論文の概要: StrikeWatch: Wrist-worn Gait Recognition with Compact Time-series Models on Low-power FPGAs

• arxiv url: http://arxiv.org/abs/2510.24738v1
• Date: Tue, 14 Oct 2025 20:28:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 05:35:46.000829
• Title: StrikeWatch: Wrist-worn Gait Recognition with Compact Time-series Models on Low-power FPGAs
• Title（参考訳）: StrikeWatch:低消費電力FPGA上での小型時系列モデルによるWrist-worn歩行認識
• Authors: Tianheng Ling, Chao Qian, Peter Zdankin, Torben Weis, Gregor Schiele,
• Abstract要約: 歩行パターンが良くなると、特に専門家のフィードバックなしに怪我につながることがある。 Wrist-wornウェアラブルは、実用的で非侵襲的な代替手段を提供する。 本稿では,デバイス上でリアルタイム歩行認識を行う小型手首輪システムであるStrikeWatchを紹介する。
• 参考スコア（独自算出の注目度）: 10.946464973530214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Running offers substantial health benefits, but improper gait patterns can lead to injuries, particularly without expert feedback. While prior gait analysis systems based on cameras, insoles, or body-mounted sensors have demonstrated effectiveness, they are often bulky and limited to offline, post-run analysis. Wrist-worn wearables offer a more practical and non-intrusive alternative, yet enabling real-time gait recognition on such devices remains challenging due to noisy Inertial Measurement Unit (IMU) signals, limited computing resources, and dependence on cloud connectivity. This paper introduces StrikeWatch, a compact wrist-worn system that performs entirely on-device, real-time gait recognition using IMU signals. As a case study, we target the detection of heel versus forefoot strikes to enable runners to self-correct harmful gait patterns through visual and auditory feedback during running. We propose four compact DL architectures (1D-CNN, 1D-SepCNN, LSTM, and Transformer) and optimize them for energy-efficient inference on two representative embedded Field-Programmable Gate Arrays (FPGAs): the AMD Spartan-7 XC7S15 and the Lattice iCE40UP5K. Using our custom-built hardware prototype, we collect a labeled dataset from outdoor running sessions and evaluate all models via a fully automated deployment pipeline. Our results reveal clear trade-offs between model complexity and hardware efficiency. Evaluated across 12 participants, 6-bit quantized 1D-SepCNN achieves the highest average F1 score of 0.847 while consuming just 0.350 {\mu}J per inference with a latency of 0.140 ms on the iCE40UP5K running at 20 MHz. This configuration supports up to 13.6 days of continuous inference on a 320 mAh battery. All datasets and code are available in the GitHub repository https://github.com/tianheng-ling/StrikeWatch.
• Abstract（参考訳）: ランニングはかなりの健康上の利益をもたらすが、不適切な歩行パターンは特に専門家のフィードバックなしに怪我につながる可能性がある。 カメラ、インソール、ボディマウントセンサーに基づく以前の歩行分析システムの有効性が証明されているが、それらは多くの場合、バラバラで、オフラインのポストラン分析に限られている。 Wrist-wornウェアラブルは、より実用的で非侵襲的な代替手段を提供するが、ノイズの多い慣性計測ユニット(IMU)信号、限られたコンピューティングリソース、クラウド接続への依存のために、そのようなデバイス上でリアルタイムの歩行認識を可能にすることは、依然として困難である。 本稿では,IMU信号を用いたデバイス上でリアルタイム歩行認識を行う小型手首輪システムであるStrikeWatchを紹介する。 ケーススタディでは,ランニング中の視覚的および聴覚的フィードバックを通じて,走者が有害な歩行パターンを自己修正できるように,前足と前足のストライクの検出を目標とした。 1D-CNN, 1D-SepCNN, LSTM, Transformer の4つのコンパクトDLアーキテクチャを提案し, AMD Spartan-7 XC7S15 と Lattice iCE40UP5K の2つの代表的な組込みフィールド-プログラマブルゲートアレイ (FPGA) に対してエネルギー効率のよい推論を行う。 カスタムビルドのハードウェアプロトタイプを使用して、アウトドアランニングセッションからラベル付きデータセットを収集し、完全に自動化されたデプロイメントパイプラインを通じて、すべてのモデルを評価します。 この結果から,モデル複雑性とハードウェア効率のトレードオフが明らかとなった。 12人の参加者で評価され、6ビット量子化された1D-SepCNNは、20MHzで動作するiCE40UP5Kで0.140msの遅延で、推論あたり0.03.350.mu}Jしか消費せず、平均F1スコアの0.847を達成している。 この構成は320mAhのバッテリーで最大13.6日間の連続推論をサポートする。 すべてのデータセットとコードはGitHubリポジトリhttps://github.com/tianheng-ling/StrikeWatchで公開されている。

関連論文リスト

• Enabling Vibration-Based Gesture Recognition on Everyday Furniture via Energy-Efficient FPGA Implementation of 1D Convolutional Networks [11.481972015296812]
  本研究では、低消費電力フィールドプログラマブルゲートアレイ(FPGA)上にコンパクトNNを展開させるエネルギー効率のよいソリューションを提案する。 我々は、複雑なスペクトル前処理を生波形入力に置き換え、複雑なオンボード前処理を不要とし、精度を犠牲にすることなく入力サイズを21倍削減する。 組み込みFPGAに適した2つの軽量アーキテクチャ(1D-CNNと1D-SepCNN)を設計し、パラメータを3億6900万から216に削減し、同等の精度を維持した。
  論文  参考訳（メタデータ） (2025-10-27T09:30:36Z)
• Neural-HAR: A Dimension-Gated CNN Accelerator for Real-Time Radar Human Activity Recognition [5.400353553418959]
  本稿では,資源制約のあるプラットフォーム上でのリアルタイムレーダHARに適した次元ゲート型CNNアクセラレータを提案する。 GateCNNの精度は86.4%で、パラメータは2.7kで、推論あたり0.28M FLOPはCNN-BiGRUに匹敵する。 Xilinx Zynq-7000 Z-7007SのFPGAプロトタイプは、LUTベースのROMと分散RAMのみを使用した107.5$mu$sレイテンシと15mWのダイナミックパワーを実現しました。
  論文  参考訳（メタデータ） (2025-10-26T17:42:28Z)
• Low-cost Embedded Breathing Rate Determination Using 802.15.4z IR-UWB Hardware for Remote Healthcare [2.6066253940276347]
  本稿では,超広帯域(UWB)チャネルインパルス応答(CIR)データから呼吸速度を予測するための畳み込みニューラルネットワーク(CNN)を提案する。 46KBのメモリを必要とするnRF52840システムにアルゴリズムをデプロイし,192msの推論時間で動作可能であることを示す。
  論文  参考訳（メタデータ） (2025-04-03T07:54:25Z)
• Realtime Person Identification via Gait Analysis [1.3260363717086592]
  エッジAIデプロイメントとリアルタイム歩行認識に非常に適した4層を有する小型CNNモデルを提案する。 我々のモデルは96.7%の精度で5KBのRAMしか消費せず、起動時間は70msと125mWである。
  論文  参考訳（メタデータ） (2024-04-02T18:15:06Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• FastPillars: A Deployment-friendly Pillar-based 3D Detector [63.0697065653061]
  既存のBEVベースの(つまりバードアイビュー)検出器は、トレーニングと推論を高速化するためにスパース・コンボリューション(SPConv)を好む。 FastPillarsは、CenterPoint(SPConvベース)よりも1.8倍のスピードアップと3.8mAPH/L2の改善で、Openデータセットの最先端の精度を提供する
  論文  参考訳（メタデータ） (2023-02-05T12:13:27Z)
• Q-PPG: Energy-Efficient PPG-based Heart Rate Monitoring on Wearable Devices [22.7371904884504]
  本稿では、人事監視のための深層時間畳み込みネットワーク(TCN)のリッチなファミリーを自動生成する設計手法を提案する。 私たちの最も正確なモデルは、平均絶対誤差で新しい最先端のモデルを設定します。 我々は,STM32WB55マイクロコントローラを内蔵した組み込みプラットフォーム上にTCNを配置し,リアルタイム実行に適していることを示す。
  論文  参考訳（メタデータ） (2022-03-24T10:50:33Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
  ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。 私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。 これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
  論文  参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。