Natively neuromorphic LMU architecture for encoding-free SNN-based HAR on commercial edge devices

神经形态学模型受人类大脑的启发，采用生物可行的神经元模型构建替代传统机器学习（ML）和深度学习（DL）解决方案。然而，专门用于实现基于大脑启发计算的硬件稀缺，只能进行模拟，这仍然阻碍了神经形态计算在边缘设备和嵌入式系统中的广泛应用。基于这个前提，我们采用神经形态计算的视角，针对传统硬件提出了L2MU，这是一种本质上神经形态的Legendre Memory Unit（LMU），完全依赖于Leaky Integrate-and-Fire（LIF）神经元。具体来说，通过使用由LIF或基于电流的（CuBa）LIF神经元组成的神经群体对每个组成元素进行建模，重新设计了LMU的原始递归架构。为了将神经形态计算与现成的边缘设备相结合，我们为L2MU配备了一个输入模块，用于将实际值转换为脉冲，这使其成为一种无编码实现的递归脉冲神经网络（RSNN），能够在非专用硬件上直接处理原始传感器信号。作为验证网络的用例，我们选择了人类活动识别（HAR）任务。我们在手部定向活动的智能手表信号上对L2MU进行了基准测试，并在三种不同的商用边缘设备上部署了压缩版本。报告的结果强调了考虑神经形态模型不仅与专用硬件的独占关系，而且是处理常见传感器和设备的合适选择的可能性。

本论文旨在采用神经形态计算的视角，将神经形态计算应用于传统硬件，提出了一种新型的神经形态记忆单元L2MU，以解决神经形态计算在边缘设备和嵌入式系统中应用受到硬件限制的问题。

该论文的关键思路是采用Leaky Integrate-and-Fire（LIF）神经元和Current-Based（CuBa）LIF神经元构建神经网络，将神经形态计算与现有硬件相结合，提出了一种新型的神经形态记忆单元L2MU，并在智能手表信号的人体活动识别任务中进行了验证。

论文通过将实数值转换为脉冲来实现编码自由，提出了一种压缩版本的L2MU，并在三种不同的商用边缘设备上进行了部署。实验结果表明，L2MU在人体活动识别任务中具有较高的准确性和效率，同时也展示了神经形态计算在常规传感器和设备中的应用潜力。

在相关研究中，还有一些类似的工作，例如采用神经形态计算的神经网络进行人体活动识别的研究，包括“Neural Networks for Human Activity Recognition: A Survey”和“Human Activity Recognition using Wearable Sensors and Deep Learning Networks”。