迈向绿色可穿戴计算：一种用于能效型基于IMU的人体活动识别的物理感知脉冲神经网络
机器学习
2026-04-21 v2 人工智能
人机交互
摘要
基于可穿戴IMU的人体活动识别（HAR）严重依赖深度神经网络（DNN），这些网络承受着巨大的计算和缓冲需求。它们耗电的浮点运算以及处理完整时间窗口的刚性要求严重削弱了电池受限的边缘设备。虽然脉冲神经网络（SNN）提供了极致的基于事件的能效，但标准架构难以处理复杂的生物力学拓扑和时间梯度退化。为了弥合这一差距，我们提出了物理感知脉冲神经网络（PAS-Net），一种专门为绿色HAR量身定制的完全无乘法器架构。在空间上，一个自适应对称拓扑混合器强制执行人体关节物理约束。在时间上，一个内存的因果神经调节器产生上下文感知的动态阈值神经元，自适应地适应非平稳的运动节奏。此外，我们利用时间脉冲误差目标来解锁连续IMU流的灵活早期退出机制。在七个不同的数据集上进行评估，PAS-Net在将密集运算替换为稀疏的0.1 pJ整数累加的同时，实现了最先进的准确率。至关重要的是，其置信度驱动的早期退出能力将动态能耗大幅降低了高达98%。PAS-Net为始终在线的可穿戴传感建立了一个稳健、超低功耗的神经形态标准。源代码和预训练模型可在 https://github.com/zhengnaichuan2022/PAS-Net.git 公开获取。
引用
@article{arxiv.2604.10458,
title = {Towards Green Wearable Computing: A Physics-Aware Spiking Neural Network for Energy-Efficient IMU-based Human Activity Recognition},
author = {Naichuan Zheng and Hailun Xia and Zepeng Sun and Weiyi Li and Yinzhe Zhou},
journal= {arXiv preprint arXiv:2604.10458},
year = {2026}
}