Las caídas son una preocupación significativa para la salud que conduce a un aumento de la morbilidad y los costos de atención médica, especialmente para los ancianos. La detección temprana y precisa de los eventos de caída es crítica para una intervención oportuna y para prevenir complicaciones graves. Este estudio presenta un enfoque novedoso para las señales de acelerómetro triaxial mediante el uso de la descomposición de filtrado promedio gaussiano adaptativo a los datos (DAGAF) junto con técnicas de aprendizaje automático para la detección de caídas. Las señales de acelerómetro triaxial del conjunto de datos FallAllD se descompusieron en funciones de modo intrínseco (IMFs) y un componente residual, a partir del cual se extrajeron vectores de características para entrenar clasificadores de máquina de soporte vectorial (SVM) y de k-vecinos más cercanos (kNN). Los resultados experimentales demuestran que la combinación de la primera y la tercera IMF con el componente residual produce la mayor precisión de clasificación del 96.34%, siendo SVM superior a kNN en todas las métricas de rendimiento. Este enfoque mejora significativamente la precisión de detección de caídas en comparación con el uso de señales de acelerómetro en bruto, destacando su potencial para mejorar los sistemas de detección de caídas portátiles. El método de descomposición DAGAF propuesto no solo mejora la extracción de características, sino que también proporciona un avance prometedor en el campo, sugiriendo su potencial para aumentar la fiabilidad y precisión de la detección de caídas en aplicaciones prácticas.