Каждый человек имеет уникальную походку, т. е. стиль ходьбы, который может быть использован в качестве биометрического параметра для идентификации личности. Недавние работы продемонстрировали эффективное распознавание походки с использованием глубоких нейронных сетей, однако большинство этих работ в основном фокусируются на точности классификации, а не на эффективности модели. Для выполнения распознавания походки с помощью носимых устройств на периферии крайне важно разработать высокоэффективные маломощные модели, которые можно развернуть на устройствах малого форм-фактора, таких как микроконтроллеры. В этой статье мы предлагаем небольшую модель CNN с 4 слоями, которая очень удобна для развертывания ИИ на периферии и распознавания походки в реальном времени. Эта модель была обучена на общедоступном наборе данных о походке с 20 классами, дополненными данными, собранными авторами, что в общей сложности привело к агрегации до 24 классов. Наша модель достигает точности 96,7% и потребляет всего 5 КБ ОЗУ со временем вывода 70 мс и мощностью 125 мВт, при этом непрерывный вывод выполняется на Arduino Nano 33 BLE Sense. Мы успешно продемонстрировали идентификацию авторов в реальном времени с помощью модели, работающей на Arduino, тем самым подчеркнув эффективность и предоставив доказательство осуществимости внедрения в практические системы в ближайшем будущем.
В области биометрической идентификации доминируют традиционные методы, такие как отпечатки пальцев и распознавание лиц. Однако анализ походки быстро становится уникальным и перспективным подходом к идентификации личности. Походка, как отличительная черта походки человека, обладает уникальными характеристиками, которые можно использовать для точной неинтрузивной идентификации личности .1,2] . В отличие от статической биометрии, такой как отпечатки пальцев и черты лица, анализ походки учитывает динамические и поведенческие аспекты движений человека. Каждый человек имеет уникальную походку, на которую влияют такие факторы, как анатомия, строение опорно-двигательного аппарата и личные привычки. Эта особенность делает анализ походки интересным и эффективным инструментом для идентификации людей в различных условиях: от наблюдения и обеспечения безопасности до здравоохранения и реабилитации.
В рамках этого курсового проекта (рис. 1 ) мы экспериментировали с использованием моделей лёгких сверточных нейронных сетей (CNN) для определения походки по контурам изображения для идентификации человека. Мы проводим предварительную обработку исходных сигналов походки и моделируем CNN на платформе Edge Impulse. Мы используем популярный набор данных о походке и дополняем его исходными данными, собранными нашей командой, для обучения и тестирования нашей модели. Мы развёртываем нашу модель на плате Arduino Nano BLE 33 для вывода данных и демонстрации в режиме реального времени. Мы демонстрируем высокоточное определение походки на основе наших результатов и провели живую демонстрацию, чтобы продемонстрировать её эффективность. Кроме того, мы развёртываем модель на смартфоне.
Наконец, мы преобразуем нашу модель CNN в ее эквивалент на основе событийной импульсной нейронной сети (SNN) с помощью фреймворка Brainchip MetaTF и развертываем SNN на процессоре Brainchip Akida [3] . Мы получаем измерения мощности и задержки в реальном времени.
*Перевод выполнен с помощью нейросетей
Realtime Person Identification via Gait Analysis Using IMU Sensors on Edge Devices
Each person has a unique gait, i.e., walking style, that can be used as a biometric for personal identification. Recent works have demonstrated effective gait recognition using deep neural networks, however most of these works predominantly focus on classification accuracy rather than model efficiency. In order to perform gait recognition using wearable devices on the edge, it is imperative to develop highly efficient low-power models that can be deployed on to small form-factor devices such as microcontrollers. In this paper, we propose a small CNN model with 4 layers that is very amenable for edge AI deployment and realtime gait recognition. This model was trained on a public gait dataset with 20 classes augmented with data collected by the authors, aggregating to 24 classes in total. Our model achieves 96.7% accuracy and consumes only 5KB RAM with an inferencing time of 70 ms and 125mW power, while running continuous inference on Arduino Nano 33 BLE Sense. We successfully demonstrated realtime identification of the authors with the model running on Arduino, thus underscoring the efficacy and providing a proof of feasiblity for deployment in practical systems in near future.
Introduction
In the field of biometric identification, traditional methods such as fingerprint, facial recognition dominate. However, gait analysis is fast emerging as a unique and promising approach for identifying a person. Gait, the distinctive way an individual walks, carries inherent characteristics that can be leveraged for accurate non-intrusive person identification [1, 2]. Unlike static biometrics, such as fingerprints and facial features, gait analysis taps into the dynamic and behavioral aspects of an individual’s movement. Every person has a distinct gait, influenced by factors like anatomy, musculoskeletal structure, and personal habits. This distinctiveness makes gait analysis an intriguing and effective tool for identifying individuals in diverse settings, ranging from surveillance and security to healthcare and rehabilitation.
For this course project (Figure 1), we experimented on using light-weight convolutional neural network (CNN) models for edge-based gait detection for person identification. We perform pre-processing of the raw gait signals and model the CNN on the Edge Impulse framework. We use a popular gait dataset and further augment it with raw data collected from our team to train and test our model. We deploy our model on an Arduino Nano BLE 33 board for live inference and demonstration. We demonstrate highly accurate gait detection through our results and performed a live demonstration to show its efficacy. Further, we also deploy on smartphone.
Finally, we convert our CNN model to its event-based spiking neural network (SNN) equivalent via Brainchip MetaTF framework and deploy the SNN to the Brainchip Akida processor [3]. We obtain real-time power and latency measurements.