WFRF:(Oelmann Bengt)
Sökning: WFRF:(Oelmann Bengt) > Tiny Machine Learni...
- 5 av 189
- Föregående post
- Nästa post
- Till träfflistan
Tiny Machine Learning for Real-Time Postural Stability Analysis
-
- Adin, Veysi (författare)
- Mittuniversitetet,Institutionen för data- och elektroteknik (2023-)
-
- Zhang, Yuxuan (författare)
- Mittuniversitetet,Institutionen för data- och elektroteknik (2023-)
-
- Ando, Bruno (författare)
- University of Catania, Catania, Italy
- visa fler...
- visa färre...
- (creator_code:org_t)
- IEEE conference proceedings, 2023
- 2023
- Engelska.
- Ingår i: 2023 IEEE Sensors Applications Symposium (SAS). - : IEEE conference proceedings. - 9798350323078
- Konferensbidrag (refereegranskat)
Abstract
Ämnesord
Stäng
- Postural sway is a critical measure for evaluating postural control, and its analysis plays a vital role in preventing falls among the elderly. Typically, physiotherapists assess an individual's postural control using tests such as the Berg Balance Scale, Tinetti Test, and time up-and-go test. Sensor-based analysis is available based on devices such as force plates or inertial measurement units. Recently, machine learning methods have demonstrated promising results in the sensor-based analysis of postural control. However, these models are often complex, slow, and energy-intensive. To address these limitations, this study explores the design space of lightweight machine learning models deployable to microcontrollers to assess postural stability. We developed an artificial neural network (ANN) model and compare its performance to that of random forests, gaussian naive bayes, and extra tree classifiers. The models are trained using a sway dataset with varying input sizes and signal-to-noise ratios. The dataset comprises two feature vectors extracted from raw accelerometer data. The developed models are deployed to an ARM Cortex M4-based microcontroller, and their performance is evaluated and compared. We show that the ANN model has 99.03% accuracy, higher noise immunity, and the model performs better with a window size of one second with 590.96 us inference time.
Ämnesord
- TEKNIK OCH TEKNOLOGIER -- Elektroteknik och elektronik -- Reglerteknik (hsv//swe)
- ENGINEERING AND TECHNOLOGY -- Electrical Engineering, Electronic Engineering, Information Engineering -- Control Engineering (hsv//eng)
Nyckelord
- embedded systems
- fall prevention
- machine learning
- postural sway
- real-time postural assessment
- TinyML
Publikations- och innehållstyp
- ref (ämneskategori)
- kon (ämneskategori)
Hitta via bibliotek
- 2023 IEEE Sensors Applications Symposium (SAS) (Sök värdpublikationen i LIBRIS)
Till lärosätets databas
- 5 av 189
- Föregående post
- Nästa post
- Till träfflistan
Hitta mer i SwePub
- Av författaren/redakt...
- Adin, Veysi
- Zhang, Yuxuan
- Ando, Bruno
- Oelmann, Bengt
- Bader, Sebastian ...
- Om ämnet
-
- TEKNIK OCH TEKNOLOGIER
- TEKNIK OCH TEKNO ...
- och Elektroteknik oc ...
- och Reglerteknik
- Artiklar i publikationen
- 2023 IEEE Sensor ...
- Av lärosätet
- Mittuniversitetet
Sök utanför SwePub
- Sök vidare i:
- Google Book Search
- Google Scholar
Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.
- Copyright © LIBRIS - Nationella bibliotekssystem
- LIBRIS.kb.se
