基于深度学习的多层移动边缘计算下的跌倒检测：知识蒸馏方法
机器学习
2025-10-07 v1 分布式、并行与集群计算
网络与互联网体系结构
信号处理
摘要
日益增长的老龄化人口群体提升了跌倒检测（FD）系统作为一种助理技术的重要性，其中深度学习技术被广泛应用于提高准确性。FD系统通常使用佩戴于个人身上的边缘设备（ED）收集实时数据，这些数据要么传输到云中心（CC），要么在本地处理。然而，这种架构面临着边缘设备模型规模受限以及数据传输到云中心的延迟问题。移动边缘计算（MEC）允许在边缘设备与云中心之间部署的MEC服务器上进行计算，已被探索用于解决上述挑战。我们提出了一种多层MEC（MLMEC）框架，以平衡准确性和延迟。MLMEC将体系结构划分为若干站点，每个站点都有一个神经网络模型。如果前端设备无法可靠地检测跌倒，则数据传输到具有更强大后端计算能力的站点。采用知识蒸馏（KD）方法后，高能源后端站点能够提供额外的学习经验，从而在提高精度的同时减少延迟和处理负载。仿真结果表明，KD方法在SisFall数据集上提高了11.65%的准确率，在FallAllD数据集上提高了2.78%的准确率。与不使用KD的MLMEC相比，采用KD的MLMEC在FallAllD数据集上的数据延迟率降低了54.15%，在SisFall数据集上降低了46.67%。总之，结合KD的MLMEC FD系统在准确性和延迟方面均表现出改进。
引用
@article{arxiv.2510.03601,
title = {MECKD: Deep Learning-Based Fall Detection in Multilayer Mobile Edge Computing With Knowledge Distillation},
author = {Wei-Lung Mao and Chun-Chi Wang and Po-Heng Chou and Kai-Chun Liu and Yu Tsao},
journal= {arXiv preprint arXiv:2510.03601},
year = {2025}
}
备注
15 pages, 7 figures, and published in IEEE Sensors Journal