25、前馈脉冲神经网络用于触摸模态预测与个人防护设备管理方案

前馈脉冲神经网络用于触摸模态预测与个人防护设备管理方案

前馈脉冲神经网络用于触摸模态预测

在触摸感知和识别领域，此前已有不少研究尝试利用脉冲神经网络（SNN）来处理相关问题。例如，有研究使用三层脉冲神经元的SNN来识别施加在人造皮肤上的各种条形方向，还有人提出两层SNN用于物体形状识别。不过，对于手势和触摸模态的识别研究相对较少。

有研究使用K近邻（KNN）方法对6种触摸模态进行分类，总准确率为77%；也有研究使用三层SNN，通过尖峰时序依赖可塑性（STDP）调整隐藏层和输出层之间的突触权重，对6种触摸模态进行分类，总准确率达到88.3%。但由于尖峰序列的复杂性，开发有效的权重计算程序仍然是一个难题。

本文提出了一种用于分类8种不同触摸模态的神经形态SNN模型，该网络模型仅由两层组成，利用压阻式传感阵列获取数据，并使用漏电积分放电（LIF）神经元模型将压力值编码为尖峰序列。具体贡献如下：
- 提出了一个整体计算高效的触摸模态分类框架，能够快速进行推理，并且有可能在神经形态芯片（如Spinnaker）上运行。
- 设计了一个仅由两层神经形态脉冲神经网络组成的高效简单架构，并在触觉数据集上进行测试，以分类不同的触摸模态。
- 实现了一种有监督的突触学习规则STDP，使网络能够学习区分不同的模态。
- 所提出的系统在分类准确率上达到了99.97%，优于类似的现有解决方案，同时减少了层数（从三层减少到两层），并且分类的触摸模态从6种增加到了8种。

方法

• 数据集 ：使用压阻式传感阵列获取包含8种不同触摸模态的数据集。该触觉传感阵列有160个力传感节点，由三