論文の概要: Simultaneous Energy Harvesting and Gait Recognition using Piezoelectric
Energy Harvester
- arxiv url: http://arxiv.org/abs/2009.02752v1
- Date: Sun, 6 Sep 2020 15:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 08:42:51.106064
- Title: Simultaneous Energy Harvesting and Gait Recognition using Piezoelectric
Energy Harvester
- Title(参考訳): 圧電エネルギーハーベスターを用いた同時エネルギーハーベスティングと歩行認識
- Authors: Dong Ma, Guohao Lan, Weitao Xu, Mahbub Hassan, Wen Hu
- Abstract要約: 応力や振動から電気を発生させる圧電式エネルギー回収装置は、ウェアラブルの電池寿命を延ばすための有効なソリューションとして注目を集めている。
近年の研究では、PEHは人間の歩行を効率よく検出する受動的センサーとしても機能することが明らかになっている。
インソールの形状因子における歩行認識アーキテクチャを提案し,その歩行認識と20名の被験者によるエネルギー収穫性能を評価した。
- 参考スコア(独自算出の注目度): 15.870412289810886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Piezoelectric energy harvester, which generates electricity from stress or
vibrations, is gaining increasing attention as a viable solution to extend
battery life in wearables. Recent research further reveals that, besides
generating energy, PEH can also serve as a passive sensor to detect human gait
power-efficiently because its stress or vibration patterns are significantly
influenced by the gait. However, as PEHs are not designed for precise
measurement of motion, achievable gait recognition accuracy remains low with
conventional classification algorithms. The accuracy deteriorates further when
the generated electricity is stored simultaneously. To classify gait reliably
while simultaneously storing generated energy, we make two distinct
contributions. First, we propose a preprocessing algorithm to filter out the
effect of energy storage on PEH electricity signal. Second, we propose a long
short-term memory (LSTM) network-based classifier to accurately capture
temporal information in gait-induced electricity generation. We prototype the
proposed gait recognition architecture in the form factor of an insole and
evaluate its gait recognition as well as energy harvesting performance with 20
subjects. Our results show that the proposed architecture detects human gait
with 12% higher recall and harvests up to 127% more energy while consuming 38%
less power compared to the state-of-the-art.
- Abstract(参考訳): 応力や振動から電気を発生させる圧電式エネルギー回収装置は、ウェアラブルの電池寿命を延ばすための有効なソリューションとして注目を集めている。
近年の研究では、PEHはエネルギーを発生させるだけでなく、その応力や振動パターンが歩行に大きく影響するため、人間の歩行を効率よく検出する受動的センサーとしても機能することが明らかになった。
しかし、PEHは運動の正確な測定のために設計されていないため、従来の分類アルゴリズムでは歩行認識精度は低いままである。
発生した電気を同時に記憶すると、精度はさらに悪化する。
生成エネルギーを同時保存しながら確実に歩行を分類するために、2つの異なる貢献をする。
まず,PEH電気信号に対するエネルギー貯蔵の効果をフィルタする前処理アルゴリズムを提案する。
第2に,歩行による電力発生の時間的情報を正確に把握する長寿命メモリ(LSTM)ネットワーク分類器を提案する。
提案した歩行認識アーキテクチャをインソールの形状因子として試作し,その歩行認識とエネルギー収穫性能を20被験者で評価した。
その結果,提案手法は,リコール率12%以上の歩行を検知し,最大127%のエネルギーを消費しながら38%の消費電力を消費することがわかった。
関連論文リスト
- DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T13:43:46Z) - Non-Intrusive Electric Load Monitoring Approach Based on Current Feature
Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。
マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文 参考訳(メタデータ) (2023-08-08T04:52:19Z) - Biomembrane-based Memcapacitive Reservoir Computing System for Energy
Efficient Temporal Data Processing [0.0]
貯留層コンピューティングは、時間データを処理するための非常に効率的な機械学習フレームワークである。
ここでは, 揮発性生体膜を用いた膜キャパシタを用いて, 短期シナプス可塑性機能を貯水池として密に再現する。
本システムは,2次非線形回帰タスクにおいて,音声桁分類の精度99.6%,正規化平均2乗誤差7.81*10-4を達成する。
論文 参考訳(メタデータ) (2023-05-19T22:36:20Z) - FemtoDet: An Object Detection Baseline for Energy Versus Performance
Tradeoffs [27.006082622843653]
常にオンの監視カメラのような畳み込みニューラルネットワークの視覚応用は、エネルギー制約にとって重要である。
本稿では,2つの視点からエネルギーと性能のトレードオフに到達するための検出器を設計し,ベースラインとして機能することを目的とする。
論文 参考訳(メタデータ) (2023-01-17T06:24:08Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳(メタデータ) (2022-05-30T14:30:45Z) - ETAD: A Unified Framework for Efficient Temporal Action Detection [70.21104995731085]
時間的行動検出(TAD)のようなトリミングされていないビデオ理解は、しばしば計算資源に対する膨大な需要の苦痛に悩まされる。
我々は、効率的なエンド・ツー・エンドの時間的行動検出(ETAD)のための統合されたフレームワークを構築している。
ETADはTHUMOS-14とActivityNet-1.3の両方で最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2022-05-14T21:16:21Z) - CellDefectNet: A Machine-designed Attention Condenser Network for
Electroluminescence-based Photovoltaic Cell Defect Inspection [67.99623869339919]
太陽電池の視覚検査で業界が直面している大きな課題は、現在人間の検査員が手動で行っていることである。
本研究では,機械駆動設計探索により設計した高効率アテンションコンデンサネットワークであるCellDefectNetを紹介する。
発光画像を用いた太陽電池セルの多様性を示すベンチマークデータセット上で,セルデフェクトネットの有効性を実証した。
論文 参考訳(メタデータ) (2022-04-25T16:35:19Z) - A Deep Learning Technique using Low Sampling rate for residential Non
Intrusive Load Monitoring [0.19662978733004596]
非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、ブラインドソース分離の問題である。
低周波電力データ上で負荷分散を行うための,新しいディープニューラルネットワークに基づくアプローチを提案する。
私たちのニューラルネットワークは、需要側の詳細なフィードバックを生成し、エンドユーザに重要な洞察を提供することができます。
論文 参考訳(メタデータ) (2021-11-07T23:01:36Z) - Efficient multi-descriptor fusion for non-intrusive appliance
recognition [2.389598109913753]
本稿では,各家電の消費フットプリントを特定できる家電認識手法を提案する。
電気機器は、異なる記述子の組み合わせによってよく認識されている。
TD特徴の融合に基づく強力な特徴抽出手法を提案する。
論文 参考訳(メタデータ) (2020-09-17T11:11:41Z) - Deep Feature Mining via Attention-based BiLSTM-GCN for Human Motor
Imagery Recognition [9.039355687614076]
本稿では,頭皮脳波に基づく極めて高精度かつ応答性の高い運動画像(MI)認識を目的とした,新しい深層学習手法を提案する。
注意機構を持つBiLSTMは、生の脳波信号から関連する特徴を導出する。
0.4秒検出フレームワークは、それぞれ98.81%と94.64%の精度で、個人およびグループレベルのトレーニングに基づいて効率的かつ効率的な予測を行っている。
論文 参考訳(メタデータ) (2020-05-02T10:03:40Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。