摘要 - 人类机器的相互作用正在在康复任务中获得关注,例如控制假肢或机器人手臂。手势识别表面肌电图(SEMG)信号是最有前途的方法之一,因为SEMG信号采集是无创的,并且与肌肉收缩直接相关。但是,对这些信号的分析仍然提出许多挑战,因为类似的手势会导致相似的肌肉收缩。因此,所得信号形状几乎相同,导致分类精度低。为了应对这一挑战,采用复杂的神经网络,需要大量的记忆足迹,消耗相对较高的能量并限制用于分类的设备的最大电池寿命。这项工作通过引入生物形态来解决此问题。这个新的基于注意力集中的档案的新家族可以采取最先进的性能,同时减少4.9倍的参数和操作的数量。此外,通过引入新的主体间预训练,我们将最佳生物样品的准确性提高了3.39%,可以匹配最先进的准确性,而无需任何额外的推理成本。在平行,超低功率(PULP)微控制器单元(MCU),Greenwaves GAP8上部署我们最佳性能的生物形态,我们的推断潜伏期和能量分别为2.72 ms和0.14 MJ,比以前是先前的现有的神经网络低8.0倍,同时只有94.2 kbs y 4.2 kb,而不是先前的现有的神经网络。索引术语 - 转化器,SEMG,手势识别,深度学习,嵌入式系统
主要关键词