Sensor selection mechanism for TinyML smart eyewear HAR

Human Activity Recognition (HAR) on resource-constrained Tiny ML devices enables real-time monitoring for applications like health and fitness track ing. However, continuous data collection from multiple sensors can quickly exhaust the limited power and memory of these devices. This thesis presents a sensor selection algorithm designed to optimize energy usage for Smart Eyewear Tiny ML-based HAR. By selecting relevant sensors based on activity requirements, the algorithm minimizes energy consumption while preserving recognition accuracy. Experimental results indicate substantial battery savings in sensor usage, with only a minor reduction in performance, demonstrating the algorithm’s effectiveness in significantly enhancing energy efficiency while maintaining adequate accuracy. This work advances Smart Tiny ML HAR by enabling sustainable, real-time ac tivity recognition on low-power devices.

Il riconoscimento delle attività umane (RAU) su dispositivi Tiny ML con risorse limitate consente il monitorag gio in tempo reale per applicazioni come il tracciamento della salute e del fitness. Tuttavia, la raccolta continua di dati da più sensori può rapidamente esaurire la limitata capacità di alimentazione e memoria di questi dispos itivi. Questa tesi presenta un algoritmo di selezione dei sensori progettato per ottimizzare l’uso dell’energia nel RAU basato su Tiny ML. Selezionando i sensori rilevanti in base ai requisiti dell’attività, l’algoritmo minimizza il consumo energetico preservando l’accuratezza del riconoscimento. I risultati sperimentali indicano risparmi significativi della batteria nell’uso dei sensori, con una riduzione minima delle prestazioni, dimostrando l’efficacia dell’algoritmo nell’aumentare l’efficienza energetica mantenendo una precisione adeguata. Questo lavoro con tribuisce allo sviluppo del RAU su Tiny ML, abilitando il riconoscimento delle attività in modo sostenibile e in tempo reale su dispositivi a basso consumo.