MicroNAS：面向微控制器的跌倒检测系统自动化框架
机器学习
2025-04-11 v1 人工智能
摘要
本文提出MicroNAS，一个针对为微控制器创建内存资源受限模型而设计的自动神经网络架构搜索工具。ESP32微控制器（320 KB内存）作为目标平台。人工智能贡献在于，通过将目标微控制器的内存大小作为指导，优化卷积神经网络和门控循环单元架构的一种新方法。将内存驱动模型优化与传统两阶段方法进行比较，后者使用剪枝，以展示所提出框架的有效性。为演示MicroNAS的工程应用，开发了一个为肢体残疾人士设计的跌倒检测系统（FDS），作为一个小型研究。跌倒检测研究中的一个关键挑战是数据集中的类别不平衡问题。结果表明，MicroNAS模型的F1分数高于替代方法，如集成方法和H2O自动化机器学习，为实时FDS开发的发展步伐取得了显著进展。用于活动检测的佩戴式传感器生物力学学家可以采用开源代码，在内存有限的微控制器平台上设计量身打造的机器学习模型。
引用
@article{arxiv.2504.07397,
title = {MicroNAS: An Automated Framework for Developing a Fall Detection System},
author = {Seyed Mojtaba Mohasel and John Sheppard and Lindsey K. Molina and Richard R. Neptune and Shane R. Wurdeman and Corey A. Pew},
journal= {arXiv preprint arXiv:2504.07397},
year = {2025}
}