Edge AI on Constrained Devices for Binary Sleep-Wake Classification in Dynamic Environments
作者: Stefan Reitmann, Lena Oden
分类: cs.LG
发布日期: 2026-09-24
💡 一句话要点
提出基于边缘AI的系统以解决动态环境中的睡眠状态分类问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 边缘AI 睡眠状态检测 多模态融合 资源受限设备 实时处理 姿态分类 健康监测
📋 核心要点
- 现有方法在动态环境中进行睡眠状态分类时，容易受到运动和振动伪影的影响，且计算和能量预算有限。
- 本文提出了一种多模态管道，结合惯性传感和视觉姿态分类，利用ESP32-S3微控制器进行实时处理。
- 实验结果表明，运动基础检测准确率达到96.5%，姿态分类准确率为89%，在实际应用中表现出良好的鲁棒性。
📝 摘要（中文）
本文提出了一种基于边缘AI的系统，用于在非静态移动环境中检测睡眠和清醒状态，利用资源受限的嵌入式硬件。传统方法依赖于加速度计活动指标，易受运动和振动伪影影响，并受到可穿戴设备和物联网设备的计算和能量预算限制。为应对这些挑战，设计并实现了一种多模态管道，运行在ESP32-S3微控制器上。该系统结合了惯性传感器进行头部运动分析和视觉姿态分类。采用双核架构和FreeRTOS，实现实时数据采集和设备内推理的并行执行。睡眠检测遵循两阶段策略：首先在时间窗口内检测低运动，然后进行姿态的视觉验证。实验结果显示，运动基础检测的准确率为96.5%，姿态分类为89%，实现了稳健的二元睡眠-清醒分类。现场测试确认了在代表性移动场景中的可行性。
🔬 方法详解
问题定义：本文旨在解决在动态环境中使用资源受限设备进行睡眠状态分类的挑战。现有方法主要依赖加速度计，容易受到运动伪影的影响，且计算能力有限。
核心思路：通过设计一个多模态管道，结合惯性传感器和视觉姿态分类，来提高睡眠状态检测的准确性和鲁棒性。该设计能够在边缘设备上实现实时处理，满足资源限制的需求。
技术框架：系统架构包括两个主要模块：一是低运动检测模块，分析时间窗口内的运动数据；二是姿态验证模块，使用视觉信息进行进一步确认。整个系统运行在ESP32-S3微控制器上，利用FreeRTOS实现并行处理。
关键创新：最重要的创新在于将惯性传感和视觉分类相结合，形成一个多模态检测系统。这种设计使得在边缘设备上实现高效的睡眠状态分类成为可能，克服了传统方法的局限性。
关键设计：系统采用双核架构，支持实时数据采集与推理的并行执行。运动检测和姿态分类分别使用不同的算法，确保在资源受限的情况下仍能保持高准确率。
🖼️ 关键图片
📊 实验亮点
实验结果显示，运动基础检测的准确率高达96.5%，而姿态分类的准确率为89%。这些结果表明，该系统在动态环境中的睡眠状态分类具有良好的鲁棒性，能够有效应对传统方法的局限性。
🎯 应用场景
该研究的潜在应用领域包括智能穿戴设备、健康监测系统和物联网设备，能够在不侵犯用户隐私的前提下，实现高效的睡眠状态监测。未来，该技术有望在个人健康管理和智能家居系统中发挥重要作用。
📄 摘要（原文）
This paper presents an Edge AI-based system for detecting sleep and wake states in non-stationary mobile environments using resource-constrained embedded hardware. Conventional approaches relying on accelerometer-based activity metrics are highly susceptible to motion and vibration artifacts and are limited by strict compute and energy budgets of wearable and IoT devices. To address these challenges, a multimodal pipeline is designed and implemented on an ESP32-S3 microcontroller. The system combines inertial sensing for head movement analysis and visual pose classification. A dual-core architecture with FreeRTOS enables parallel execution of real-time data acquisition and on-device inference. Sleep detection follows a two-stage strategy: low-movement detection over a temporal window, followed by visual validation of poses. Experimental results show accuracies of 96.5% for motion-based detection and 89% for pose classification, yielding robust binary sleep-wake classification. Field tests confirmed feasibility in representative mobile scenarios. The results demonstrate that privacy-preserving, local sleep detection is achievable on edge hardware through careful co-design, while highlighting limitations in sensing intrusiveness, dataset scale, and system integration.