用于神经形态正则化储备计算与肌电手势识别的信号到脉冲转换
信号处理
2021-08-05 v4 新兴技术
摘要
表面肌电信号(sEMG)源于肌肉运动，因此是基准化事件驱动感知与计算的理想候选。我们提出一种简单而新颖的、受储备计算中读出层概念启发的脉冲编码算法超参数优化方法。在脉冲编码后使用简单机器学习算法，我们在两个开源手势识别数据集上报告了高于最先进脉冲神经网络(SNN)的性能。脉冲编码数据通过一个具有生物启发拓扑与神经元模型的脉冲储备池处理。当使用无监督活动正则化CRITICAL算法训练以在混沌边缘运作时，该储备池取得了优于最先进卷积神经网络(CNN)的性能。正则化活动储备池在Roshambo EMG数据集上的性能为89.72%，在传感器融合数据集的EMG子集上为70.6%。因此，以低功耗著称的生物启发计算范式，与传统AI算法相比也被证明具有巨大潜力。
引用
@article{arxiv.2106.11169,
title = {Signals to Spikes for Neuromorphic Regulated Reservoir Computing and EMG Hand Gesture Recognition},
author = {Nikhil Garg and Ismael Balafrej and Yann Beilliard and Dominique Drouin and Fabien Alibart and Jean Rouat},
journal= {arXiv preprint arXiv:2106.11169},
year = {2021}
}
备注
Accepted to International Conference on Neuromorphic Systems (ICONS 2021)