В данной работе мы демонстрируем эффективное распознавание жестов электромиографа (ЭМГ) с использованием рекуррентной импульсной нейронной сети (RSNN) на основе нейрона с двойным экспоненциальным адаптивным порогом (DEXAT). Наша сеть достигает точности классификации 90% при использовании меньшего количества нейронов по сравнению с лучшим из известных решений на базе данных Roshambo EMG. Кроме того, для иллюстрации преимуществ специализированного нейроморфного оборудования мы демонстрируем аппаратную реализацию нейрона DEXAT с использованием многокомпонентной методологии на нейроморфном чипе Intel Loihi. Реализация RSNN на Loihi (Nahuku 32) обеспечивает значительное снижение энергопотребления/задержки примерно в 983 раза/19 раз по сравнению с графическим процессором при размере пакета = 50.
*Перевод выполнен с помощью нейросетей
Neuromorphic Recurrent Spiking Neural Networks for EMG Gesture Classification and Low Power Implementation on Loihi
In this work, we show an efficient Electromyograph (EMG) gesture recognition using Double Exponential Adaptive Threshold (DEXAT) neuron based Recurrent Spiking Neural Network (RSNN). Our network achieves a classification accuracy of 90% while using lesser number of neurons compared to the best reported prior art on Roshambo EMG dataset. Further, to illustrate the benefits of dedicated neuromorphic hardware, we show hardware implementation of DEXAT neuron using multicompartment methodology on Intel's neuromorphic Loihi chip. RSNN implementation on Loihi (Nahuku 32) achieves significant energy/latency benefits of ~983X/19X compared to GPU for batch size = 50.