MOTION: ML 支援のオンデバイス低遅延動作認識

arXiv:2512.00008v3 発表タイプ：置換 要約：低遅延ジェスチャー認識が可能な小型デバイスの利用は、日常の人間とのコンピュータインタラクション、特に医療監視分野において着実に進んでいます。落下検知、リハビリテーション追跡、患者監視などの組み込みソリューションは、望ましくない誤作動アラームを回避しつつ、動きを高速かつ効率的に追跡する必要があります。本研究では、三軸加速度センサーのみを使用して非常に効率的な動作ベースのモデルを構築する方法を提示します。私たちは、データセグメントから最も重要な特徴を抽出する能力について、AutoML パイプラインを探索しました。このアプローチには、抽出された特徴を使用した複数の軽量機械学習アルゴリズムのトレーニングも含まれています。私たちは、充分に強力なマイコン（MCU）を備え、オンデバイスですべてのジェスチャー認識を実行できるマルチセンサーウェアラビリティデバイスの WeBe Band を使用しました。探索したモデルの中より、ニューラルネットワークは精度、遅延、メモリ使用量における最適なバランスを提供することが分かりました。また、私たちの結果は、WeBe Band で信頼性の高いリアルタイムジェスチャー認識が可能であり、安全で高速な応答時間を必要とするリアルタイム医療監視ソリューションに大きなポテンシャルを示唆することを示しています。

arXiv:2512.00008v3 Announce Type: replace Abstract: The use of tiny devices capable of low-latency gesture recognition is gaining momentum in everyday human-computer interaction and especially in medical monitoring fields. Embedded solutions such as fall detection, rehabilitation tracking, and patient supervision require fast and efficient tracking of movements while avoiding unwanted false alarms. This study presents an efficient solution on how to build very efficient motion-based models only using triaxial accelerometer sensors. We explore the capability of the AutoML pipelines to extract the most important features from the data segments. This approach also involves training multiple lightweight machine learning algorithms using the extracted features. We use WeBe Band, a multi-sensor wearable device that is equipped with a powerful enough MCU to effectively perform gesture recognition entirely on the device. Of the models explored, we found that the neural network provided the best balance between accuracy, latency, and memory use. Our results also demonstrate that reliable real-time gesture recognition can be achieved in WeBe Band, with great potential for real-time medical monitoring solutions that require a secure and fast response time.