具有自适应连续与预测学习功能的忆阻式纳米类神经脉冲神经网络，用于边缘设备的手势识别

《Scientific Reports》：Memristive nano-neuromorphic spiking neural network with self-adaptive continual and predictive learning for edge gesture recognition

　　

摘要

手势识别是一种基于表面肌电图的手势识别方法，已成为边缘计算系统中的重要组成部分，用于优化人机界面、可穿戴设备以及辅助技术系统。深度学习的最新进展使得该技术的准确率有所提升，但仍存在基于帧的处理方式、离线学习、能耗过高以及无法适应不断变化的手势模式等问题。这些限制使得该技术在资源有限的边缘设备上难以应用。为解决这些问题，本文提出了SCaP-SNN（自适应连续预测脉冲神经网络）这一基于忆阻器的纳米神经形态模型，用于实现高效且节能的边缘手势识别。自适应学习机制可根据信号方差动态调整突触更新；持续学习功能则能在接收新数据的同时保留之前关于手势的知识；而预测学习功能则能根据时间上的脉冲依赖关系预测未来短暂时间内的手势。本研究的主要创新在于设计了一种融合了自适应学习、持续学习及预测功能的统一忆阻器脉冲神经网络，从而实现高效的边缘手势识别。所提出的方法将脉冲神经网络与忆阻器突触模型相结合，从而支持基于事件的计算、自适应可塑性、无需严重遗忘的终身学习以及预测推理功能。在线突触适应与巩固机制有助于在掌握新手势的同时不会丢失先前学到的信息。实验结果显示，该系统的分类准确率为96.8%，F1值为0.965，遗忘率仅为2.1%，预测准确率为91.4%。能耗分析表明，每次推理的平均能耗为28微焦耳，非常适合用于低功耗边缘设备。