[论文解读] 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 DevicesEngineering参考文献 29被引用 18

一句话总结

本论文提出了一种内存高效的、基于肢体位置感知的手势识别系统，采用超维（HD）计算技术，融合肌电信号（EMG）与加速度计信号，以在不增加内存占用的前提下模拟双阶段分类。通过将加速度计数据编码为正交上下文向量，该方法实现了93.34%的分类准确率——较仅使用EMG的模型高出17.79%——同时相比传统双阶段架构，内存使用量降低8倍。

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.

研究动机与目标

• 解决因肢体位置变化导致的基于EMG的手势识别可靠性下降问题。
• 降低使用独立模型处理每个肢体位置的双阶段分类架构的内存开销。
• 在计算与内存资源受限的可穿戴设备中实现上下文感知的手势识别。
• 提出一种在超维空间中利用加速度计衍生的上下文向量实现位置特异性手势分类器叠加的方法。
• 评估两种基于加速度计的上下文编码方法在多上下文HD分类中的性能表现。

提出的方法

• 采用超维（HD）计算将EMG特征与手势类别表示为高维超向量（HVs），实现高效的最近邻分类。
• 利用连续项目记忆（CIM）或正交编码，将加速度计信号编码为上下文向量，以表征不同的肢体位置。
• 将上下文向量用作键，从单个HD模型中存储的叠加原型中检索特定肢体位置的手势分类器。
• 该方法采用基于上下文的正交化策略，通过为不同肢体位置使用正交HVs，最小化多个手势模型叠加时的干扰。
• 评估了两种编码策略：一种使用预设肢体位置并生成正交上下文向量；另一种使用遗传算法优化连续加速度计编码以生成上下文向量。
• 在推理阶段集成EMG与加速度计数据，利用上下文向量从叠加的原型中动态选择合适的手势分类器。

实验结果

研究问题

• RQ1 HD计算能否以内存高效的方式实现多肢体位置手势识别的双阶段分类性能？
• RQ2 基于上下文的正交化如何提升多上下文HD分类中的分类边界与准确率？
• RQ3 使用预设正交上下文向量与连续加速度计编码的上下文向量之间，性能权衡如何？
• RQ4 加速度计信号能否独立生成有效上下文向量，以减少叠加手势模型中的干扰？
• RQ5 与传统双阶段模型相比，所提方法是否能在保持高准确率的同时显著降低内存开销，且在多种肢体位置下保持性能稳定？

主要发现

• 所提方法在8种肢体位置下的13种手势中实现了93.34%的分类准确率，较仅使用EMG的模型提升17.79%。
• 与单一生理位置模型相比，内存占用仅略有增加，相比传统双阶段分类架构，内存使用量降低8倍。
• 采用连续项目记忆（CIM）的加速度计上下文编码方式，相比直接叠加原型，平均准确率提升13.61%。
• 正交上下文编码方法性能优于连续编码，但两者均显著优于未考虑肢体位置意识的基线模型。
• 该方法对肢体位置变化具有鲁棒性，在全部8种位置中均表现出一致的准确率提升，尤其在重叠或相似位置（如0与4）中表现更优。
• 将加速度计数据整合进HD计算，实现了无需独立肢体位置分类的动态上下文感知推理，降低了模型复杂度与实现开销。