在神经形态平台上评估脉冲神经网络进行人体活动识别

能效和低延迟是设计可穿戴AI赋能的人体活动识别系统的关键要求，因为电池供电和闭环反馈存在严格约束。虽然神经网络模型已被广泛压缩以满足严苛的边缘计算需求，但脉冲神经网络和事件驱动传感由于其固有能效和极低延迟处理时空数据的能力，近年来成为进一步提升性能的有前景解决方案。本研究旨在评估脉冲神经网络在神经形态处理器上用于可穿戴应用的人体活动识别效果。研究以使用腕戴式可穿戴运动传感器进行健身识别为案例。采用多阈值增量调制方法将输入传感器数据编码为脉冲序列，以实现事件驱动方式处理。然后将脉冲序列输入具有直接事件训练的脉冲神经网络，并在Intel的Loihi神经形态研究平台上部署训练好的模型，以评估能和延迟效率。测试结果表明，基于脉冲的健身识别系统可达到与流行的基于毫瓦级RISC-V多核处理器GAP8的传统神经网络相当的准确率（87.5%对比88.1%），同时实现两倍更好的能耗延迟积（0.66微焦秒对比1.32微焦秒）。