Low Power Neuromorphic EMG Gesture Classification

要約

EMG（筋電計）信号ベースのジェスチャ認識は、スマートウェアラブルや生物医学的神経補綴制御などのアプリケーションに不可欠であることが証明できます。
スパイキングニューラルネットワーク（SNN）は、固有のスパイク/イベント駆動型の時空間ダイナミクスにより、低電力のリアルタイムEMGジェスチャ認識に有望です。
文献では、EMGジェスチャ分類のためのニューロモルフィックハードウェア実装（フルチップ/ボード/システムスケール）のデモンストレーションは限られています。
さらに、ほとんどの文献の試みは、LIF（Leaky Integrate and Fire）ニューロンに基づくプリミティブSNNを利用しています。
この作業では、次の重要な貢献により、前述のギャップに対処します。（1）ニューロモルフィックリカレントスパイキングニューラルネットワーク（RSNN）を使用したEMG信号ベースのジェスチャ認識の低電力で高精度のデモンストレーション。
特に、特別な二重指数適応しきい値（DEXAT）ニューロンに基づくマルチタイムスケールの再発ニューロモルフィックシステムを提案します。
私たちのネットワークは、Roshambo EMGデータセットで最もよく報告されている先行技術よりも約53％少ないニューロンを使用しながら、最先端の分類精度（90％）を達成します。
（2）ニューロモルフィックシステムで実数値EMGデータを効率的に処理するための新しいマルチチャネルスパイクエンコーダスキーム。
（3）インテルの専用ニューロモルフィックロイヒチップに複雑な適応ニューロンを実装するための独自のマルチコンパートメント手法が示されています。
（4）Loihi（Nahuku 32）でのRSNN実装は、バッチサイズが50のGPUと比較して、約983X/19Xの大幅なエネルギー/遅延の利点を実現します。

要約(オリジナル)

EMG (Electromyograph) signal based gesture recognition can prove vital for applications such as smart wearables and bio-medical neuro-prosthetic control. Spiking Neural Networks (SNNs) are promising for low-power, real-time EMG gesture recognition, owing to their inherent spike/event driven spatio-temporal dynamics. In literature, there are limited demonstrations of neuromorphic hardware implementation (at full chip/board/system scale) for EMG gesture classification. Moreover, most literature attempts exploit primitive SNNs based on LIF (Leaky Integrate and Fire) neurons. In this work, we address the aforementioned gaps with following key contributions: (1) Low-power, high accuracy demonstration of EMG-signal based gesture recognition using neuromorphic Recurrent Spiking Neural Networks (RSNN). In particular, we propose a multi-time scale recurrent neuromorphic system based on special double-exponential adaptive threshold (DEXAT) neurons. Our network achieves state-of-the-art classification accuracy (90%) while using ~53% lesser neurons than best reported prior art on Roshambo EMG dataset. (2) A new multi-channel spike encoder scheme for efficient processing of real-valued EMG data on neuromorphic systems. (3) Unique multi-compartment methodology to implement complex adaptive neurons on Intel’s dedicated neuromorphic Loihi chip is shown. (4) RSNN implementation on Loihi (Nahuku 32) achieves significant energy/latency benefits of ~983X/19X compared to GPU for batch size as 50.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google