Die Sturzerkennung von caera basiert auf den Daten von drei verschiedenen Sensoren und versucht Ereignisse in Alltagsereignisse und Sturzereignisse einzuteilen. Das Zusammenspiel dieser drei Sensoren ermöglicht uns eine robustere und sehr genaue Sturzerkennung. Ebenfalls konnten wir die Analyse der Sensordaten so weit optimieren, dass wir eine Akkulaufzeit von bis zu 21 Tagen erreichen. Dies erwirken wir durch eine Auslagerung der Sensordatenanalyse. Die eingebaute „Aufweckfunktion“ aktiviert den Sensor nur bei kritischen Ereignissen und führt zu einer entsprechenden Analyse. Wir ermitteln dabei verschiedene Merkmale, die an neuronale Netze weitergeleitet werden, die dann letztendlich die finale Entscheidung fällen, ob es sich bei einem Ereignis um einen Sturz handelt oder eben nicht.
Für das Trainieren der neuronalen Netze wurden verschiedenste Sturzarten, wie „Stürzen aus dem Gehen“ oder „vom Stuhl kippen“, nachgestellt. Die Alltagsereignisse wurden nicht im Labor nachgestellt, sondern im Alltag von verschiedenen Personen aufgezeichnet, um möglichst reale Daten zu erhalten.
Oft werden spezifische Ereignisse nachgestellt, bei denen jedoch unklar ist, ob es sich bei diesen Ereignissen um kritische Ereignisse handelt, wie oft diese Ereignisse in einer kritischen Form im Alltag auftreten und ob die Ereignisse realistisch im Labor nachgestellt werden. Durch die Aufzeichnungen von ganzen Tagen über mehrere Wochen können die neuronalen Netze mit realistischen Daten trainiert werden und damit zu einer intelligenten KI-basierten Sturzerkennung führen, die fast alle Stürze korrekt erkennt.