一种基于TinyML的低功耗智能辅助系统技术方案

本发明专利技术提供了一种基于TinyML的低功耗智能辅助系统，以实现行走跌倒报警和路障监测预警，包括以下步骤，以人体运动状态数据和路况信息数据对应人体是否摔倒和是否遇到障碍物，对模型进行逻辑回归训练；对模型文件进行格式转换在设备端部署，同时建立传感器与轻量化机器学习模型的连接；通过传感器获取实时人体运动数据和周围路况信息，利用轻量化机器学习模型在微控制器上进行运行推理，根据结果进行监测预警。测预警。测预警。

【技术实现步骤摘要】
一种基于TinyML的低功耗智能辅助系统


[0001]本专利技术涉及一种基于TinyML的低功耗智能辅助系统，属于深度学习


技术介绍

[0002]人工智能（AI）和物联网（IoT）是计算机科学中的流行领域。AIoT将AI和IoT融合在一起，从而将AI应用于IoT。当对“事物”进行编程并将其连接到网络时，就形成了物联网。但是，当这些物联网系统能够在无需人工干预的情况下分析数据并具有决策潜力时，就可以实现AIoT。人工智能通过决策和机器学习为物联网提供动力，物联网通过数据交换和连接性为人工智能提供动力。然后将大重量的人工智能模型通过TinyML（轻量化机器学习）技术进行模型轻量化，以便于可以部署到算力有限的开发板上面，借助AI的大脑、IoT的身体和TinyML的轻量化，这些系统可以提高效率，提高性能并提高通用性。
[0003]老年人和残障人士的出行安全问题一直备受社会关注，当前仍存在许多问题，例如：人行横道被占用、道路上有障碍物，这对于残障人士出行造成了不便。同时，跌倒死亡率随年龄的增加急剧上升，因为身体原因，老年人和残障人士很难像正常人一样在行走跌倒后正常站起来，从而容易受到二次伤害。急需一种低功耗的智能辅助系统。

技术实现思路

[0004]本专利技术目的是提供了一种基于基于TinyML的低功耗智能辅助系统，可以根据使用者实时运动状态以及路况进行提醒和报警，并降低了功耗。。
[0005]本专利技术为实现上述目的，通过以下技术方案实现：一种基于TinyML的低功耗智能辅助系统，其特征在于，包括以下步骤：步骤1：采集训练集数据集，根据运动状态数据进行逻辑分类，针对人体跌倒的数据添加反映时长；根据路况数据进行逻辑分类，针对遇到障碍物的数据添加反应时长；步骤2：将运动状态不同的数据集和对应的是否跌倒判断，以及路况不同的数据集和对应的是否遇到障碍物利用深度学习框架进行模型的训练，得到模型文件；步骤3：将的得到的模型进行TFLite格式的转换，将TFLite格式的模型进行二进制格式的模型固化，转换为C字节数组；步骤4：根据设备的MCU开发板进行模型和传感器的部署和推理；步骤5：根据端设备捕捉到的用户的运动状态数据和路况数据进行报警，根据超声波传感器的数据输入判断前方是否存在障碍物，若存在障碍物则发出语音警告，否则不执行警报；根据MEMS传感器的数据输入判断使用者当前运动状态，如果跌倒且在规定反映时长内未站立则通过手机端APP向家属发送警报提示，否则不执行发送。
[0006]2.根据权利要求1所述的基于TinyML的低功耗智能辅助系统，其特征在于，所述步骤1中模型训练的具体步骤如下：收集人体不同运动状态和路面状况信息的数据集，然后通过卷积神经网络进行深度学习训练；收集人体不同运动状态和路面状况信息的数据集，然后通过分类模型进行训练，实现逻辑分类。
[0007]3.根据权利要求1所述的基于TinyML的低功耗智能辅助系统，其特征在于，所述传感器包括：微机电系统运动传感器、超声波传感器，建立传感器与微处理器的连接，使微处理器获取每个传感器的数据。
[0008]本专利技术的优点在于：本申请可以根据使用者实时运动状态以及路况进行提醒和报警，利用TinyML技术进行模型轻量化，最后将模型部署到算力有限的端设备上进行推理，降低了功耗。
附图说明
[0009]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
[0010]图1为本专利技术流程结构示意图。
具体实施方式
[0011]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0012]本专利技术提供一种基于TinyML的低功耗智能辅助系统，实现行走跌倒预警和路况预警。通过深度学习的模型训练和TinyML的模型轻量化，部署到算力有限的微型控制器设备上，然后利用传感器进行用户行走状态数据和路况数据收集，最后在微控制器单元根据进行数据的运算和推理。其中传感器进行数据的收集，然后模型的推理完全在微型控制器设备端，即使不能连接到网络，设备依旧可以就路况信息进行路障监测预警。
[0013]步骤1：准备训练集数据，根据不同运动状态数据进行分类，对应人体是否跌倒，并添加合适的反映时长；根据不同的路况数据进行分类，对应是否影响行走路径。
[0014]步骤2：将不同运动状态的数据集和对应的是否跌倒判断及不同路况数据集和对应的是否影响行走路径利用深度学习框架进行模型的训练，得到模型文件；步骤3：得到的模型进行TFLite格式的转换，然后再将TFLite格式的模型进行二进制格式的模型固化，转换为C字节文件；步骤4：根据不同的端设备的MCU开发板进行模型和传感器的部署和推理，包括：微机电系统运动传感器（Micro
‑
Electro
‑
Mechanical Systems,以下简称MEMS）、超声波传感器，建立传感器与微处理器的连接，使微处理器获取每个传感器的数据；步骤5：根据端设备捕捉到的用户的运动状态数据和路况数据进行报警。根据超声波传感器的数据输入判断前方是否存在障碍物，若存在障碍物则发出语音警告，否则不执行警报；根据MEMS传感器的数据输入判断使用者当前运动状态，如果跌倒且在规定反映时长内未站立则通过手机端APP向家属发送警报提示，否则不执行发送。
[0015]进一步，所述步骤2中模型训练的具体步骤如下：收集人体不同运动状态和路面状况信息的数据集，然后通过卷积神经网络进行深度学习训练，然后通过分类模型进行训练，实现逻辑分类。
[0016]最后应说明的是：以上所述仅为本专利技术的优选实施例而已，并不用于限制本专利技术，
尽管参照前述实施例对本专利技术进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TinyML的低功耗智能辅助系统，其特征在于，包括以下步骤：步骤1：采集训练集数据集，根据运动状态数据进行逻辑分类，针对人体跌倒的数据添加反映时长；根据路况数据进行逻辑分类，针对遇到障碍物的数据添加反应时长；步骤2：将运动状态不同的数据集和对应的是否跌倒判断，以及路况不同的数据集和对应的是否遇到障碍物利用深度学习框架进行模型的训练，得到模型文件；步骤3：将的得到的模型进行TFLite格式的转换，将TFLite格式的模型进行二进制格式的模型固化，转换为C字节数组；步骤4：根据设备的MCU开发板进行模型和传感器的部署和推理；步骤5：根据端设备捕捉到的用户的运动状态数据和路况数据进行报警，根据超声波传感器的数据输入判断前方是否存在障碍物，若...

【专利技术属性】
技术研发人员：朱翔宇，李锐，肖雪，姜凯，
申请(专利权)人：山东浪潮科学研究院有限公司，
类型：发明
国别省市：