据统计，我国每年至少有2000万老年人发生2500万次跌倒，意外跌倒成为威胁老人安全的重大隐患。在家庭和医疗健康监护中，如何及时准确地进行实时老人状态监测特别是跌倒检测成为亟待解决的难题。

跌倒检测算法主要分为两种：穿戴式和非穿戴式。穿戴式方法针对固定对象进行跌倒检测，如利用惯性测量单元、加速度计和陀螺仪等传感器组成的穿戴式跌倒检测设备；吕艳等人提出一种基于卷积神经网络(Convolutional Neural Network, CNN)和手机传感器的跌倒检测系统，利用神经网络对智能手机内置的三轴传感器数据进行训练和分类，可以达到较好的检测效果。上述穿戴式方法主要存在体感上的不适和老人忘记主动佩戴等问题。

穿戴式方法针对固定区域进行检测，主要有以下几种传感器：相机、WiFi、超宽带雷达、毫米波雷达。基于相机的跌倒检测方法不断出现：

通过深度残差卷积长短时记忆网络(Long Short-Term Memory, LSTM)对RGB-D图像进行跌倒分类；利用目标检测对复杂场景进行人体检测，并利用LSTM网络对图像进行跌倒结果预测，得到较好的检测效果。基于图像检测的方式存在侵犯个人隐私风险，不适合用于洗手间、卧室等隐私场所，同时需要充足的光线，不适合夜晚场景的使用。

WiFi的方法有着成本低的优势：基于WiFi通道状态信息提出一种智能监控系统，根据通道状态信息的相位和幅度差值来建立跌倒检测模型；提出DeFall的检测方法，首先建立跌倒的通道状态信息静态模板库，然后利用通道状态信息估计跌倒时的速度进行相似度匹配。基于WiFi的方式容易收到其他外来信号的干扰，同时上述算法基于传统建模，泛化性较差。

超宽带雷达的方法开始出现：对回波信号进行特征提取，计算人体运动速度，利用运动速度的不同来进行跌倒检测；利用CNN与LSTM网络对超宽带雷达信号的回波进行特征提取和学习，能够较好地完成跌倒检测任务。

超宽带雷达的方法成本较高，且只对单一跌倒动作进行检测，在动作检测扩展方面仍需改进。相比之下，毫米波雷达具有良好的安全性和稳定性，且测量精度较高，成本较低，在跌倒检测中有着独特的优势。