信息学院梁俊睿课题组在低功耗端侧智能系统研究取得新进展

近年来，随着端侧传感节点数量的指数级增长，更换及维护电池带来的巨大成本正制约着物联网的广泛部署。基于环境微能量收集技术的无源物联网技术通过收集本地能量实现电能自给，日益成为研究热点。另一方面，随着人工智能算法的轻量化发展，在资源极其受限的边缘设备上运行机器学习模型成为可能。在可预见的未来，低功耗端侧智能系统将进一步促进人工智能物联网（AIoT）的蓬勃发展。

近期，上海科技大学信息学院智慧电气科学中心的梁俊睿教授团队创新地提出了“运动自供能人体活动识别系统”和“低功耗端侧预测性维护系统”，相关技术可广泛应用于人机交互、普适传感和泛在物联网场景。

图1 运动自供能人体活动识别系统

研究团队开发的一种运动供能的实时人体活动识别（HAR）系统，可根据人体手臂摆动频率与产生能量之间对应的数学关系，将能量和信息有机结合，在收集运动能量的同时提取基本的运动信息，再利用收集的能量驱动蓝牙芯片将运动信息无线发射出去，具有低功耗和低成本的特点和优势。实验室和场地测试表明，该系统能可靠识别不同的人体活动，如站立、行走、慢跑和快跑，为泛在人体活动识别带来了一种简约有效的解决方案。

相关研究成果以“MP-HAR: A Novel Motion-powered Real-time Human Activity Recognition System”为题，在物联网领域的国际学术期刊IEEE Internet of Things Journal上在线发表。信息学院2021级硕士研究生陈梓杰为论文的第一作者，梁俊睿教授为通讯作者，上海科技大学为唯一完成单位。参与此项工作的还有2023届博士研究生滕雳，虞晶怡教授和许岚教授亦对此研究工作给予了指导。

论文链接：https://ieeexplore.ieee.org/document/10251943

图2 基于自供能传感和TinyML的端侧预测性维护系统

研究团队还提出了一种基于自供电传感和低功耗机器学习技术的端侧预测性维护系统。该系统采用了最少量的采样数据和运行在微控制器的轻量级机器学习（TinyML）模型实现了对三种振动故障特征和其它特征的准确判断分类。实验结果表明，较常用的惯性传感器而言，使用自供能传感技术可节能66.8%。场地测试验证了系统的可行性和鲁棒性。该系统的提出和实现为泛在端侧AIoT的应用开发提供了新思路。

相关研究成果以“LOPdM: A Low-power On-device Predictive Maintenance System Based on Self-powered Sensing and TinyML”为题，在仪器和测量领域的国际学术期刊IEEE Transactions on Instrumentation and Measurement上在线发表。信息学院2021级硕士研究生陈梓杰为论文的第一作者，梁俊睿教授为通讯作者，上海科技大学为唯一完成单位。参与此项工作的还有2023届博士研究生高一鸣。

论文链接：https://ieeexplore.ieee.org/document/10229236

相关工作在动能收集和工业电子等领域的国际会议上亦获得了学术同行好评。会议海报在第四届振动与能量收集应用国际会议（The 4th International Conference on Vibration and Energy Harvesting Applications）上获“最佳海报奖”；第一作者陈梓杰同学在第三届IEEE工业电子和可持续能源系统国际会议（The 3rd IEEE International Conference on Industrial Electronics for Sustainable Energy Systems）上获“最佳学生报告奖”。