《Integration》：Power-Aware Reconfigurable Very Large-Scale Integration circuit Design for Forelimb and Hindlimb Gesture Recognition in Rehabilitation application using optimized a deep learning technique
编辑推荐：
•提出了一种面向康复手势识别的功耗感知可重构VLSI框架。•MFIF和IRCT从可穿戴神经力学信号和肌电信号中提取鲁棒特征。•DSAAWCNN和LLDCNN分别识别前肢和后肢手势。•BOA和PO优化网络权重以提升识别性能。•FPGA实现达到98.25%的准确率和88.56毫瓦
- •
提出了一种面向康复手势识别的功耗感知可重构VLSI框架。
- •
MFIF和IRCT从可穿戴神经力学信号和肌电信号中提取鲁棒特征。
- •
DSAAWCNN和LLDCNN分别识别前肢和后肢手势。
- •
BOA和PO优化网络权重以提升识别性能。
- •
FPGA实现达到98.25%的准确率和88.56毫瓦的功耗。
引言
运动和事故是导致前肢（手部）和后肢（腿部）截肢的主要原因[1]、[2]、[3]。通过集中关注神经、肌腱和皮肤，手指截肢是一个简单的程序，在限制手部使用的同时恢复精细运动技能。膝关节损伤（如半月板撕裂、坐骨神经损伤或前交叉韧带（ACL）损伤）可能导致功能障碍。辅助技术在使患者生活更轻松方面发挥着至关重要的作用[4]、[5]、[6]。在这个数字信息时代，计算机和各种设备在人们的生活中发挥着重要作用，使其更加便利。随着技术的发展，手势识别的研究也越来越多。手势识别使我们能够与聋人和无法使用手语的人交流，同时无需使用控制器即可控制机器人和家用电器。手势识别是人类-计算机交互（HCI）中的一个关键问题，需要突破性研究[7]、[8]、[9]。传统的手势识别系统不够方便，并受到环境限制，例如需要数据手套[10]、[11]、[12]、[13]。当前研究主要集中在基于视觉的手势识别上[14]。除了允许用户无需物理界面即可操作设备外，这种新的直观控制技术还能防止用户产生挫败感。这些设备将具有更低的价格、更高的稳定性和更小的尺寸，使人们更容易适应。手势识别是HCI学术研究中一个极具潜力价值的关键主题[15]、[16]、[17]。基于能够实时健康监测、预防和定制用药的电路和系统的新设备，已经引发了人们对可穿戴技术的极大兴趣，这些设备针对各种慢性急病[18]。此类设备使用户能够即时获取相关信息和分析数据，从而实现实时反馈。可穿戴生物传感器已经发展到可以被视为临床可行的水平[19]。可穿戴设备将在未来几年中用于临床评估，尤其是在需要长时间连续监测患者的情况下[20]。
现有的用于康复应用的手势识别系统经常面临重大障碍，如功耗高、灵活性和延迟有限，导致其不适合实时和可穿戴VLSI实现。传统方法难以正确分析来自前肢和后肢运动的含噪生物信号（如肌电信号和神经力学数据），从而降低识别准确率和系统响应速度。此外，许多现有模型缺乏硬件特定优化，导致执行时间更长和能效更低。这些限制使得手势识别在需要低功耗、快速处理和自适应能力的辅助康复设备中难以实际应用。
为克服这些问题，需要功耗感知和可重构VLSI设计，以高效处理复杂的生物信号以实现准确的手势识别。该方法通过优化的深度学习和可重构VLSI设计，提高了可穿戴康复应用中的手势识别准确率和实时性能。
所提出的VLSID-FHGRR-ODL框架的新颖性在于其组件的有机集成。具体而言，MFIF自适应地对多通道生物信号进行去噪；IRCT以无损整数精度提取判别性肌电特征；DSAAWCNN和LLDCNN分别针对前肢和后肢手势特定的时空模式进行定制；BOA和PO优化各自模型的权重以达到最大识别准确率。这种端到端、双模型、硬件映射的流水线是区别于现有方法的关键贡献。
本文的主要贡献如下：
- •
旨在设计一种基于功耗感知可重构VLSI的深度学习框架，以实现康复应用中前肢和后肢手势的准确识别。
- •
使用一种有效的生物信号预处理流水线MFIF，对不同数据集中获得的肌电信号和神经力学信号进行去噪和归一化处理。
- •
提出了一种基于IRCT的鲁棒特征提取方法，生成判别性肌电特征，如iEMG、VAR、WL、ZC、SSC和WAMP。
- •
创建了两个特定的深度学习模型DSAAWCNN和LLDCNN，以准确区分前肢和后肢手势。
- •
将建议的深度学习架构进行优化并在可重构VLSI和FPGA硬件上实现，从而降低了功耗、缩短了执行时间，并实现了更高效的硬件利用。
本文其余部分组织如下：第2节综述了文献，第3节讨论了所提出的技术，第4节展示了结果，第5节提供了结论。
章节摘要
文献综述
此前文献中已介绍了许多基于深度学习在VLSI中进行手势识别的研究；以下回顾了部分近期研究，
所提方法
本节介绍了用于康复系统中前肢和后肢手势识别的所提VLSID-FHGRR-ODL框架。该框架设计为一个集成处理流水线，结合了信号处理、深度学习、优化和硬件实现。完整系统由七个阶段组成：数据采集、信号预处理、特征提取、前肢手势识别、后肢手势识别、参数优化和可重构
结果
本节讨论了所提VLSID-FHGRR-ODL方法的实验结果。该框架在软件模拟环境中实现和评估，使用Python 3.9结合TensorFlow和PyTorch，运行在配备16GB内存的Intel Core i7处理器上，操作系统为Windows 11。所提模型的性能通过功耗、执行时间、能耗和准确率指标进行评估。报告的功耗和执行时间数值是从以下估算的
伦理批准
本文不包含任何作者对人类参与者进行的研究。
数据可用性声明
本研究中生成或分析的所有数据均包含在此已发表的论文中。ENABL3S双侧下肢神经力学数据集和手势肌电数据集是公开可用的基准数据集，可从开放仓库获取，如手稿第3.1节中引用所示。
作者贡献
Dr Palukuri Surendra Babu（通讯作者）：概念设计、方法论、写作——初稿撰写。
Dr Asif Mohammad —— 监督
Dr. Rajesh Durgam —— 监督
Mr Shashidhar Kotagiri —— 监督
Dr. Maheswara Reddy Sura —— 监督
Dr. Jupudi Vamsikrishna —— 监督
资助信息
本研究未获得公共、商业或非营利部门资助机构的任何专项资助。
利益冲突声明
? 作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。
Palukuri Surendra Babu | Asif Mohammad | Rajesh Durgam | Shashidhar Kotagiri | Maheswara Reddy Sura | Jupudi Vamsikrishna
