aiedtechlearning designassessmentknowledge building

綠色可穿戴計算：物理感知脈衝網絡提升IMU活動識別能效

arXiv - Human-Computer InteractionNaichuan Zheng, Hailun Xia, Zepeng Sun, Weiyi Li, Yinze Zhou

提出物理感知脈衝神經網絡，實現低功耗IMU活動識別，達成98%能耗下降

AI 幫你先抓重點

AI 重點 1

PAS-Net的物理感知設計將神經網絡與人體動作物理約束結合，顯著提升能效與準確度

滑鼠懸停看 AI 判斷理由
此設計突破傳統SNN在複雜生物力學任務上的限制，為低功耗可穿戴感測提供可擴展框架，改變了對硬體資源與模型結構的設計思維
AI 重點 2

利用O(1)記憶因果神經調節器與時間脈衝誤差目標，PAS-Net實現自適應閾值與早期退出，能耗可降至98%

滑鼠懸停看 AI 判斷理由
這表明即使在連續IMU流中，也能根據置信度動態停止計算，極大提升實時可穿戴裝置的續航力，對實務應用具有直接指導意義

核心研究發現

  1. 1

    在七個多樣化資料集上，PAS-Net達到最先進準確度，且將密集運算替換為0.1 pJ的稀疏整數累加

  2. 2

    自適應對稱拓撲混合器強化人體關節物理約束，提升空間特徵表徵

  3. 3

    O(1)記憶因果神經調節器提供上下文感知動態閾值，配合時間脈衝誤差目標實現靈活早期退出，動態能耗降低至98%

對教育工作者的啟發

採用物理感知脈衝網絡可在低功耗環境下實現高準確度HAR；設計時可將人體關節約束納入拓撲；利用O(1)記憶因果調節器實現動態閾值；結合時間脈衝誤差目標實現早期退出，降低能耗；可在智慧健康、運動追蹤等場景部署。

原始文獻資訊

英文標題：
Towards Green Wearable Computing: A Physics-Aware Spiking Neural Network for Energy-Efficient IMU-based Human Activity Recognition
作者：
Naichuan Zheng, Hailun Xia, Zepeng Sun, Weiyi Li, Yinze Zhou
來源：
arXiv - Human-Computer Interaction
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。