Reconocimiento ágil de actividad humana para dispositivos portátiles basado en aprendizaje incremental en línea

Área de la Ciencia:

• Computación de borde
• Aprendizaje automático
• Análisis de datos de sensores

Sus antecedentes:

• El reconocimiento de actividad humana (HAR) en dispositivos de borde con recursos limitados enfrenta desafíos en precisión, latencia y adaptación.
• Los métodos HAR existentes a menudo optimizan aspectos individuales (por ejemplo, aprendizaje en línea, esparsificación de modelos) pero carecen de optimización sinérgica para la precisión, la latencia y la potencia.
• Los flujos de datos de sensores no estacionarios complican el equilibrio dinámico de las métricas de rendimiento de HAR.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje adaptativo de circuito cerrado de extremo a extremo para HAR en dispositivos de borde.
• Optimizar sinérgicamente la extracción de características, la complejidad del modelo y la velocidad de adaptación para sistemas HAR.
• Abordar las limitaciones de los enfoques HAR existentes para equilibrar la precisión, la latencia y el consumo de energía.

Principales métodos:

• Diseñó un marco de aprendizaje adaptativo de circuito cerrado de extremo a extremo para HAR.
• Utilizó el análisis de componentes principales rápido para la reducción adaptativa de la dimensionalidad de las características.
• Implementó una activación de subred dinámica dispersa basada en la teoría de la información para la selección del modelo.
• Integró un módulo de aprendizaje incremental en línea de baja complejidad para el seguimiento de la deriva del concepto.

Principales resultados:

• El marco logró altas precisiones que van desde el 85,6% hasta el 97,4% en cinco conjuntos de datos.
• La latencia de inferencia fue de aproximadamente 1,0 ms, cumpliendo los requisitos en tiempo real.
• Se demostró la optimización dinámica conjunta de la extracción de características, la complejidad del modelo y la velocidad de adaptación.

Conclusiones:

• El marco propuesto aborda eficazmente los desafíos de HAR en dispositivos de borde.
• El diseño sinérgico a nivel de sistema permite el equilibrio dinámico de la precisión, la latencia y el consumo de energía.
• El marco cumple con las demandas de rendimiento en tiempo real para el reconocimiento adaptativo de actividad humana.