基于可穿戴设备的方法主要是将加速度传感器、陀螺仪传感器、红外传感器等嵌入如手环、衣服、腰带等设备中，通过对采集到的传感器数据进行处理之后，对人体在某一段时间的运动情况进行检测和分析，进而判断是否存在跌倒行为。最开始主流方法是使用三轴加速度计配合阈值法对跌倒行为进行检测，之后多分类器检测成为了主流。Adlian 等人采用搭载有三轴加速度计和三轴陀螺仪的MPU6050 传感器来检测老年人的活动，主要检测前倾、侧倾、后倾、坐、睡、下蹲、上、下楼梯、祈祷等动作。测试中的数据是让 16 个参与者针对每次动作提供 80 个数据，基于来自加速度计传感器数据和陀螺仪传感器的 10 个输入变量进行运动识别，运动识别采用了反向传播方法，最后所有运动平的平均误差值为0.1818，ROC精度为98.182%。Dongha L.等人开发了一种基于简单阈值的系统，并在使用 Zigbee 和三轴加速度计的远程终端接收的数据上使用隐马尔可夫模型进行判断，邀请了 4 名健康男性和 2 名女性来测试系统，最终获得的灵敏度、特异性和准确性分别为 99.17%、99.69%和 99.5%。Rescio 等人采用肌电传感器，将四个可穿戴传感器模块放在人的小腿部，然后对人体肌肉的电信号使用监督学习的方法进行分析，研究了下肢肌肉活动分析中常用的 10 种时域特征。为了降低处理复杂度，采用了基于马尔可夫随机场（MRF）的 Fisher-Markov 特征选择器，该系统在控制条件下表现出较高的灵敏度和特异性（约 90%），在发生跌倒前撞击前约 775 ms 时就可以检测出跌倒行为，从而提前做好预警。Shen 等人使用智能手机中的三轴加速度传感器，用户只需把手机放在口袋中，然后系统将三轴加速度传感器检测到的信号转换为信号矢量，采集 z 轴数据集用于人体倾斜度识别，并将使用区域峰值的出现频率作为输入参，最后使用一个高级模糊 Petri网用于分析和识别跌倒行为。Cheng 等人提出了一个 cascade-AdaBoost-SVM 分类器来完成基于三轴加速度计的跌倒检测方法，该方法利用数据库中志愿者日常活动的加速度信号，计算特征值，通过一个滑动窗口的特征值作为输入向量，算法可以根据训练的 self-construct 向量自动选择几个最优弱分类器组成强分类器进行训练，在 UCI 数据库上进行实验，将三轴加速度计分别戴在左右脚踝上，胸部和腰部，并与神经网络、支持向量机和级联 AdaBoost 分类器的分类结果进行了比较。张紫烨基于心电信号和加速度信号对跌倒进行检测，采取双正交二次B 样条小波变换进行特征提取，并采用主成分分析法对心电信号特征降维，进行数据压缩，采用粒子群算法优化 BP 神经网络，弥补其缺陷，提高分类识别效果。聂影等提出了一种基于 ADXL345 倾角传感器的跌倒检测与报警系统，通过ADXL345 倾角传感器实时采集老人在日常活动中产生的倾角数据，然后将数据送到单片机 STC89C52 进行处理，并判断老年人的运动状态。王岚通过设计一种智能鞋垫，将嵌入其中的三种传感器采集到的数据作为人体跌倒的特征信息，将一维卷积神经网络（1D CNN）应用到跌倒检测系统中，利用卷积神经网络来检测跌倒撞击前的跌倒方向，提出将跌倒检测作为一个多分类问题来处理，跌倒的方向检测可以用来激活有效的保护装置，减轻创伤的严重程度。通过对三轴加速度计、微多普勒雷达和深度相机等不同传感器采集的实验数据进行特征信息融合，来探讨单个传感器使用的性能限制，特别是对类似活动的分类。初步结果证实，结合来自异构传感器的信息可以提高系统的整体性能。与仅使用雷达的方法相比，该融合方法的分类精度提高了 11.2%，与加速度计方法相比提高了 16.9%。此外，添加从 RGB-D Kinect 传感器提取的特征，整体分类准确率提高到 91.3。
可穿戴设备的优点是不会对人的身体特征进行采集，能保障隐私，而问题在于需要人长期佩戴，舒适感差，设备续航较差。
