[論文レビュー] Memory-Efficient, Limb Position-Aware Hand Gesture Recognition using Hyperdimensional Computing

Andy Zhou, Rikky Muller+1 more|arXiv (Cornell University)|Mar 9, 2021

Ferroelectric and Negative Capacitance Devices参考文献 29被引用数 18

ひとこと要約

本稿では、EMGおよび加速度計信号を統合して二段階分類をエミュレートするが、メモリ使用量を増加させないメモリ効率的で、肢の位置に依存する手のひらジェスチャー認識システムを、ハイパーディメンショナル（HD）コンピューティングを用いて提案する。加速度計データを直交するコンテキストベクトルに符号化することで、17.79%高い分類精度93.34%を達成した。これはEMGのみのモデルよりも高く、従来の二段階アーキテクチャと比較して8倍少ないメモリを要する。

ABSTRACT

Electromyogram (EMG) pattern recognition can be used to classify hand gestures and movements for human-machine interface and prosthetics applications, but it often faces reliability issues resulting from limb position change. One method to address this is dual-stage classification, in which the limb position is first determined using additional sensors to select between multiple position-specific gesture classifiers. While improving performance, this also increases model complexity and memory footprint, making a dual-stage classifier difficult to implement in a wearable device with limited resources. In this paper, we present sensor fusion of accelerometer and EMG signals using a hyperdimensional computing model to emulate dual-stage classification in a memory-efficient way. We demonstrate two methods of encoding accelerometer features to act as keys for retrieval of position-specific parameters from multiple models stored in superposition. Through validation on a dataset of 13 gestures in 8 limb positions, we obtain a classification accuracy of up to 93.34%, an improvement of 17.79% over using a model trained solely on EMG. We achieve this while only marginally increasing memory footprint over a single limb position model, requiring $8\ imes$ less memory than a traditional dual-stage classification architecture.

研究の動機と目的

• 肢の位置の変化によって引き起こされるEMGベースのジェスチャー認識の信頼性低下を是正すること。
• 各肢の位置に対して別々のモデルを用いる二段階分類アーキテクチャのメモリオーバーヘッドを低減すること。
• 計算リソースとメモリリソースが限られたウェアラブルデバイスで、コンテキストに依存するジェスチャー認識を可能にすること。
• ハイパーディメンショナル空間における加速度計から得られるコンテキストベクトルを用いて、位置特化型ジェスチャー分類器の重ね合わせを実現する手法を開発すること。
• 複数のコンテキストにおけるHD分類のための、2種類の加速度計ベースのコンテキスト符号化手法の性能を評価すること。

提案手法

• EMG特徴量とジェスチャークラスを高次元ハイパーベクトル（HV）として表現するハイパーディメンショナル（HD）コンピューティングを用い、効率的な最近傍分類を実現する。
• 加速度計信号を連続的アイテムメモリ（CIM）または直交符号化を用いてコンテキストベクトルに符号化し、異なる肢の位置を表現する。
• コンテキストベクトルをキーとして用い、1つのHDモデル内に重ね合わせて保存された位置特化型ジェスチャー分類器プロトタイプを検索する。
• 本手法は、異なる肢の位置にそれぞれ直交するHVを用いるコンテキストベースの直交化を採用し、複数のジェスチャーモデルを重ね合わせる際の干渉を最小限に抑える。
• 2種類の符号化戦略を評価した：1つは事前に定義された肢の位置に基づく直交コンテキストベクトルを用いる方法、もう1つは遺伝的アルゴリズムを用いて加速度計信号の連続的符号化を最適化する方法。
• 推論時にEMGと加速度計データを統合し、コンテキストベクトルを用いて重ね合わせられたプロトタイプから適切なジェスチャー分類器を動的に選択する。

実験結果

リサーチクエスチョン

• RQ1 HDコンピューティングを用いることで、複数の肢の位置を考慮したジェスチャー認識において、メモリ効率的かつ二段階分類の性能を達成できるか？
• RQ2 コンテキストベースの直交化は、複数コンテキストHD分類における分類マージンと精度をどのように向上させるか？
• RQ3 事前に定義された直交コンテキストベクトルを用いる方法と、連続的加速度計ベースのコンテキスト符号化を用いる方法との間で、性能のトレードオフは何か？
• RQ4 加速度計信号のみで、重ね合わせられたジェスチャーモデルにおける干渉を低減するコンテキストベクトルを生成できるか、その程度はどの程度か？
• RQ5 提案手法は、従来の二段階モデルと比較して、メモリオーバーヘッドを最小限に抑えつつ、多様な肢の位置で高い精度を維持できるか？

主な発見

• 提案手法は、8つの肢の位置における13種類のジェスチャーで93.34%の分類精度を達成し、EMGのみのモデルと比較して17.79%の向上を示した。
• 単一の肢の位置を想定したモデルと比較して、メモリ使用量はわずかに増加したが、従来の二段階分類アーキテクチャと比較して8倍少ないメモリを要した。
• 連続的アイテムメモリ（CIM）を用いた加速度計ベースのコンテキスト符号化は、プロトタイプの直接的な重ね合わせと比較して、平均で13.61%の精度向上を達成した。
• 直交コンテキスト符号化法は連続符号化法よりも優れた性能を示したが、両者とも、肢の位置に気づかないで訓練されたベースラインモデルを上回った。
• 本手法は肢の位置の変化に対して頑健であり、全8つの位置で一貫した精度向上を示した。特に重複するか類似した位置（例：0度と4度）において顕著な改善が見られた。
• 加速度計データをHDコンピューティングに統合することで、別個の肢の位置分類が不要な動的でコンテキストに依存する推論が可能となり、モデルの複雑さと実装のオーバーヘッドが低減された。