轻量级神经网络用于睡眠姿势分类,使用各种传感器密度的压力传感床
概括
一个新的轻量级神经网络,ConcatNet,可以使用压力感应床实时识别睡眠姿势. 康卡特Net-M实现了94.68%的准确性,计算成本最小,非常适合移动设备.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 可穿戴技术可穿戴技术
背景情况:
- 压力感应被用于睡眠姿势识别,但面临的挑战是平衡计算复杂性和性能.
- 现有系统因高计算需求和潜在的时间延迟而难以实时监控.
研究的目的:
- 提出一个轻量级的神经网络,ConcatNet,以实现高效和准确的实时睡眠姿势识别.
- 为了研究传感器密度对识别性能的影响,使用不同尺度的ConcatNet模型.
主要方法:
- 开发了ConcatNet,包括用于多接收场特征提取和多层特征融合的初始模块.
- 利用深度卷积来提高模型的效率.
- 评估了具有不同传感器密度的ConcatNet模型 (ConcatNet-S,ConcatNet-M,ConcatNet-L).
主要成果:
- 具有中等传感器密度 (16x16) 的ConcatNet-M实现了最高的性能.
- 在短期交叉验证中达到95.56%的准确性,在一夜间测试中达到94.68%的准确性.
- 证明了最小的模型大小 (7.91KB),FLOP (56.47K) 和推断时间 (0.38ms).
结论:
- 康卡特网提供了一种高效的解决方案,用于实时识别睡眠姿势.
- 该模型的低计算要求使其适合在移动设备上部署.
- 这项研究涉及压力感应系统中的计算复杂性和性能之间的权衡.
