On-Device Few-Shot Learning für personalisierte Aktivitätserkennung in Wearables

Die Erkennung menschlicher Aktivitäten mit Wearables hat in den letzten Jahren enorme Fortschritte gemacht, doch die Modelle verlieren oft an Genauigkeit, wenn sie neuen Nutzern ausgesetzt werden. Dieser Leistungsverlust entsteht vor allem durch nutzerinduzierte Konzeptverschiebungen, die eine effiziente Personalisierung erforderlich machen.

In der vorliegenden Arbeit wird ein hybrides Framework vorgestellt, das zunächst über alle Nutzer hinweg generalisiert und anschließend mithilfe von Few‑Shot‑Learning direkt auf dem Gerät rasch an den einzelnen Nutzer angepasst wird. Dabei wird lediglich die Klassifikationsschicht mit wenigen persönlichen Daten aktualisiert, was die Rechen- und Speicherbelastung minimal hält.

Die Umsetzung erfolgt auf dem energieeffizienten, RISC‑V‑basierten GAP9‑Microcontroller. In drei unterschiedlichen Szenarien – RecGym, QVAR‑Gesture und Ultrasound‑Gesture – wurde das System getestet. Nach der In‑Deployment‑Anpassung konnten die Genauigkeiten um 3,73 %, 17,38 % bzw. 3,70 % gesteigert werden.

Diese Ergebnisse zeigen, dass schnelle, leichte und wirkungsvolle Personalisierung von Aktivitätserkennungssystemen auf eingebetteten Plattformen realisierbar ist. Sie ebnen den Weg für skalierbare, nutzerorientierte HAR‑Lösungen im Einsatz.