从原始数据中进行无监督的特征提取,用于使用穿戴式超低功率超声波识别手势
概括
这项研究引入了一种超低功率的可穿戴超声波探针,用于手势识别. 该系统以高效的数据压缩实现96%的准确性,可实现连续,前沿的操作.
科学领域:
- 生物医学工程 生物医学工程
- 可穿戴技术可穿戴技术
- 机器学习 机器学习
背景情况:
- 可穿戴式超声波 (美国) 为手势识别 (HGR) 提供高分辨率的肌肉骨数据.
- 现有的可穿戴美国解决方案缺乏持续,长期运行和高效边缘计算所需的低功耗.
- 硬件限制需要压缩模型来提取特征并将其分类为可穿戴HGR.
研究的目的:
- 开发一种新的,端到端的方法,从原始肌肉骨美国数据中提取特征,适合边缘计算.
- 为HGR创建一个真正可穿戴的,超低功率的 (ULP) 美国探测器.
- 为了克服当前美国可穿戴设备的功率和计算限制.
主要方法:
- 使用1D卷积自编码器 (CAE) 将美国原始数据压缩20×,保留关键信封信号特征.
- 来自CAE的潜伏特征训练了HGR的XGBoost分类器,考虑了带移除/重新定位.
- 自动编码器被量化为8位整数,并部署在ULP可穿戴的美国探测器上,带有分类器.
主要成果:
- 拟议的方法实现了HGR的96%的分类准确性.
- 无监督的特征提取表明了跨主体概括能力.
- 该系统实现了手势识别率≥25 Hz,与传统方法相比,功耗降低21%.
结论:
- 这种新的端到端方法可以实现高效的ULP可穿戴超声波HGR,适合边缘计算.
- 基于CAE的特征提取是独立于主题的,提供了强大的概括.
- 这项技术为使用美国可穿戴设备的持续,长期监控和互动铺平了道路.
