基于微型机器学习和 IMU 传感器的步态识别-计算机科学-微型机器学习-边缘 AI 平台.pdfVIP

基于微型机器学习和IMU传感器的步态识别

aaa,

JiahangZhang,MingtongChenandZhengbaoYang

aTheHongKongUniversityofScienceandTechnologyHongKong,SAR999077,China

ARTICLEINFO摘要

Keywords:该项目展示了使用微型机器学习（TinyML）和惯性测量单元（IMU）传感器开发步态识别系统

微型机器学习的发展。该系统利用了XIAO-nRF52840Sense微控制器和LSM6DS3IMU传感器来捕捉来自四

种不同活动的运动数据，包括加速度和角速度：行走、静止、上楼和下楼。收集的数据通过Edge

惯性测量单元传感器Impulse（一个边缘AI平台）进行处理，该平台使训练机器学习模型成为可能，并且可以直接将这

步态识别些模型部署到微控制器上以实现实时活动分类。数据预处理步骤涉及使用滑动窗口和数据归一化

等技术从原始传感器数据中提取相关特征，然后训练深度神经网络（DNN）分类器进行活动识别。

该模型在测试数据集上的准确率超过80%，证明了其有效区分四种活动的能力。此外，该平台还实

现了异常检测，进一步增强了系统的鲁棒性。TinyML的集成确保了低功耗操作，使其适用于电

池供电或能量收集设备。

1.介绍响应，使其适用于需要快速反应的应用程序，例如运

本TinyML（微型机器学习）是一种将机器学习模动监测和环境感知。

该项目的目标是开发一个基于TinyMachine

译型嵌入资源受限的嵌入式设备或微控制器中的技术。

Learning和IMU传感器的步态识别系统。通过使用

中它允许机器学习模型在低功耗、低计算能力的设备上

XIAO-nRF52840Sense微控制器和LSM6DS3IMU

1执行推理和运行，而无需依赖云计算。这项技术通常

v传感器，并结合EdgeImpulse平台进行数据采集、

7涉及使用TensorFlowLite、uTensor和EdgeImpulse

2等框架来压缩和优化预训练模型，以适应嵌入式平台处理和模型训练，该系统旨在实时分类四种常见活

6动（行走、静止、上楼、下楼）[5]。

8[1,2]的硬件资源。

1在这个项目中，我使用的IMU传感器是LSM6DS3。

.TinyML的一个重要优势是它能够在边缘设备

7它是由STMicroelectronics开发的一款六轴惯性传

0上进行本地推理，这意味着设备可以在不将数据上

5传到云端处理的情况下实时处理数据并作出响应。这感器，集成了三轴加速度计和三轴陀螺仪。它提供了

2高精度的加速度和角速度测量，使其广泛应用于运

:种方法减少了延迟，节省了带宽，并增强了数据隐私

v动检测、姿态识别以及定位/导航应用中。LSM6DS3

i性，使其特别适合需要在