研究人员开发了NeuroEdge系统，该系统使用完全在资源受限的微控制器上处理的高密度肌电图（HD-EMG）数据进行实时手势识别。该系统利用定制的无线通信模块将EMG数据流式传输到ESP32微控制器，然后将其输入到Sony Spresense微控制器上的轻量级深度学习推理引擎中。这种设置允许紧凑的1D CNN处理EMG数据，在七种手势上达到90%的准确率，平均延迟为83毫秒，证明了将先进的神经-机器接口部署到边缘的可行性。 AI
影响 展示了将用于生物信号处理的复杂AI模型部署到低功耗边缘设备的潜力，从而实现更复杂的实时神经-机器接口。
排序理由 学术论文，详细介绍了使用边缘设备上的深度学习进行实时手势识别的新颖系统。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
