机构名称：
¥ 1.0
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
生物形态 - 虹膜 -
主要关键词
相关文件推荐
