Intelligentes Wearable erkennt Stürze bei älteren Menschen mit 96,7 % Genauigkeit mithilfe von KI und LoRa

Stürze sind weltweit die zweithäufigste Ursache für unbeabsichtigte Traumatode und töten schätzungsweise 684.000 Menschen jährlich, wobei Erwachsene über 60 Jahren das größte Risiko tragen. Fast die Hälfte der älteren Erwachsenen, die stürzen, kann sich nicht ohne Hilfe wieder aufrichten, was eine schnelle Erkennung und Alarmierung unerlässlich macht. Bestehende tragbare Sturzmelder opfern jedoch häufig die Akkulebensdauer zugunsten der Genauigkeit oder sind auf kurzreichweitiges Bluetooth angewiesen, das ein nahes Smartphone erfordert – was die Zuverlässigkeit im Alltag einschränkt.

Diese Studie von Forschern der Universidad de Málaga und der Universidad de Investigación y Desarrollo (Kolumbien) schlägt ein hybrides tragbares System vor, das alle drei zentralen Einschränkungen gleichzeitig adressiert: Erkennungsgenauigkeit, Energieeffizienz und Kommunikationsreichweite. Das Gerät integriert einen Beschleunigungsmesser mit einer Abtastrate von 20 Hz und eine zweistufige Erkennungspipeline. In der ersten Stufe überwacht ein leichtgewichtiges schwellenwertbasiertes Modell kontinuierlich die Beschleunigungsmagnitude und aktiviert das System nur dann, wenn ein vordefinierten Grenzwert überschritten wird – andernfalls bleiben Prozessor und LoRa-Funkmodul im Tiefschlafmodus. In der zweiten Stufe wird eine 4-Sekunden-Fensterprobe der Beschleunigung per LoRa an einen Remote-Server übertragen, wo ein CNN-LSTM-Deep-Learning-Modell die endgültige Klassifizierung als Sturz oder Nicht-Sturz vornimmt. Das CNN extrahiert räumliche Merkmale aus dem Beschleunigungssignal, während das LSTM zeitliche Bewegungsmuster erfasst und beide gemeinsam die Falsch-Positiv-Rate reduzieren, die einfachere Schwellenwertmodelle erzeugen.

Der Prototyp erreichte bei experimentellen Tests mit simulierten Sturzszenarien eine Sensitivität von 96,67 % (Erkennungsrate bei tatsächlichen Stürzen) und eine Spezifität von 100 % (keine Fehlklassifizierung von Aktivitäten des täglichen Lebens als Stürze). Das Ultraniedrigenergiedesign verlängerte die Akkuautonomie auf 178 Stunden Dauerüberwachung – deutlich länger als bei vielen konkurrierenden Systemen. Die LPWAN-Architektur von LoRa ermöglicht Übertragungen im Kilometerbereich ohne Mobilfunkinfrastruktur und arbeitet auf unlizenzieren Frequenzbändern, wodurch wiederkehrende Netzwerkkosten und die Abhängigkeit von einem Smartphone entfallen.

Das System übertrifft mehrere frühere LoRa-basierte und NB-IoT-basierte Sturzmelder, die in der Studie untersucht wurden. Zum Vergleich: Vergleichbare Systeme erzielten Genauigkeiten zwischen 89,2 % und 96,93 %, oft bei kürzerer Akkulebensdauer oder eingeschränkter Kommunikationsreichweite. Das hybride Algorithmusdesign – bei dem das rechenintensive Deep Learning auf einen Remote-Server ausgelagert wird anstatt auf dem Wearable selbst zu laufen – ist eine zentrale architektonische Erkenntnis, die sowohl hohe Genauigkeit als auch geringen Energieverbrauch gleichzeitig ermöglicht.

Wichtige Einschränkungen sind zu beachten: Die Sturzszenarien wurden simuliert und nicht bei echten älteren Erwachsenen in natürlichen Umgebungen beobachtet, was die reale Leistungsfähigkeit möglicherweise überschätzt. Umfang und Diversität des Datensatzes sind im verfügbaren Text nicht vollständig beschrieben, und das System wurde bislang weder in klinischen noch in langfristigen Heimüberwachungsstudien validiert. Darüber hinaus muss eine LoRa-Gateway-Infrastruktur in den Einsatzumgebungen vorhanden sein, was die Anwendbarkeit in einigen ländlichen oder Innenraumumgebungen ohne bestehende LPWAN-Abdeckung einschränken kann.