低コストのモータライズド義肢のためのCNNベースの歩行分析におけるTinyMLの実装：概念実証

リアルタイムの歩行分析は、応答性があり信頼性の高いモータライズド義肢の開発に不可欠です。しかし、リソースが制約された組み込みシステムで高度な深層学習モデルを展開することは依然として主要な課題です。この概念実証研究は、慣性測定ユニット（IMU）信号で訓練された畳み込みニューラルネットワーク（CNN）を使用した膝関節角度予測のためのTinyMLベースのアプローチを提示します。歩行データは、複数のストライドタイプを実行している健康な参加者4人から取得され、モデルの堅牢性を高めるためにデータ増強戦略が適用されました。精度と計算効率のバランスを取るために多目的最適化が採用され、短い、自然な、長いストライドに特化したCNNアーキテクチャが得られました。軽量な分類器により、適切な特化モデルのリアルタイム選択が可能となりました。提案されたフレームワークは、一般的なベースラインに比べて35％以上の性能向上を示す平均RMSE 2.05°を達成し、40の組み込みプラットフォーム（Kendryte K210を搭載したSipeed MaixBit）上で低い推論遅延（16.8 ms）を維持しました。これらの結果は、低コストのハードウェア上でコンパクトで特化した深層学習モデルを展開することの実現可能性を示し、リアルタイムの応答性を持つ手頃な義肢ソリューションを可能にします。この研究は、効率的なモデル設計、ハードウェアを考慮した最適化、臨床関連の歩行予測性能を組み合わせることで、知能支援技術の進展に寄与します。”},{