边缘辅助基于雷达的练习形式分类,使用轻量级合奏学习来实现个性化医疗保健

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 实时,非接触式运动形式监测对于个性化康复至关重要.
• 像摄像机和可穿戴设备这样的现有方法面临隐私和稳固性挑战.
• 边缘计算为设备内处理和数据隐私提供了解决方案.

研究的目的:

• 开发和评估RehabRadar,这是一个边缘辅助系统,用于使用毫米波雷达进行个性化的实时运动表格监控.
• 为了将练习执行分类为正确或识别常见错误类型.
• 优化系统在资源有限的硬件上进行设备上部署.

主要方法:

• 使用TI IWR1642 mmWave FMCW雷达进行数据采集.
• 实施了一个信号处理管道,包括距离测距和FIR高通选.
• 采用混合组合模型 (MobileNetV3和CNN-LSTM) 用于与晚期融合进行并行推断.
• 用修剪和INT8量子化为树派4B优化模型.

主要成果:

• 在对10名健康成年人进行的概念验证研究中,获得了91.5%的准确性和92.0%的宏观F1评分.
• 显示了设备端到端的平均延迟时间为1.5秒,用于近乎实时的反.
• 最终的模型有2.1 MB的足迹,所有的处理都发生在设备上.
• 原始雷达数据在反后被丢弃,确保数据隐私.

结论:

• RehabRadar展示了在边缘约束下使用毫米波雷达进行个性化,设备上的运动错误检测的可行性.
• 该系统平衡了准确性,延迟和足迹,用于私人,非接触式家庭康复.
• 需要进一步验证临床疗效和跨不同人群和炼的通用性.
• 这项工作促进了物联网医疗保健中的分散学习,用于康复应用.