Core Concepts
歩行パターンは個人の特徴を反映しており、深層学習モデルを用いることで高精度な個人識別が可能である。
Abstract
本研究では、歩行パターンを用いた個人識別のための軽量な畳み込みニューラルネットワークモデルを提案している。公開データセットに加えて、著者らが独自に収集したデータを使用し、合計24クラスの歩行パターンを識別できるモデルを開発した。
モデルの特徴は以下の通り:
4層構造で非常に軽量
96.7%の高精度を達成
Arduino Nano 33 BLE Senseで70ms推論時間、5KB RAMを消費
125mWの低消費電力で連続推論が可能
著者らは、開発したモデルをArduinoデバイスに実装し、4人の著者の歩行パターンを正確に識別することを実証した。さらに、スマートフォンへの実装も行い、ユーザ自身の歩行パターンを識別できることを示した。
また、開発したCNNモデルをスパイクニューラルネットワーク(SNN)に変換し、BrainChip Akidaプロセッサ上で推論性能を評価した。この結果は、提案手法がエッジデバイスでの実用化に適していることを示唆している。
今後の課題としては、モデルの更なる最適化、身体的な障害を持つ人や多様な人々のデータを加えることによるバイアス低減、ニューロモルフィックデバイス上でのさらなる最適化などが挙げられる。
Stats
提案モデルは96.7%の高精度を達成
Arduino Nano 33 BLE Senseで70ms推論時間、5KB RAMを消費
125mWの低消費電力で連続推論が可能
Quotes
"歩行パターンは個人の特徴を反映しており、深層学習モデルを用いることで高精度な個人識別が可能である。"
"提案モデルは4層構造で非常に軽量であり、96.7%の高精度を達成した。"
"開発したモデルをArduinoデバイスに実装し、4人の著者の歩行パターンを正確に識別することを実証した。"