NeuroEdge：基于深度学习的高密度 EMG 实时手势识别
机器学习
2026-05-29 v1
摘要
高密度电位图 (HD-EMG) 作为解码细粒度神经肌肉活动的强大模态，正在成为假肢控制、康复和增强交互等应用的实时神经-机械接口 (NMI) 的关键技术。尽管基于卷积神经网络 (CNN) 等深度学习方法在基于 EMG 的手势识别方面已显示出高分类准确率，但在嵌入式硬件上部署仍是主要挑战，主要受计算和内存限制的制约。本文提出了 NeuroEdge，一个在资源受限的微控制器上完成 HD-EMG 基于手势识别的实时 NMI 系统。该系统包含两个定制设计的模块：HD-EMG StreamBridge，将原始 HD-EMG 数据从Quattrocento 放大器流式传输到 ESP32 微控制器；以及运行在Sony Spresense 微控制器上的 EdgeDL 推理引擎。针对嵌入式推理优化的紧凑型一维 CNN 处理 EMG 数据的滑动窗口。数据流和推理通过利用 DMA 进行数据传输和 ESP32 与 Spresense 之间的 SPI 突发通信实现管线化和同步，确保低延迟性能。实验结果表明，NeuroEdge 在来自前臂的 192 通道 HD-EMG 数据上实现了 7 种手势的 90% 实时分类准确率，总平均延迟为 83 毫秒。该系统证明了在基于微控制器的边缘设备上部署复杂 HD-EMG 手势识别的可行性，弥合了高分辨率生物信号采集与深度学习嵌入式推理之间的差距，为下一代 NMI 铺平了道路。
引用
@article{arxiv.2605.29326,
title = {NeuroEdge: Real-Time Hand Gesture Recognition with High-Density EMG Using Deep Learning at the Edge},
author = {Peter Chudinov and Zhenyu Lin and Jay Motamarry and Srihita Panati and Xiaorong Zhang and Zhuwei Qin},
journal= {arXiv preprint arXiv:2605.29326},
year = {2026}
}