StrikeWatch：低功耗 FPGA 上紧贴式步态识别手表
摘要
跑步可提供显著的健康益处，但不当的步态模式可能导致受伤，尤其是在没有专家反馈的情况下。虽然基于摄像头、鞋底传感器或身体挂载传感器的先前步态分析系统已显示有效，但往往笨重且限制为离线、事后分析。手表佩戴式可穿戴设备提供了更实用、非侵入性的替代方案，但在此类设备上实现实时步态识别仍具有挑战，由于 IMU 信号嘈杂、计算资源有限以及依赖云端连接。本文介绍 StrikeWatch，一个紧凑的手表佩戴系统，可在设备内部进行实时步态识别，使用 IMU 信号。作为案例研究，我们针对鞋跟击脚与前掌击脚的检测，以实现跑者在跑步期间通过视觉和听觉反馈自我纠正有害的步态模式。我们提出了四种紧凑的深度学习架构（1D-CNN、1D-SepCNN、LSTM 和 Transformer），并针对两个具有代表性的嵌入式 Field-Programmable Gate Arrays（FPGA）：AMD Spartan-7 XC7S15 和 Lattice iCE40UP5K 进行能源效率优化。使用我们的自构建硬件原型，我们收集了户外跑步会话的标记数据集，并通过完全自动的部署管道评估所有模型。我们的结果揭示了模型复杂度与硬件效率之间的明确权衡。在 12 名参与者中，6 位量化的 1D-SepCNN 在 iCE40UP5K 上以 20 MHz 运行时，实现了最高的平均 F1 分数 0.847，仅消耗 0.350 微焦/推理，延迟为 0.140 毫秒。该配置可在 320 mAh 电池上支持最长多达 13.6 天的持续推理。所有数据集和代码均可在 GitHub 仓库 https://github.com/tianheng-ling/StrikeWatch 提供。
引用
@article{arxiv.2510.24738,
title = {StrikeWatch: Wrist-worn Gait Recognition with Compact Time-series Models on Low-power FPGAs},
author = {Tianheng Ling and Chao Qian and Peter Zdankin and Torben Weis and Gregor Schiele},
journal= {arXiv preprint arXiv:2510.24738},
year = {2026}
}
备注
9 pages, 6 figures, 3 tables, accepted by IEEE Annual Congress on Artificial Intelligence of Things (IEEE AIoT) and got best paper award