Core Concepts
Eine verbesserte Spiking Neural Network-Methode mit extrem niedrigem Stromverbrauch, niedriger Inferenzlatenz und hoher Erkennungsgenauigkeit, die für die Erkennung von transienten Mikro-Gesten auf LD-sEMG geeignet ist.
Abstract
Die Studie präsentiert eine neuartige SNN-Methode (Spiking Neural Network) für die Erkennung von transienten Mikro-Gesten auf LD-sEMG (Low-Density Surface Electromyography) mit extrem niedrigem Stromverbrauch, niedriger Inferenzlatenz und hoher Erkennungsgenauigkeit.
Zunächst wird eine adaptive Normalisierung verwendet, um den Einfluss individueller Unterschiede zu reduzieren. Dann wird eine adaptive Multi-Delta-Codierung als Spike-Codierungsmethode vorgeschlagen, die bessere Leistung als andere normale Spike-Codierungsmethoden zeigt.
Darüber hinaus wird ein TAD-LIF-Algorithmus (Transient Action Detection - Leaky Integrate-and-Fire) entwickelt, um transiente Aktionen schnell und genau zu erkennen. Schließlich wird eine SNN-Struktur mit zwei additiven Solvern vorgeschlagen, um den Modellumfang zu reduzieren und die Robustheit gegenüber zeitlichen Unterschieden bei verschiedenen Aktionen zu verbessern. Zusätzlich wird eine Populationskodierung verwendet, um die Vorhersagegenauigkeit zu verbessern.
Die Experimente zeigen, dass die vorgeschlagene SNN-Methode eine bessere Erkennungsleistung als CNN (Convolutional Neural Network) auf den meisten Mikro-Gesten aufweist. Darüber hinaus ist die Inferenzlatenz der vorgeschlagenen SNN etwa 1% der CNN, der Stromverbrauch etwa 0,1% der CNN und der Speicherbedarf etwa 20% der CNN.
Insgesamt zeigt die Studie, dass SNN-Methoden für schnelle Inferenz und niedrigen Stromverbrauch geeignet sind, was eine allgemeine Möglichkeit darstellt, das Ziel des "ubiquitären Rechnens" zu realisieren.
Stats
Die Inferenzlatenz der vorgeschlagenen SNN beträgt etwa 1% der CNN.
Der Stromverbrauch der vorgeschlagenen SNN beträgt etwa 0,1% der CNN.
Der Speicherbedarf der vorgeschlagenen SNN beträgt etwa 20% der CNN.
Quotes
"Die vorgeschlagene SNN-Methode hat eine bessere Erkennungsleistung als CNN auf den meisten Mikro-Gesten."
"Die Inferenzlatenz der vorgeschlagenen SNN ist etwa 1% der CNN, der Stromverbrauch etwa 0,1% der CNN und der Speicherbedarf etwa 20% der CNN."