基于嵌入式平台机器学习的帕金森病步态恢复系统
信号处理
2020-04-14 v1 机器学习
系统与控制
系统与控制
摘要
冻结步态（FoG）是确诊帕金森病（PD）患者中常见的一种步态缺陷。为了帮助这些患者从 FoG 发作中恢复，需要节律性听觉刺激（RAS）。作者提出了一种普适的嵌入式系统，其通过机器学习（ML）子系统从加速度计信号中检测 FoG 事件。通过在设备端进行推理，我们避免了基于云端的系统中普遍存在的延迟和网络连接依赖等问题。所使用的资源高效分类器，与性能最佳的标准 ML 系统相比，将模型大小需求降低了约 400 倍，代价仅为最佳分类精度下降 1.3%。上述权衡使其可部署于包括基于微控制器的系统在内的广泛嵌入式设备中。该研究还探讨了在 ATMega2560 微控制器上部署模型的优化流程，最小系统延迟为 44.5 ms。所提资源高效 ML 模型的最小模型大小为 1.4 KB，平均召回率为 93.58%。
引用
@article{arxiv.2004.05811,
title = {Gait Recovery System for Parkinson's Disease using Machine Learning on Embedded Platforms},
author = {Gokul H. and Prithvi Suresh and Hari Vignesh B and Pravin Kumaar R and Vineeth Vijayaraghavan},
journal= {arXiv preprint arXiv:2004.05811},
year = {2020}
}