面向资源受限的边缘可穿戴设备人体活动识别的轻量级脉冲神经网络

《Scientific Reports》：Lightweight spiking neural networks for human activity recognition on resource-constrained edge wearable devices

　　基于可穿戴传感器的人体活动识别是活动感知领域的一个关键方向。脉冲神经网络提供了一种受生物启发的时空数据处理方法，尤其适合时间序列预测任务。然而，现有的脉冲神经网络大多采用全连接或二维卷积突触，无法充分捕捉时间依赖关系。此外，在计算效率和原生处理稀疏传感器数据流方面，提高人体活动识别性能仍具挑战性。为应对这些挑战，我们提出了SpikSTarS，一种基于脉冲神经网络的新型人体活动识别框架。该框架引入了时间响应滤波器模块，采用时间卷积增强突触连接的时空感受野，从而显式建模层间时间依赖关系。此外，我们提出了一种STar聚合-重分配机制。与传统通过分布式结构建模通道交互的方法不同，该机制采用集中式聚合策略，在提高计算效率的同时降低了对单个传感器通道质量的敏感性。在五个公开基准数据集上进行的广泛实验表明，所提出的SpikSTarS架构实现了4.37%至19.39%的准确率显著提升，同时显著降低了计算复杂度。SpikSTarS在五个测试基准数据集上的准确率与全精度模型相当，同时大幅降低了计算开销，并表现出良好的跨数据集适应性。