近日，护理学院田翀副教授与人工智能与自动化学院肖阳教授团队开展深度跨学科合作，在生物医学与健康信息学领域权威期刊 IEEE Journal of Biomedical and Health Informatics（J-BHI） 上发表了题为《Towards Unconstrained Fall Detection Using Vision Language Model: Dataset, Theory and Practices》的研究论文。该研究聚焦智慧养老与老年人安全监护中的关键技术难题——非受限场景下的跌倒检测，为提升居家及机构养老的安全保障水平提供了创新性的智能解决方案。

跌倒风险是老年人群面临的主要健康威胁之一，高效、准确的跌倒监测技术对于护理实践中的风险预警与及时干预至关重要。然而，真实环境中跌倒事件的偶发性、复杂场景的干扰以及现有模型泛化能力不足，长期制约着相关技术在实际护理场景中的可靠应用。

在本研究中，田翀副教授充分发挥护理学科在老年健康需求分析、场景理解及伦理规范等方面的专业优势，与肖阳教授团队共同定义了非受限跌倒检测的核心应用挑战，并从护理实际需求出发，辅助指导了数据集的场景设计与临床意义的验证。

研究提出的结构化语义引导的视觉语言推理模型 Action-R1，通过创新的强化学习范式，在轻量化部署和跨数据集泛化能力上取得了显著突破。未来，田翀副教授团队将进一步深化与人工智能与自动化学院的合作，聚焦于将多模态AI模型与养老机器人、边缘计算设备相结合，推动低成本、高鲁棒性的跌倒检测系统向社区和居家护理场景转化。

此次合作是护理学院持续推进“护理+工程”跨学科融合创新的重要成果体现。护理学院将继续围绕老年健康、智慧照护等国家重大需求，深化与校内工科优势学科的协同创新，为构建主动、智能、精准的老年健康照护体系贡献护理智慧。