用于实时手势分类与神经启发式康复设备控制的事件驱动边缘深度学习解码器

基于摘要分析。该研究针对深度学习手势解码器计算需求与嵌入式边缘设备资源不匹配的问题，提出事件驱动、边缘兼容的 DNN 解码方案，从单模态或混合生物信号识别运动意图，并在 FPGA 上部署，用于控制 3D 打印的上肢康复设备。主要贡献是将生物信号采集、量化解码、事件驱动推理与设备控制连接为不依赖 IoT 连接的端到端系统，而非临床康复疗效验证。 技术上，研究比较单模态 EMG 的 EMG-Net、单模态 EEG 的 EEG-Net，以及混合生物信号的 Hybrid-Net，并采用 8-bit 定点量化感知方法。摘要未提供网络结构、融合位置、训练损失或事件触发判据；其中 EEG-Net 是原文使用的名称，不能据此认定其与既有 EEGNet 架构相同。 作者报告在 33 名被试中开展离线和设备端验证：离线平均 Accuracy 分别为 EMG-Net 93.14%、EEG-Net 50.42%、Hybrid-Net 93.35%；FPGA 实时推理的对应 Accuracy 分别为 94.97%、58.27% 和 92.73%。这些结果应分别在各自评估条件下理解；摘要未明确被试内或跨被试划分、会话设置、手势类别及离线与设备端测试样本是否一致，因此不能将两组数值直接解释为部署带来的性能提升。 在 EMG 传感器偏移 5 cm 的设备端实验中，作者报告 EMG-Net 与 Hybrid-Net 的 Accuracy 损失分别为 11.5% 和 2.64%；摘要未明确其表示相对百分比还是百分点下降。该结果支持作者关于混合信号在电极偏移条件下更稳健的结论，但正常条件下混合模型并非在所有报告协议中都优于单模态 EMG。作者还报告事件驱动算法的 reliability 为 1，用于保障自主抓握动作的推理；该指标的定义、分母与测试条件尚未验证，不能等同于实际使用中绝无误触发。 来源提供了数据与代码仓库，可作为复现入口，但内容完整性尚未核验。复现时需核对数据划分、预处理、量化前后对照、FPGA 配置、推理延迟及功耗、事件触发指标，以及偏移实验与统计分析。摘要所述验证不能据此推断对 SCI、卒中或截肢患者的临床获益；实验协议、消融及统计信息尚未验证。