TinyML用于实时嵌入式HD-EMG手势识别与设备上微调

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 可穿戴技术可穿戴技术

背景情况:

• 肌电假肢通常依赖于复杂的外部硬件进行控制.
• 高密度表面电肌图 (HD-sEMG) 信号的实时处理对于直观的假肢控制至关重要.
• 将人工智能 (AI) 直接集成到假肢设备中可以提高功能并降低成本.

研究的目的:

• 使用TinyML和HD-sEMG开发一个完全嵌入式的无线平台,用于实时手势识别.
• 评估珊瑚张量处理单元 (TPU) 加速器在设备上的推断的性能.
• 探索在设备上与基于云的模型微调和数据量化技术之间的有效性.

主要方法:

• 开发了一个嵌入式无线平台,使用现成的组件和珊瑚TPU加速器.
• 实现了TinyML,用于实时手势识别,使用64通道的HD-sEMG数据.
• 研究了基于设备和基于云的模型微调策略.
• 探索了8位数据量化技术,以优化硬件兼容性和性能.

主要成果:

• 实现了2.96ms的一般推断时间,证明了TPU适用于实时任务的适用性.
• 设备上的微调在交叉测试中提高了手势识别准确度高达36.15%,与基于云的方法相比.
• 8位量子化保持或略有提高了性能,最佳情况下比未量子化数据改进了0.96%.
• 该平台提供了一种具有成本效益的,自给自足的解决方案,用于将人工智能集成到假肢中.

结论:

• 开发的嵌入式平台为设备上基于HD-sEMG的手势识别提供了坚实的基础.
• 这种方法为肌电假肢控制提供了更容易获得和更实用的解决方案.
• 这些发现支持将TinyML和高效硬件加速器集成到先进的可穿戴人工智能应用中.