XiaoMi-AI文件搜索系统
World File Search SystemGAP8
©2022 IEEE。允许个人使用本材料。对于所有其他用途，无论是在现有还是未来的媒体中，都必须获得 IEEE 的许可，包括
摘要 — 在能源和资源受限的可穿戴设备上自动识别健身活动消除了激烈健身期间的人机交互要求 - 例如轻触敲击和滑动。这项工作提出了一个微型且高精度的残差卷积神经网络，它在毫瓦微控制器中运行，用于自动锻炼分类。我们在三个资源受限的设备上评估了带量化的深度模型的推理性能：两个带有 ARM-Cortex M4 和 M7 内核的来自 ST Microelectronics 的微控制器，以及一个 GAP8 片上系统，后者是来自 Green-Waves Technologies 的开源多核 RISC-V 计算平台。实验结果表明，在全精度推理下，十一项锻炼识别的准确率高达 90.4%。本文还介绍了资源受限系统的权衡性能。在保持识别准确率（88.1%）和最小损失的同时，每次推理仅需要 3 s。得益于 8 个 RISC-V 集群核心，GAP8 上每次推理只需 2 毫秒。我们测量发现，它的执行时间比 Cortex-M4 和 Cortex-M7 核心快 18.9 倍和 6.5 倍，表明基于所述数据集以 20 H z 采样率进行实时板载锻炼识别的可行性。在最大时钟频率下，GAP8 上每次推理消耗的能量为 0.41 m J，而 Cortex-M4 上为 5.17 m J，Cortex-M7 上为 8.07 m J。当系统使用电池供电时，它可以延长电池寿命。我们还引入了一个开放数据集，该数据集由从十个受试者收集的 50 个 11 个健身房锻炼课程组成，可公开获取。索引术语 — 锻炼识别、健身房识别、锻炼分类、边缘计算、TinyML、PULP
在多核物联网处理器上使用时间卷积网络的稳健实时嵌入式 EMG 识别框架
摘要 — 通过表面肌电 (sEMG) 信号对手部运动进行分类是一种成熟的高级人机交互方法。然而，sEMG 运动识别必须处理基于 sEMG 控制的长期可靠性，这受到影响 sEMG 信号的可变性的限制。嵌入式解决方案会受到识别准确度随时间下降的影响，这使得它们不适合可靠的手势控制器设计。在本文中，我们提出了一种基于时间卷积网络 (TCN) 的完整的可穿戴级嵌入式系统，用于基于 sEMG 的稳健手势识别。首先，我们开发了一种新颖的 TCN 拓扑 (TEMPONet)，并在基准数据集 (Ninapro) 上测试了我们的解决方案，实现了 49.6% 的平均准确率，比目前最先进的 (SoA) 好 7.8%。此外，我们设计了一个基于 GAP8（一种新型 8 核物联网处理器）的节能嵌入式平台。使用我们的嵌入式平台，我们收集了第二个 20 个会话数据集，以在代表最终部署的设置上验证系统。我们使用 TCN 获得了 93.7% 的平均准确率，与 SoA SVM 方法（91.1%）相当。最后，我们使用 8 位量化策略来适应处理器的内存限制，对在 GAP8 上实现的网络的性能进行了分析。我们达到了 4 倍更低的内存占用（460 kB），性能下降仅为 3% 的准确率。我们详细介绍了在 GAP8 平台上的执行情况，结果显示量化网络在 12.84 毫秒内执行单个分类，功率包络为 0.9 mJ，使其适合长寿命可穿戴设备部署。
AI-deck 数据表 - Rev 3
AI-deck 通过 GAP8 扩展了计算能力，并将使基于人工智能的复杂工作负载能够在机上运行，并有可能实现完全自主导航功能。ESP32 增加了 wifi 连接，可以传输图像以及处理控制。我们相信，这种轻量级和低功耗的组合为微型 Crazyflie 2.X 无人机开辟了许多研发领域。
数据表 AI-deck 1.1 - Rev 1
AI-deck 1.1 通过 GAP8 扩展了计算能力，并将使基于人工智能的复杂工作负载能够在机上运行，并有可能实现完全自主的导航能力。ESP32 增加了 wifi 连接，可以传输图像以及处理控制。我们相信这种轻量级和低功耗的组合为微型 Crazyflie 2.X 无人机开辟了许多研发领域。
在超低功率嵌入RISC-V处理器上进行癫痫发作检测
摘要：通过闭环植入式设备对难治性癫痫的处理，这些设备对通过药物释放或电刺激作用的癫痫发作是一种极具吸引力的选择。对于这种可植入的医疗设备，有效和低能消耗，小规模和有效的加工体系结构至关重要。为了满足这些要求，通过卷积神经网络（CNN）对大脑信号进行分析和分类进行癫痫发作检测是一种有吸引力的方法。这项工作为CNN提供了用于在超低功率微处理器上运行的癫痫发作检测。在MATLAB中实现并优化了CNN。此外，在具有RISC-V架构的GAP8微处理器上还实施了CNN。提出的CNN的培训，优化和评估基于CHB-MIT数据集。CNN达到的中位灵敏度为90％，高度高99％以上，对应于中位误报率为每小时6.8 s。在微控制器上实施CNN后，达到了85％的灵敏度。1 s的脑电图数据的分类为t = 35 ms，平均功率为p≈140µW。拟议的检测器在功耗方面优于相关的方法6。通过记录癫痫大鼠，对所提出的基于CNN的检测器的普遍适用性进行了验证。这结果使未来的医疗设备用于癫痫治疗。
AraştırmaMakalesi/研究文章doi：https：//doi.org/10.35414/akufemubid.1348983AküBemübid24（2024）011001（01-07）Aku J. Sci。工程。 24 疫苗犹豫的方法：传达案例报告... 添加硼酸对抗菌的影响... 用废物产生发电的微生物燃料电池... 不同母体糖尿病类型的新生儿结局 带有嵌入式系统的无人飞行器基于深度学习的对象检测 İşhayatındaAnhedoniSorunu Anhedonia的问题... 评估杀菌剂控制植物疫霉菌诱导的西红柿的疗效 硝酸钙应用对植物发育的影响和在干旱deardio 下生长的葵花籽的某些生理特征
©Afyon KocatepeüNiversItesi抽象的细菌次生代谢物可用于控制微生物。在这项研究中，已经确定了来自Apis Mellifera和Varroa驱灾子的芽孢杆菌分离株的抗菌活性特性。根据椎间盘扩散方法研究了芽孢杆菌物种对某些细菌和致病酵母菌（念珠菌）的抗菌活性。研究的结果是，研究中使用的芽孢杆菌分离株的继发代谢产物以不同的速率抑制了测试的微生物的发展（1.1-8.4 mm抑制区）。两个分离株GAP2（枯草芽孢杆菌）和GAP9（苏云金芽孢杆菌）显示出较高的抗菌活性。从细菌分离株中分离的大多数代谢产物都对大肠杆菌ATCC2471和Marcescens ATCC13880（p <0.05）敏感。确定从GV6，GV7，GAP7，GAP8，GAP11，GAP13和GAP15分离株获得的产物不会影响实验中使用的任何细菌（P <0.05）。人们认为，产生次级代谢产物的芽孢杆菌菌株，尤其是GAP2和GAP9分离株，可能有可能用于医学，兽医，农业和食品工业的各种应用中的各种应用中。Anahtar Kelimeler：抗菌；抗真菌；芽孢杆菌；细菌;圆盘扩散测定；微生物学。
生物形态 - 虹膜 -
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