基于事件驱动的物理水库计算框架实现：用于表面肌电图（EMG）手势识别

《IEEE Transactions on Artificial Intelligence》：Event-Driven Implementation of a Physical Reservoir Computing Framework for Superficial EMG-Based Gesture Recognition

表面肌电信号(sEMG)手势识别面临高计算成本问题，本研究提出基于脉冲神经网络的旋转神经元残差(sRNR)架构，通过事件驱动机制实现低功耗实时处理。在公开数据集验证中，经典机器学习模型准确率达74.6%，delta学习规则算法达80.3%，证明神经形态计算在嵌入式设备中的可行性。

　　

影响声明：

尽管深度学习在基于表面肌电图（sEMG）的手势识别领域占据主导地位，但其高昂的计算成本限制了实时、低功耗应用的发展。神经形态计算提供了一种新的解决方案...显示更多

摘要：

可穿戴健康设备在实时生物医学信号处理方面有着广泛的需求。然而，传统方法通常需要在从边缘设备收集数据后，将其传输到具有强大计算资源的中央处理单元进行处理。神经形态计算是一个新兴领域，它旨在设计受人类大脑结构、功能和动态启发的专用硬件计算系统，在延迟和功耗方面具有显著优势。本文探讨了一种新颖的神经形态实现方法，通过事件驱动的方式从表面肌电图（sEMG）数据中提取时空脉冲信息来进行手势识别。同时，该网络采用了名为“旋转神经元存储器”（RNR）的简单结构且适用于硬件的物理存储计算（PRC）框架，该框架基于脉冲神经网络（SNN）实现。这种基于脉冲的RNR（sRNR）有望为紧凑型嵌入式可穿戴系统提供一种创新的解决方案，实现直接在传感器级别的低延迟实时处理。所提出的系统通过一个开放访问的大规模sEMG数据库进行了验证，使用传统的机器学习分类器和delta学习规则算法分别达到了74.6%和80.3%的平均分类准确率。虽然delta学习规则可以完全基于脉冲信号并在神经形态芯片上实现，但所提出的手势识别系统展示了在接近传感器的位置进行低延迟处理的潜力。

引言

表面肌电图（sEMG）是一种非侵入性技术，能够反映骨骼肌运动的电活动，为肌肉细胞的诊断、康复和其他医疗应用提供重要信息。基于sEMG的手势识别是一种专门的应用，它通过分析肌肉的电活动来识别运动意图。这一领域使得可穿戴设备在人机交互、假肢控制和机器人技术等领域得到应用[1]、[2]。在可穿戴设备或附近本地处理数据，而不是将其发送到中央服务器，对于实现实时分析、节省带宽、提高隐私性和延长电池寿命至关重要。为了进一步改进本地处理能力，寻找轻量级的手势识别算法非常重要。传统的机器学习方法，如支持向量机（SVM）、k最近邻（k-NNs）、线性判别分析（LDA）和随机森林（RFs），需要从时域和频域提取特征[3]。最近，深度学习模型通过自动学习特征，在原始sEMG信号上实现了更高的分类准确率[4]、[5]。然而，这带来了功耗和内存需求的增加。