Gait Recognition Based on Tiny ML and IMU Sensors

📄 arXiv: 2507.18627v1 📥 PDF

作者: Jiahang Zhang, Mingtong Chen, Zhengbao Yang

分类: cs.LG, eess.SY

发布日期: 2025-07-24

💡 一句话要点

提出基于TinyML和IMU的步态识别系统，实现低功耗实时活动分类。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 步态识别 TinyML IMU传感器 深度学习 嵌入式系统

📋 核心要点

  1. 现有步态识别方法通常计算复杂度高，难以在低功耗嵌入式设备上实时部署。
  2. 利用TinyML技术，结合IMU传感器数据，在微控制器上部署轻量级深度神经网络模型。
  3. 实验结果表明，该系统在四种活动分类中达到超过80%的准确率，并支持异常检测。

📝 摘要（中文）

本项目提出了一种基于TinyML和惯性测量单元(IMU)传感器的步态识别系统。该系统利用XIAO-nRF52840 Sense微控制器和LSM6DS3 IMU传感器捕获运动数据，包括行走、静止、上楼和下楼四种不同活动中的加速度和角速度。收集的数据通过Edge Impulse（一个边缘AI平台）进行处理，该平台支持训练机器学习模型，这些模型可以直接部署到微控制器上进行实时活动分类。数据预处理步骤包括使用滑动窗口和数据归一化等技术从原始传感器数据中提取相关特征，然后训练深度神经网络(DNN)分类器进行活动识别。该模型在测试数据集上实现了超过80%的准确率，证明了其有效分类这四种活动的能力。此外，该平台还支持异常检测，进一步增强了系统的鲁棒性。TinyML的集成确保了低功耗运行，使其适用于电池供电或能量收集设备。

🔬 方法详解

问题定义：该论文旨在解决在资源受限的嵌入式设备上进行实时步态识别的问题。现有方法通常需要大量的计算资源和能量，难以在低功耗设备上实现。因此，如何在保证识别精度的前提下，降低计算复杂度和功耗是本研究的核心问题。

核心思路：论文的核心思路是利用TinyML技术，将机器学习模型部署到微控制器上，实现边缘计算。通过优化模型结构和算法，降低计算复杂度和内存占用，从而在低功耗设备上实现实时步态识别。同时，利用IMU传感器获取运动数据，为模型提供输入。

技术框架：该系统的整体框架包括数据采集、数据预处理、模型训练和模型部署四个主要阶段。首先，使用XIAO-nRF52840 Sense微控制器和LSM6DS3 IMU传感器采集运动数据。然后，对数据进行预处理，包括滑动窗口和数据归一化等操作。接着，使用Edge Impulse平台训练深度神经网络(DNN)分类器。最后，将训练好的模型部署到微控制器上，实现实时活动分类。

关键创新：该论文的关键创新在于将TinyML技术应用于步态识别领域，实现了在低功耗嵌入式设备上的实时活动分类。与传统的基于云计算的步态识别方法相比，该方法具有更低的延迟和更高的隐私性。此外，该系统还支持异常检测，进一步增强了系统的鲁棒性。

关键设计：在数据预处理阶段，使用了滑动窗口技术提取特征，窗口大小和步长需要根据实际应用场景进行调整。在模型训练阶段，使用了深度神经网络(DNN)分类器，网络结构包括输入层、隐藏层和输出层。隐藏层的层数和神经元数量需要根据数据集的大小和复杂度进行调整。损失函数使用了交叉熵损失函数，优化器使用了Adam优化器。此外，还使用了数据增强技术，例如旋转和缩放，以提高模型的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该系统在四种活动（行走、静止、上楼和下楼）的分类中，在测试数据集上实现了超过80%的准确率。此外，该系统还支持异常检测，能够识别异常的运动模式。TinyML的集成使得该系统能够在低功耗设备上运行，适用于电池供电或能量收集设备。

🎯 应用场景

该研究成果可应用于智能穿戴设备、智能家居、医疗健康等领域。例如，可以用于监测老年人的跌倒风险，或者用于智能康复训练。此外，该系统还可以应用于工业领域，例如监测工人的工作状态，提高生产效率。未来，该技术有望在更多领域得到应用，为人们的生活带来便利。

📄 摘要（原文）

This project presents the development of a gait recognition system using Tiny Machine Learning (Tiny ML) and Inertial Measurement Unit (IMU) sensors. The system leverages the XIAO-nRF52840 Sense microcontroller and the LSM6DS3 IMU sensor to capture motion data, including acceleration and angular velocity, from four distinct activities: walking, stationary, going upstairs, and going downstairs. The data collected is processed through Edge Impulse, an edge AI platform, which enables the training of machine learning models that can be deployed directly onto the microcontroller for real-time activity classification.The data preprocessing step involves extracting relevant features from the raw sensor data using techniques such as sliding windows and data normalization, followed by training a Deep Neural Network (DNN) classifier for activity recognition. The model achieves over 80% accuracy on a test dataset, demonstrating its ability to classify the four activities effectively. Additionally, the platform enables anomaly detection, further enhancing the robustness of the system. The integration of Tiny ML ensures low-power operation, making it suitable for battery-powered or energy-harvesting devices.