从基于功率和时间高效的变压器深度学习网络的电动图信号中持续估计手动力学

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 可穿戴技术可穿戴技术

背景情况:

• 表面电动图 (sEMG) 信号为人机交互 (HMI) 提供了宝贵的运动信息.
• 深度学习模型擅长从sEMG信号中提取信息,但通常缺乏可穿戴设备的效率.
• 现有的模型优先考虑精度而不是效率,导致高功耗和不适合实时应用的处理时间.

研究的目的:

• 开发一种高效的基于变压器的方法,用sEMG信号来估计手指关节的角度.
• 同时提高模型效率 (尺寸,功率,速度) 并保持高精度.
• 为了使基于sEMG的HMI在资源有限的可穿戴设备上部署.

主要方法:

• 提出了一种高效的变压器方法,包括高效多重自我注意 (EMSA) 和修剪机制.
• 将模型应用于Ninapro DB2数据集,用于在抓取任务时估计手指关节角度.
• 在各种微处理器 (英特尔i5,果M1,树派4B) 上对RNN,卷积和变压器模型进行模型准确性和部署性能评估.

主要成果:

• 在Ninapro DB2数据集上达到0.82 ± 0.04的相关系数和0.11 ± 0.01的正常化RMSE的最先进的精度.
• 与RNN和变压器模型相比,证明了更高的计算速度 (在Raspberry Pi 4B上为65.99毫秒).
• 在模型尺寸 (0.39 MB) 和功耗 (2.28 w) 中超越了参考变压器方法.

结论:

• 提出的高效变压器模型保持了最先进的精度,同时显著提高了基于sEMG的HMI的效率.
• 该模型的效率使其适合于可穿戴设备上的实时应用.
• 这种方法代表着可穿戴技术的实际,现实应用的有希望的进步.