MOTION：基于机器学习的低延迟嵌入式运动识别
计算机视觉与模式识别
2026-02-10 v3 人工智能
人机交互
摘要
能够实现低延迟手势识别的微型设备正日益增长地被用于日常人机交互，尤其在医疗监测领域。嵌入式解决方案如跌倒检测、康复跟踪和患者监护，都要求快速高效地跟踪运动，同时避免不必要的误报。本研究提出了一种高效解决方案，用于仅使用三轴加速度计传感器构建非常高效的基于运动的模型。我们探索了 AutoML 流水线从数据片段中提取最重要特征的能力。该方法还涉及训练多个轻量级机器学习算法。我们使用 WeBe Band，这是一个配备足够强大 MCU 的多传感器可穿戴设备，能够在设备上有效地完成手势识别。我们发现，神经网络在准确率、延迟和内存使用方面提供了最佳的平衡。我们的结果还表明，能够在 WeBe Band 上实现可靠的实时手势识别，具有巨大的潜力，可用于需要安全快速响应时间的实时医疗监测解决方案。
引用
@article{arxiv.2512.00008,
title = {MOTION: ML-Assisted On-Device Low-Latency Motion Recognition},
author = {Veeramani Pugazhenthi and Wei-Hsiang Chu and Junwei Lu and Jadyn N. Miyahira and Mahdi Eslamimehr and Pratik Satam and Rozhin Yasaei and Soheil Salehi},
journal= {arXiv preprint arXiv:2512.00008},
year = {2026}
}