基于前臂超声的边缘手势识别
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了移动实时手势识别系统开发不足的问题，提出了一种基于深度神经网络的前臂超声手势识别方法。通过量化技术，我们降低了模型大小，同时保持高准确性和低延迟。最终模型在树莓派上的测试准确率达到92%，推理时间为0.31秒，展示了在资源有限的边缘设备上实现高效实时手势识别的可行性。
本研究将无源领域适应引入脉冲神经网络，通过膜电位作为记忆列表，提高了系统的准确性。通过新型的脉冲波Jaccard注意力提高了脉冲神经网络对表面肌电图特征的表示能力。实验结果显示SpGesture在不同前臂姿势中实现了最高的准确率（89.26%），并在CPU上实际部署展示了低延迟，满足实时要求。这些结果显示了SpGesture在实际场景中增强表面肌电图的应用潜力。
