在低功耗的5K-LUTFPGA上使用尖端神经网络进行实时sEMG处理
IEEE transactions on biomedical circuits and systems
|March 3, 2025
概括
本研究介绍了FPGA上的低功耗尖端神经网络 (SNN),用于实时表面电肌图 (sEMG) 信号处理. 该系统在手势识别方面达到83.17%的准确性,在高级假肢的力量建模方面达到0.875的相关性.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
背景情况:
- 表面电肌图 (sEMG) 信号对于开发先进的假肢设备和人机接口至关重要.
- 从sEMG精确建模手臂运动,使得连续跟踪超越离散的手势识别.
- 低功耗,高效的处理对于可穿戴和可植入辅助技术至关重要.
研究的目的:
- 通过在FPGA上实现的轻量级尖端神经网络 (SNN) 来呈现实时sEMG处理解决方案.
- 评估SNN在离散指手势识别和连续指力建模方面的性能.
- 证明这些系统适用于低功耗应用的适用性.
主要方法:
- 基于尖端神经网络 (SNN) 的两个实时sEMG处理解决方案的实施.
- 在Lattice iCE40-UltraPlus FPGA上实现高效的硬件实现,用于低功耗操作.
- 使用NinaPro DB5数据集用于手势识别和Hyser数据集用于力量建模的性能评估.
主要成果:
- 在分类12种不同的手指手势时,获得了83.17%的准确性.
- 连续指力建模的相关性高达0.875.
- 报告的低功耗:11.31mW主动功率,每种手势分类44.6μJ,每种力推断1.19μJ.
结论:
- 轻量级的SNN高效地处理sEMG信号,用于FPGA上的手势识别和力建模.
- 开发的系统非常适合用于低功耗的假肢和人机接口应用.
- 动态电源管理进一步显著降低了平均功耗.
