High-speed Low-consumption sEMG-based Transient-state micro-Gesture Recognition by Spiking Neural Network

手势识别在可穿戴设备中得到广泛应用，电肌图（EMG）由于能够快速感知肌肉信号，在许多手势识别系统中得到了应用。然而，在智能手环等设备上分析EMG信号通常需要推理模型具有高性能，如低推理延迟、低功耗和低内存占用。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三角编码作为脉冲编码方法来提高识别精度。我们为SNN提出了两种加性求解器，可以显著降低推理能耗和参数数量，并提高时间差异的鲁棒性。此外，我们提出了一种适用于SNN的线性动作检测方法TAD-LIF。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名受试者中收集了两个数据集，包括6个微小手势。采集设备是两个设计轻便的消费级EMG手环（分别具有3个和8个电极通道）。与CNN、FCN和常规SNN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种通用方式。

提出了一种改进的脉冲神经网络（SNN）用于手势识别，以在智能可穿戴设备上实现高精度、低延迟、低功耗和低内存占用的微手势识别。

提出了自适应多三角编码作为脉冲编码方法，提出了两个加法求解器和线性动作检测方法TAD-LIF，用于提高SNN的识别精度、降低能耗和参数数量，并提高时间差异的鲁棒性。

使用两个轻量级消费级EMG手环收集了20个受试者的两个数据集，包括6个微小手势。与CNN、FCN和普通SNN方法相比，所提出的SNN具有更高的识别精度，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 Survey on Deep Learning in EMG-based Hand Gesture Recognition'，'EMG-based Gesture Recognition Using Convolutional Neural Networks with Attention Mechanism'，'Real-Time Hand Gesture Recognition Using Surface Electromyography and Convolutional Neural Network'等。