論文の概要: Towards Sustainable Personalized On-Device Human Activity Recognition with TinyML and Cloud-Enabled Auto Deployment
- arxiv url: http://arxiv.org/abs/2409.00093v1
- Date: Mon, 26 Aug 2024 13:28:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-08 15:11:32.921940
- Title: Towards Sustainable Personalized On-Device Human Activity Recognition with TinyML and Cloud-Enabled Auto Deployment
- Title（参考訳）: TinyMLとCloud-Enabled Auto Deploymentによるデバイス上でのパーソナライズ可能な人間活動認識の実現に向けて
- Authors: Bidyut Saha, Riya Samanta, Soumya K Ghosh, Ram Babu Roy,
- Abstract要約: この研究は、オンデバイスのTinyML駆動コンピューティングとクラウド対応の自動デプロイを組み合わせた新しい組み合わせによって、課題に対処するために設計された、手首のスマートバンドを導入している。
アクティビティクラスを、最小限のキャリブレーションで独自のムーブメントスタイルに調整することができる。
システムはパーソナライズされた設定において、一般化されたモデルよりも精度が37%向上する。
- 参考スコア（独自算出の注目度）: 6.9604565273682955
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Human activity recognition (HAR) holds immense potential for transforming health and fitness monitoring, yet challenges persist in achieving personalized outcomes and sustainability for on-device continuous inferences. This work introduces a wrist-worn smart band designed to address these challenges through a novel combination of on-device TinyML-driven computing and cloud-enabled auto-deployment. Leveraging inertial measurement unit (IMU) sensors and a customized 1D Convolutional Neural Network (CNN) for personalized HAR, users can tailor activity classes to their unique movement styles with minimal calibration. By utilising TinyML for local computations, the smart band reduces the necessity for constant data transmission and radio communication, which in turn lowers power consumption and reduces carbon footprint. This method also enhances the privacy and security of user data by limiting its transmission. Through transfer learning and fine-tuning on user-specific data, the system achieves a 37\% increase in accuracy over generalized models in personalized settings. Evaluation using three benchmark datasets, WISDM, PAMAP2, and the BandX demonstrates its effectiveness across various activity domains. Additionally, this work presents a cloud-supported framework for the automatic deployment of TinyML models to remote wearables, enabling seamless customization and on-device inference, even with limited target data. By combining personalized HAR with sustainable strategies for on-device continuous inferences, this system represents a promising step towards fostering healthier and more sustainable societies worldwide.
- Abstract（参考訳）: HAR(Human Activity Recognition)は、健康とフィットネスのモニタリングを変革する大きな可能性を秘めているが、デバイス上での継続的な推論において、パーソナライズされた結果と持続可能性を達成する上で、課題は続く。
この研究は、デバイス上のTinyML駆動コンピューティングとクラウド対応自動デプロイを組み合わせた新しい組み合わせによって、これらの課題に対処するために設計された、手首のスマートバンドを導入している。
慣性測定ユニット(IMU)センサーと、パーソナライズされたHARのためのカスタマイズされた1D畳み込みニューラルネットワーク(CNN)を活用することで、ユーザーは最小限のキャリブレーションでアクティビティクラスを独自のムーブメントスタイルにカスタマイズすることができる。
TinyMLを局所的な計算に利用することにより、スマートバンドは一定のデータ伝送と無線通信の必要性を減らし、電力消費を減らし、炭素フットプリントを削減する。
また、送信を制限することにより、ユーザデータのプライバシやセキュリティも向上する。
ユーザ固有のデータの転送学習と微調整により、パーソナライズされた設定における一般化されたモデルよりも精度が37倍に向上する。
WISDM、PAMAP2、BandXの3つのベンチマークデータセットによる評価は、様々なアクティビティ領域で有効性を示す。
さらに、この作業では、TinyMLモデルをリモートウェアラブルに自動デプロイするためのクラウドサポートフレームワークを提供し、ターゲットデータに制限がある場合でも、シームレスなカスタマイズとデバイス上の推論を可能にする。
パーソナライズされたHARとデバイス上での継続的な推論のための持続可能な戦略を組み合わせることで、このシステムは世界中の健康的で持続可能な社会を育むための有望なステップとなる。
関連論文リスト
- Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - Millimeter Wave Radar-based Human Activity Recognition for Healthcare Monitoring Robot [8.98784164617929]
本稿では,人間活動のリアルタイム監視のための移動ロボット搭載mmWaveレーダシステムであるRobHARを提案する。
まず,ポイントクラウドの特徴を学習するために,クラウドベースのグローバルな埋め込みを提案する。
そして、双方向軽量LSTMモデル(BiLiLSTM)を用いて時間パターンを学習する。
論文 参考訳（メタデータ） (2024-05-03T06:57:59Z) - Agile gesture recognition for low-power applications: customisation for generalisation [41.728933551492275]
自動手ジェスチャー認識は、長い間AIコミュニティの焦点だった。
低消費電力センサデバイスで動作するジェスチャー認識技術への需要が高まっている。
本研究では,適応的およびアジャイル的誤り訂正を用いたパターン認識システムのための新しい手法を提示する。
論文 参考訳（メタデータ） (2024-03-12T19:34:18Z) - Autosen: improving automatic wifi human sensing through cross-modal
autoencoder [56.44764266426344]
WiFiによる人間のセンシングは、人間の活動を認識する上での低コストでプライバシー上の利点として高く評価されている。
ラベル付きデータなしで自己教師付き学習を可能にすることを目的とした従来のクロスモーダル手法は、振幅-位相の組み合わせから意味のある特徴を抽出するのに苦労する。
我々は、従来のアプローチから外れた革新的な自動WiFiセンシングソリューションであるAutoSenを紹介する。
論文 参考訳（メタデータ） (2024-01-08T19:50:02Z) - WiFi-TCN: Temporal Convolution for Human Interaction Recognition based
on WiFi signal [4.0773490083614075]
近年,Wi-Fiによる人間活動認識が注目されている。
Wi-FiベースのHARにまつわる課題は、シーンや被写体が変化するときのパフォーマンスが著しく低下することである。
本稿では,TN-AAと呼ばれる時間的畳み込みネットワークを利用した新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-05-21T08:37:32Z) - WiFi-based Spatiotemporal Human Action Perception [53.41825941088989]
SNN(End-to-end WiFi signal Neural Network)は、Wi-Fiのみのセンシングを可能にするために提案されている。
特に、3D畳み込みモジュールはWiFi信号の時間的連続性を探索することができ、特徴自己保持モジュールは支配的な特徴を明示的に維持することができる。
論文 参考訳（メタデータ） (2022-06-20T16:03:45Z) - Human Activity Recognition on wrist-worn accelerometers using
self-supervised neural networks [0.0]
日常生活活動の指標 (ADL) は, 健康の指標として重要であるが, 生体内測定は困難である。
本稿では,加速度センサデータの頑健な表現をデバイスや対象に対して一般化するための自己教師付き学習パラダイムを提案する。
また,連続した実生活データに対して,有意な活動のセグメントを同定し,HARの精度を高めるセグメンテーションアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-22T23:35:20Z) - Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。
具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。
提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
論文 参考訳（メタデータ） (2020-12-26T19:41:15Z) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳（メタデータ） (2020-12-04T23:06:56Z) - A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration
Framework [56.57225686288006]
モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。
従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。
プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-13T23:52:03Z) - MDLdroid: a ChainSGD-reduce Approach to Mobile Deep Learning for
Personal Mobile Sensing [14.574274428615666]
デバイス上でのディープラーニングの実行には、データのプライバシ保護や、モデルの堅牢性とアップデートの両方に対する低レイテンシ応答など、いくつかのメリットがある。
パーソナルモバイルセンシングアプリケーションは、主にユーザ固有であり、環境の影響を受けやすい。
我々は,デバイス上での協調学習を実現するために,新たな分散モバイルディープラーニングフレームワークであるMDLdroidを提案する。
論文 参考訳（メタデータ） (2020-02-07T16:55:21Z)
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。