基于凸化注意力机制的资源高效手势识别

可穿戴电纺织界面需要手势识别能力，但面临着严苛的功耗、计算容量和体型因素限制，使传统深度学习方法难以实施。虽然轻量级架构如 MobileNet 能改善效率，但仍需数千个参数，限制了纺织集成平台的部署。我们引入一种针对可穿戴应用的凸化注意力机制，通过非收缩单纱形投影和凸函数损失函数，在保持凸性的同时动态加权特征。不同于常规注意力机制使用的非凸 softmax 操作，本方法采用单纯形上的欧几里得投影结合多类 hinge loss，确保全局收敛性。该方法在基于纺织品的电容传感器（四个连接点）上实现，针对点触手势达到 100.00% 准确率，针对滑动手势也达到 100.00% 准确率——在 10 折交叉验证和留出测试评估中表现一致——同时仅需 120--360 个参数，较传统方法降低了 97%。本方法实现了亚毫秒级推理时间（290--296μs）和最小存储需求（<7KB），使手势界面可直接集成于电纺织中，无需外部处理。我们的评估在单用户数据集的受控实验室条件下进行，展示了针对基本手势交互的可行性。实际部署需要在多个用户、环境条件以及更复杂的手势词汇表中进行验证。这些结果表明，凸优化如何为纺织界面上的高效设备机器学习提供可能。