본 논문은 웨어러블 건강 기기에서 실시간 생체 신호 처리를 위한 새로운 뉴로모픽 구현 방식을 제시합니다. 기존 방식은 에지 장치에서 데이터를 수집한 후 중앙 처리 장치로 전송해야 하는데, 이는 상당한 계산 자원을 필요로 합니다. 본 논문에서는 표면 근전도(sEMG) 데이터에서 시공간 스파이크 정보를 이벤트 기반으로 추출하여 제스처 인식을 수행하는 뉴로모픽 구현 방식을 제안합니다. 스파이킹 뉴럴 네트워크(SNN) 분야에서 회전 뉴런 저수지(RNR)라는 단순한 구조의 하드웨어 친화적인 물리적 저수지 컴퓨팅(PRC) 프레임워크를 구현하여 네트워크를 설계했습니다. 제안된 스파이킹 RNR(sRNR)은 센서 수준에서 직접 저지연 실시간 처리를 가능하게 하여 소형 임베디드 웨어러블 시스템에 대한 혁신적인 솔루션을 제공합니다. 공개 대규모 sEMG 데이터베이스를 사용하여 시스템을 검증한 결과, 기존 기계 학습 분류기를 사용했을 때 평균 74.6%의 분류 정확도를, 델타 학습 규칙 알고리즘을 사용했을 때 80.3%의 정확도를 달성했습니다. 델타 학습 규칙은 완전히 스파이킹 방식으로 뉴로모픽 칩에 구현 가능하며, 제안된 제스처 인식 시스템은 센서 근처 저지연 처리의 잠재력을 보여줍니다.
