Hierarchical incremental human activity recognition

Human Activity Recognition (HAR) is a field of research that focuses on the recognition of human actions and movements through the use of various Machine Learning (ML) techniques. TinyML is a new field of study that mixes ML techniques with embedded devices, enabling the use of AI models on small devices. In this scenario, a discrete number of smart devices have emerged in recent years, enabling activity recognition directly on commonly used wearable devices. This practice has numerous advantages: data can be processed directly where they are generated, it improves privacy and security, reduces latency, and most importantly, it does not require a constant internet connection. Key paradigms in the field lack a fundamental capability that will become increasingly relevant in the future: on-device learning, which is the ability to learn or update the ML model directly on the device. In addition to this limitation, a second obstacle is the spectrum of possible human actions which is incredibly wide and varied. To address this two limitations this thesis proposes an incremental hierarchical algorithm, designed to enable on-device learning of new tasks for HAR, even on devices with low computational capabilities. Experimental results on public-available datasets show the effectiveness and efficiency of the proposed solution.

Lo Human Activity Recognition (HAR) è un campo di ricerca che si concentra sul riconoscimento di azioni e movimenti umani attraverso l'uso di varie tecniche di Machine Learning (ML). TinyML è un nuovo campo di studio che integra tecniche di ML con dispositivi embedded, consentendo l'uso di modelli di intelligenza artificiale su dispositivi di piccole dimensioni. Negli ultimi anni, in questo scenario, sono emersi diversi dispositivi "smart", che permettono il riconoscimento delle attività direttamente su dispositivi indossabili e di uso comune. Questa pratica presenta numerosi vantaggi: i dati possono essere elaborati direttamente dove vengono generati, migliora la privacy e la sicurezza, riduce la latenza, e soprattutto, non richiede una connessione internet costante. I paradigmi chiave del settore mancano di una capacità fondamentale che in futuro diventerà sempre più rilevante: il training direttamente sul dispositivo, ovvero la capacità di apprendere o aggiornare il modello di ML direttamente sul dispositivo. Oltre a questa limitazione, un secondo ostacolo è lo spettro delle possibili azioni umane, che è incredibilmente ampio e vario. Per affrontare queste due limitazioni, questa tesi propone un algoritmo gerarchico incrementale, progettato per consentire, direttamente sul dispositivo, l'apprendimento di nuove attività per HAR, anche su dispositivi con scarse capacità computazionali. I risultati sperimentali su dataset pubblici mostrano l'efficacia e l'efficienza della soluzione proposta.