본 연구는 고령화 사회와 산업 현장에서 빈번히 발생하는 낙상 문제를 해결하기 위해, 데이터 품질 관리와 경량 머신러닝을 결합한 낙상 감지 방법을 제안한다. 기존의 CNN·LSTM 기반 연구는 정확도는 높았지만, 실시간성과 저전력 요구를 충족하기 어려웠다. 이에 본 연구는 마할라노비스 거리 기반 이상치 제거와 앙상블 신뢰도 기반 저신뢰 샘플 제거를 결합한 이중 단계 데이터 정제(Double-stage data cleansing) 절차를 새롭게 설계하였다. 이를 통해 89,953개 중 57,638개의 고품질 샘플을 확보하고, 복잡한 딥러닝 없이도 MLP, XGBoost, RandomForest, SVM 등의 경량 모델로 Accuracy 94~96%, F1-Score 96%를 달성하였다. 특히 XGBoost 모델은 평균 추론 지연 0.3157 ms(≈3,168 Hz)로, IMU 센서 주파수(100–41Hz)를 초과함으로써 실시간 처리 가능성과 높은 실용성을 입증하였다.