Un sistema de detección de caídas es vital para la seguridad de las personas mayores, ya que contacta a los servicios de emergencia cuando detecta que una persona ha caído. Han habido varios enfoques para detectar caídas, como usar un acelerómetro triaxial único para detectar caídas o fijar sensores en las paredes de una habitación para detectar caídas en una área particular. Estos enfoques tienen dos inconvenientes principales: o bien (i) utilizan un solo sensor, que es insuficiente para detectar caídas, o (ii) están adheridos a una pared que no detecta a una persona cayendo fuera de su región. Por lo tanto, para proporcionar un método robusto para detectar caídas, el enfoque propuesto utiliza tres sensores diferentes para la detección de caídas, los cuales se colocan en cinco ubicaciones diferentes en el cuerpo del sujeto para recopilar los datos utilizados con fines de entrenamiento. El conjunto de datos UMAFall se utiliza para obtener lecturas de los sensores para entrenar los modelos de detección de caídas. Se entrenan cinco modelos correspondientes a los cinco sensores, y se utiliza un clasificador de votación mayoritaria para determinar la salida. Se logra una precisión del 93.5%, 93.5%, 97.2%, 94.6% y 93.1% en cada uno de los cinco modelos de sensores, y 92.54% es la precisión general lograda por el clasificador de votación mayoritaria. La técnica XAI llamada LIME se incorpora al sistema para explicar las salidas del modelo y mejorar la interpretabilidad del modelo.