzata per microcontrollori STM32F722, raggiunge un F1-score dell’86,69% operando entro rigorosi vincoli di memoria ed elaborazione. L’architettura affronta requisiti temporali critici spesso ignorati dai metodi esistenti; tuttavia, il forte sbilanciamento tra le classi genera un numero eccessivo di falsi negativi, pari al 4,17%, limitando l’affidabilità pratica in applicazioni safety-critical. In terzo luogo, una pipeline di rilevamento avanzata a due stadi supera tali limitazioni combinando l’aumento dei dati tramite modelli generativi con una classificazione gerarchica. La valutazione sistematica di tre modelli generativi — Variational Autoencoder, Conditional TimeGAN (CT-GAN) e VAE-GAN ibrido — identifica strategie efficaci per sintetizzare pattern di caduta realistici preservandone le dinamiche temporali. Oltre alla classificazione a livello di segmento, viene introdotto un nuovo stadio di aggregazione a livello di evento, che impiega una classificazione Random Forest sulle predizioni di segmenti consecutivi. Questo meccanismo supervisionato sostituisce semplici regole a soglia, apprendendo pattern di confidenza in grado di distinguere le cadute reali dai falsi positivi transitori. Validata mediante cross-validation subject-independent a 5 fold, la pipeline completa raggiunge un F1-score a livello di evento del 99,5%, con una precisione del 99,9% e falsi negativi inferiori all’1%. La quantizzazione post-training consente il deployment su microcontrollori embedded, soddisfacendo i vincoli temporali reali richiesti dai sistemi di sicurezza indossabili. La validazione in scenari reali tramite giacche di sicurezza commerciali dotate di airbag dimostra la prontezza del sistema per il deployment. Questa tesi colma il divario tra la ricerca accademica sul rilevamento delle cadute e i sistemi embedded di sicurezza effettivamente implementabili, contribuendo al progresso delle tecnologie di sensing indossabile per la sicurezza sul lavoro, l’assistenza agli anziani e il riconoscimento dell’attività umana in tempo reale in condizioni di risorse fortemente limitate.