基于FPGA的轻量级QDS-CNN系统用于sEMG手势和力量水平识别

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 嵌入式系统 嵌入式系统

背景情况:

• 深度学习 (DL) 在电动图 (EMG) 信号识别方面表现出色,但在资源有限的假体和人机交互 (HCI) 设备中面临实施挑战.
• 复杂的EMG数据的高效处理对于可穿戴应用中的实时控制至关重要.

研究的目的:

• 在Zynq架构上实现一个低功耗的EMG手势和力级识别系统.
• 开发一个轻量级的深度学习模型和专门的硬件加速器,以实现高效的EMG信号处理.

主要方法:

• 提出了一种使用超轻型深度可分离卷积 (UL-DSC) 和通道注意力全球平均聚合 (CA-GAP) 的轻量级网络,以减少计算负载.
• 开发了一个紧的可穿戴EMG采集设备,用于实时数据收集.
• 设计了一个高度并行化的硬件加速器,用于高效的推理计算,具有8位精度.

主要成果:

• 从22名健康受试者中识别了18种手势和力量水平,平均准确率为94.92%.
• 轻量级模型只有5.0k参数和0.026MB的大小.
• 硬件加速器显示单推断时间为41.9μs,功耗为0.317W,数据吞吐量为78.6 GOP/s.

结论:

• 拟议的低功耗系统有效地为资源有限的应用程序提供了准确的EMG手势和力级识别.
• 轻量级DL模型和专用硬件加速器的组合为先进的假肢和HCI设备提供了可行的解决方案.
• 该系统的高精度和效率为更复杂和更容易获得的可穿戴技术铺平了道路.