850 字节以内的传感器内 24 类人体活动识别
信号处理
2025-02-26 v1
摘要
2023 年是 tinyML 的关键一年，它开启了智能传感器的新时代，将智能从微控制器（MCU）推向传感器级的源头数据，使其能够实时执行复杂的算法和机器学习模型。本研究提出了一种利用智能传感器处理单元（ISPU）进行人体活动识别（HAR）的创新方法，展示了在极度受限的传感器硬件上直接部署复杂机器学习模型的可行性。我们开发了一个 24 类 HAR 模型，在 850 字节栈内存限制下运行，实现了 85% 的准确率。该模型实时处理加速度计和陀螺仪数据，降低了延迟，增强了数据隐私，且仅消耗 0.5 mA 的功率。为应对内存限制，我们采用了增量类注入和特征优化技术，在不牺牲性能的情况下实现了可扩展性。这项工作突显了传感器内处理在医疗保健、预测性维护和智能环境等应用中的变革潜力，同时引入了一个公开可用的、多样化的 HAR 数据集供进一步研究。未来的工作将探索先进的压缩技术和更广泛的物联网集成，以突破受限设备上 TinyML 的边界。
引用
@article{arxiv.2502.17472,
title = {In-sensor 24 classes HAR under 850 Bytes},
author = {Ahmed. S Benmessaoud and Wassim Kezai and Farida Medjani and Khalid Bouaita and Tahar Kezai},
journal= {arXiv preprint arXiv:2502.17472},
year = {2025}
}
备注
Accepted as a full paper by the 2025 EDGE AI FOUNDATION Austin