面向低功耗嵌入式腕部设备的身体活动分类器学习
信号处理
2018-05-03 v1
摘要
本文提出并评估了一种用于低功耗嵌入式腕部设备的身体活动分类器学习新算法。整个系统为实时执行而设计,并在商用低功耗片上系统nRF51与nRF52中实现。结果使用由140名用户组成、包含超过340小时标注原始加速度数据的数据库获得。对于最重要类别(静息、步行和跑步)的最终精度分别为96%、94%和99%,且可泛化至如越野滑雪或家务等复合活动。最后我们从内存占用和功耗方面对系统进行了基准测试。
引用
@article{arxiv.1711.02387,
title = {Learning a Physical Activity Classifier for a Low-power Embedded Wrist-located Device},
author = {Ricard Delgado-Gonzalo and Philippe Renevey and Adrian Tarniceriu and Jakub Parak and Mattia Bertschi},
journal= {arXiv preprint arXiv:1711.02387},
year = {2018}
}
备注
Submitted to the 2018 IEEE International Conference on Biomedical and Health Informatics