.png){kind=icon}
返回
Lightweight Activity Recognition Model Based on Tiny Machine Learning for Embedded Devices
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-09321-9_10.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人体活动识别（HAR）系统通过提供患者身体活动和行为的实时监测与分析，在增强电子健康应用中发挥着关键作用。本文提出了一种新颖的轻量级活动识别模型，该模型利用面向嵌入式设备的Tiny Machine Learning（TinyML）技术。我们提出的模型旨在执行复杂活动识别任务，以实现对患者活动和移动性的监测，这对于跌倒预防、康复评估以及确保运动计划的依从性至关重要。具体而言，数据针对五种不同活动标签进行收集和训练，包括静止、行走、跑步、上楼梯和下楼梯。该AI模型在区分各种人类活动方面表现出色，展示了其在需要精确活动识别的应用中的潜力。它在识别静止状态方面实现了完美的100%准确率，确保了非活动期被持续且无误地识别。同时，在行走识别方面，模型达到了99.5%的准确率，表明在监测日常常见活动方面具有高度可靠性。对于跑步，模型保持了99.5%的出色准确率，有效捕捉了更剧烈运动中的动态特征。在更复杂的活动场景中，如上楼梯和下楼梯，模型的准确率分别为99.1%和93.9%。此外，我们的轻量级模型部署并验证于低功耗、低资源的微控制器上，这使其具有可扩展性和易用性，因为该技术可集成到广泛的嵌入式设备中，使先进功能可用于医疗监测、健身追踪和康复游戏。通过准确解读活动数据，我们的HAR模型可扩展用于监测老年患者的活动水平，辅助跌倒检测与预防。
Keyword:
Human Activity Recognition
Tiny Machine Learning
Healthcare
Edge Computing
期刊
C
IF:
0
论文数:
34
被引数:
0
机构
引用论文
.png){kind=icon}
A simple design of wearable device for fall detection with accelerometer and gyroscope基于加速度计和陀螺仪的可穿戴跌倒检测设备的简单设计
PREAI
分享收藏
查看更多内容