Edge AI for backpack alignment powered by MEMS sensors: implementing decision tree for posture classification

This thesis presents the development of a wearable posture monitoring system integrated into a backpack, aimed at improving ergonomics and user awareness through real-time motion classification. Utilizing the STEVAL-MKBOXPRO (SensorTile.box PRO) and STMicroelectronics’ AIoT Craft ecosystem, the project leverages embedded machine learning capabilities within the LSM6DSV16X inertial sensor to detect and classify user posture during both standing and walking activities. Six posture categories were de- fined—proper posture, backward leaning, forward leaning, unbalanced left, unbalanced right, and not worn—and corresponding datasets were collected using synchronized accelerom- eter and gyroscope signals. A Machine Learning Core (MLC) model, optimized using decision tree algorithms and five carefully selected features, was trained and deployed directly on the sensor for ultra-low-power, always-on inference. BLE functionality was integrated to notify users of improper posture via smartphone connectivity; to ensure reliable delivery, the BLE beacon is continuously advertised for 3 seconds after each clas- sification event. The final system enables real-time posture correction feedback with an accuracy of 84.49%, offering a compact, power-efficient solution for posture monitoring in daily life and occupational health contexts.

Questa tesi presenta lo sviluppo di un sistema indossabile per il monitoraggio della pos- tura integrato in uno zaino, con l’obiettivo di migliorare l’ergonomia e la consapevolezza dell’utente attraverso la classificazione del movimento in tempo reale. Utilizzando lo STEVAL-MKBOXPRO (SensorTile.box PRO) e l’ecosistema AIoT Craft di STMicroelec- tronics, il progetto sfrutta le capacità di apprendimento automatico integrate nel sensore inerziale LSM6DSV16X per rilevare e classificare la postura dell’utente durante attività sia statiche che dinamiche (in piedi e camminando). Sono state definite sei categorie pos- turali — postura corretta, inclinazione all’indietro, inclinazione in avanti, sbilanciamento a sinistra, sbilanciamento a destra e non indossato — e i dati sono stati raccolti tramite segnali sincronizzati di accelerometro e giroscopio. Un modello Machine Learning Core (MLC), ottimizzato con algoritmi ad albero decisionale e cinque feature selezionate man- ualmente, è stato addestrato e implementato direttamente sul sensore per un’inferenza always-on a bassissimo consumo. La funzionalità Bluetooth Low Energy è stata integrata per notificare l’utente in caso di postura scorretta tramite connettività con smartphone; per garantire l’efficace ricezione della notifica, il beacon BLE viene trasmesso continua- mente per 3 secondi dopo ogni classificazione. Il sistema finale fornisce un feedback in tempo reale con un’accuratezza dell’84,49%, offrendo una soluzione compatta ed effi- ciente dal punto di vista energetico per il monitoraggio posturale nella vita quotidiana e nei contesti di salute occupazionale.