对于老年人的日常工作,实时声学场景识别使用基于边缘的深度学习
Hongyu Yang1,2, Rou Dong2,3, Rong Guo2,4
1College of Mechanical and Electrical Engineering, Yunnan Agricultural University, Kunming 650201, China.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
本研究介绍了一种边缘计算声学场景识别系统,用于实时监控老年人,解决隐私和延迟问题. 优化的CNN模型实现了98.5%的准确性,为老年人护理提供了有效的解决方案.
科学领域:
- 老年学是指老年学的学科.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 由于人口老龄化,全球对老年人居住环境中的智能监控系统的需求日益增长.
- 传统基于云的声学系统的局限性,包括数据传输延迟和隐私问题.
研究的目的:
- 提出和评估一个边缘计算集成的深度学习系统,用于老年护理中的实时声学场景识别.
- 为了能够持续监控老年人的日常活动,同时减轻隐私风险和传输延迟.
主要方法:
- 开发一个具有多个麦克风和可穿戴组件的低功耗边缘设备系统.
- 实施和优化四个深度学习模型 (CNN,LSTM,BiLSTM,DNN) 使用边缘约束的模型量化技术.
- 对开发的深度学习模型进行比较性能分析.
主要成果:
- 卷积神经网络 (CNN) 模型获得了最高的准确率,达到98.5%.
- 优化的CNN模型表现出2.4毫秒的快速推断时间和低内存足迹 (25.63KB闪存,5.15KBRAM).
- 模型量化有效地减少了边缘部署的计算复杂性和内存使用量.
结论:
- 拟议的边缘计算声学场景识别系统为老年护理中的实时监控提供了一种高效,可靠和用户友好的解决方案.
- 深度学习模型,特别是针对边缘设备优化的CNN,适合在资源有限的环境中进行智能声场景分析.
- 这项技术解决了监测老年人的关键挑战,提高了安全性和独立性.
