TinyML UWB-Radar based fall detection in controlled environment

Fall detection is the process of identifying human falls; this is an increasingly important task in various fields, specifically in healthcare and elderly care, where falls happen frequently. Falls can lead to important injuries, which often remain unnoticed for long periods of time, hence the need for an automated fall detection method. This project presents an algorithm that solves the problem of fall detection using an Ultra-Wideband (UWB) radar and an advanced neural network model, which is deployed on an Internet of Things (IoT) device. The model makes inference directly on the device, an Arduino microcontroller with limited resources. The model's training is computed on several UWB-radar recordings of falls and other human activities, from which it learns to recognize typical patterns of human falls. UWB radar brings numerous benefits to the fall detection field compared to traditional technologies such as accelerometers, gyroscopes, and cameras. Indeed, it is a non-intrusive system that preserves the user's privacy (UWB radars do not capture or record visual images, individuals' faces, and physical appearances). This thesis emphasizes the role of Tiny Machine Learning (TinyML), which enabled the optimization of the algorithm for devices with limited computational resources, leading to a compact and energy-efficient solution. In summary, this research successfully integrates UWB radar technology, deep neural networks, and TinyML to develop an innovative, privacy-conscious fall detection solution. These technologies hold great potential to improve the life quality of elderly people and beyond, acting as a benchmark for future advancements in this critical health and safety field.

Fall detection è il processo di identificazione delle cadute; si tratta di un problema di crescente importanza in vari settori, in particolare in quello sanitario e dell'assistenza agli anziani, dove le cadute si verificano di frequente. Le cadute possono portare a infortuni importanti, che spesso non vengono notati per lunghi periodi di tempo; nasce quindi l'esigenza di un metodo automatizzato per il rilevamento delle cadute. Questo progetto presenta un algoritmo che risolve il problema del rilevamento delle cadute utilizzando un radar a banda ultralarga (UWB) e un modello avanzato di rete neurale, implementandolo su un dispositivo Internet of things (IoT). Il modello, infatti, esegue inferenza direttamente su dispositivo, un microcontrollore Arduino con risorse limitate. L'addestramento del modello è basato su numerose registrazioni UWB-radar di cadute e altre attività umane, dalle quali impara a riconoscere i pattern tipici delle cadute umane. I radar a banda ultralarga offrono numerosi vantaggi rispetto alle tradizionali tecnologie di rilevamento delle cadute, quali accelerometri, giroscopi e telecamere. Si tratta infatti di un sistema non intrusivo che preserva la privacy dell'utente (i radar UWB non catturano o registrano immagini visive quindi volti e sembianze fisiche delle persone). Questa tesi sottolinea anche il ruolo del Tiny Machine Learning (TinyML), che ha permesso di ottimizzare l'algoritmo per i dispositivi con risorse computazionali limitate, portando a una soluzione compatta ed efficiente dal punto di vista del consumo energetico e di memoria richiesta. In sintesi, questa tesi integra con successo la tecnologia radar UWB, le reti neurali e il TinyML, fornendo una soluzione innovativa e rispettosa della privacy per il rilevamento delle cadute. La combinazione degli UWB e TinyML ha il potenziale per migliorare la qualità della vita, degli anziani e non solo, fungendo da punto di riferimento per i futuri progressi in questo critico settore della salute e della sicurezza.