事件驅動手勢識別背景
隨著人機互動需求日益增加，低功耗、高響應速度的手勢識別成為研究熱點。傳統基於連續取樣與頻譜分析的雷達手勢識別流程，往往需重建時頻圖譜，導致記憶體與運算開銷居高不下。根據arXiv:2508.03324v2報告指出，摒棄頻譜重構的事件驅動架構，可顯著降低系統功耗與延遲。
系統架構與神經形態取樣
本架構採用24 GHz多普勒（Doppler）雷達前端，搭配自製神經形態取樣器。當檢測到可用運動訊號時，轉送其中頻(IF)訊號至異步Σ-Δ編碼模組，轉換為稀疏事件脈衝。此設計靈感源自生物視覺系統的事件相機，僅在訊號變動時觸發，有效減少無意義取樣。
非同步Σ-Δ編碼解析
異步Σ-Δ（Sigma-Delta）編碼器透過比較訊號與積分反饋，僅於錯誤積分量超過閾值時輸出事件脈衝。根據《IEEE Transactions on Circuits and Systems‒I》2022年研究，非同步Σ-Δ可在奈秒級別觸發響應，且功耗低於10 µW。此方法避免固定頻率取樣，大幅降低記憶體與運算需求。
輕量化推論與低功耗設計
事件脈衝直接輸入由作者團隊優化的輕量神經網路（約5k參數），於ARM Cortex-M0微控制器上部署。此處不需進行複雜傅立葉轉換或頻譜重建，僅透過簡易時間序列特徵即可完成分類。實測結果顯示，單次推論平均耗時低於5 ms，峰值功率僅30 mW左右，適合可攜或邊緣裝置。
實驗評估與效能表現
研究團隊在七名受試者、五種常見手勢上進行測試，並與傳統連續取樣+STFT方法比較。結果顯示，本架構於實時運行時準確率達85%以上，且記憶體使用量減少70%，平均功耗降低50%。此性能基準來自作者公開的Benchmark數據，充分驗證事件驅動架構之優勢。
應用實戰建議與未來展望
對於製作低功耗手勢控制裝置、智慧家居或可穿戴裝置而言，神經形態雷達提供了新的思路。工程師可參考上述架構，從硬體設計到神經網路裁剪，依照產品需求進行調整。未來可整合多通道雷達或加入線上學習，以提升手勢多樣性與魯棒性。
作者為資深全端工程師與技術布道者，熟悉微服務、容器化與生成式AI，致力於將前沿架構轉化為可落地方案。
邀請連結: https://www.okx.com/join?channelId=42974376
