High-speed Low-consumption sEMG-based Transient-state micro-Gesture Recognition

手势识别在可穿戴设备中被广泛应用于人机交互。肌电图（EMG）由于能够快速感知肌肉信号而在许多手势识别系统中得到应用。然而，对于像智能手环这样的设备来分析EMG信号，通常需要推理模型具有高性能，例如低推理延迟、低功耗和低内存占用率。因此，本文提出了一种改进的脉冲神经网络（SNN）来实现这些目标。我们提出了自适应多增量编码作为脉冲编码方法来提高识别精度。我们为SNN提出了两种加法求解器，可以显著降低推理能量消耗和参数数量，并提高时间差异的鲁棒性。此外，我们提出了一种线性动作检测方法TAD-LIF，适用于SNN。TAD-LIF是一种改进的LIF神经元，可以快速准确地检测瞬态手势。我们从20个受试者中收集了两个数据集，包括6个微小手势。收集设备是两个设计轻量级的消费级sEMG手环（分别具有3个和8个电极通道）。与CNN、FCN和普通的基于SNN的方法相比，所提出的SNN具有更高的识别精度。所提出的SNN在两个数据集上的准确率分别为83.85%和93.52%。此外，所提出的SNN的推理延迟约为CNN的1%，功耗约为CNN的0.1%，内存占用率约为CNN的20%。所提出的方法可用于精确、高速和低功耗的微小手势识别任务，并适用于消费级智能可穿戴设备，这是实现普适计算的一般方式。

提高可穿戴设备上肌电信号识别的准确性和效率

提出了一种改进的脉冲神经网络，采用自适应多三角编码作为脉冲编码方法，提出了两种加性求解器来显著减少推理能量消耗和参数数量，并提高时间差异的鲁棒性。提出了一种线性动作检测方法TAD-LIF，适用于SNN。该方法可以用于精确、高速和低功耗的微手势识别任务，适用于消费级智能可穿戴设备。

论文使用两个轻量级的消费级sEMG手环（分别具有3和8个电极通道）从20个受试者收集了两个数据集，包括6个微小手势。与CNN、FCN和常规SNN方法相比，所提出的SNN具有更高的识别准确性。所提出的SNN在两个数据集上的准确率分别为83.85%和93.52%。此外，所提出的SNN的推理延迟约为CNN的1%，功耗约为CNN的0.1%，内存占用约为CNN的20%。

最近的相关研究包括《A Hybrid Deep Learning Framework for the Recognition of Hand Motions Using Wearable Sensors》和《A Deep Learning-Based Framework for Hand Gesture Recognition Using Wearable Devices》等。