Name: | Description: | Size: | Format: | |
---|---|---|---|---|
33.69 MB | Adobe PDF |
Advisor(s)
Abstract(s)
Abstract
This report presents the study on the development of a low-power autonomous embedded system for classifying the correctness of gym exercises. The system is designed to be attached to gym weights (dumbbells), enabling real-time monitoring and feedback during workout sessions. It covers the solution design, implementation, and performance results, demonstrating the system ability to process movement data efficiently while maintaining low energy consumption. Using movement data from an IMU accelerometer, the system employs NN techniques adjusted for the limited computational power of a MCU. Real-time inference is achieved with a TFLite, demonstrating classification accuracy ranging from 60% to 94.1% across six exercises. A novel dataset, collected with the guidance of a certified personal trainer, was created to support training and validation. Additionally, the system’s potential applications in improving injury prevention are discussed, along with recommendations for expanding datasets and refining accuracy in future developments.
Este relatório apresenta o estudo sobre o desenvolvimento de um sistema embebido autónomo de baixo consumo de energia para a classificação da correção de exercícios de ginásio. O sistema foi projetado para ser unido a pesos de ginásio (halteres), permitindo a monitorização e feedback em tempo real durante as sessões de treino. O relatório abrange o desenho da solução, a implementação e os resultados, demonstrando a capacidade do sistema de processar os dados de movimento de forma eficiente, mantendo um baixo consumo de energia. Usando dados de movimento de um acelerómetro IMU, o sistema aplica t´cénicas de Redes Neurais ajustadas para as limitações computacionais de um MCU. A inferência em tempo real é alcançada com um modelo TensorFlow Lite, demonstrando uma precisão de classificação que varia de 60% a 94,1% em seis exercícios. O dataset foi recolhido com a orientação de uma personal trainer certificada, foi criado para dar suporte ao treino e validação da rede. Adicionalmente, são discutidas as potenciais aplicações do sistema na prevenção de lesões, a expansão dos dados recolhidos, juntamente com recomendações para futuras melhorias.
Este relatório apresenta o estudo sobre o desenvolvimento de um sistema embebido autónomo de baixo consumo de energia para a classificação da correção de exercícios de ginásio. O sistema foi projetado para ser unido a pesos de ginásio (halteres), permitindo a monitorização e feedback em tempo real durante as sessões de treino. O relatório abrange o desenho da solução, a implementação e os resultados, demonstrando a capacidade do sistema de processar os dados de movimento de forma eficiente, mantendo um baixo consumo de energia. Usando dados de movimento de um acelerómetro IMU, o sistema aplica t´cénicas de Redes Neurais ajustadas para as limitações computacionais de um MCU. A inferência em tempo real é alcançada com um modelo TensorFlow Lite, demonstrando uma precisão de classificação que varia de 60% a 94,1% em seis exercícios. O dataset foi recolhido com a orientação de uma personal trainer certificada, foi criado para dar suporte ao treino e validação da rede. Adicionalmente, são discutidas as potenciais aplicações do sistema na prevenção de lesões, a expansão dos dados recolhidos, juntamente com recomendações para futuras melhorias.
Description
Dissertação para obtenção do Grau de Mestre em Engenharia Informática e de Computadores
Keywords
Neural networks Embedded systems BLE Motion classification TinyML Redes Neuronais Sistemas embebidos Classificação de movimentos Baixo-consumo