Ανίχνευση πτώσεων µέσω TinyML σε συσκευές IoT

Abstract

Οι πτώσεις, που συχνά οδηγούν σε σοβαρούς τραυµατισµούς και επιπλοκές, αποτελούν σηµαντική απειλή για την ευηµερία των ατόµων, ιδιαίτερα του ηλικιωµένου πληθυσµού. Αυτό έδωσε κίνητρο στην εξερεύνηση προηγµένων τεχνολογιών για τον µετριασµό αυτών των κινδύνων. Μια πολλά υποσχόµενη οδός είναι η ενσωµάτωση της µηχανικής µάθησης και του Διαδικτύου των Πραγµάτων, η οποία επιτρέπει την παρακολούθηση σε πραγµατικό χρόνο και την έγκαιρη παρέµβαση. Αυτή η διπλωµατική εµβαθύνει στον κλάδο της ανίχνευσης πτώσης χρησιµοποιώντας οπτικά στοιχεία, αξιοποιώντας το PoseNet, ένα ελαφρύ µοντέλο εκτίµησης σωµατικής στάσης τελευταίας τεχνολογίας. Η καινοτοµία έγκειται στη χρήση του TinyML, ενός αναπτυσσόµενου κλάδου που εστιάζει στην ανάπτυξη µοντέλων µηχανικής εκµάθησης σε συσκευές µε περιορισµένους πόρους. Το προτεινόµενο σύστηµα, εκπαιδευµένο και δοκιµασµένο σε ένα δηµόσιο σύνολο δεδοµένων ανίχνευσης πτώσεων, παρουσιάζει ακρίβεια έως και 90,5% µετά τον κβαντισµό µε µέγεθος έως 708 KB. Επιπλέον, η µελέτη διερευνά τον αντίκτυπο της εκπαίδευσης των µοντέλων σε τρία διαφορετικά µεγέθη εικόνας, αποκαλύπτοντας πληροφορίες για την αντιστάθµιση µεταξύ ακρίβειας και υπολογιστικής απόδοσης για ανίχνευση πτώσης σε συσκευές µε περιορισµένους πόρους