مع ازدياد الطلب على واجهات المنازل الذكية، يزداد الاهتمام بأساليب الاستشعار غير Intrusive مثل التعرف على الإيماءات من خلال الاهتزازات. تقدم العديد من الدراسات السابقة حلولاً عملية، ولكنها غالباً ما تتطلب أدوات عالية الأداء مما يؤدي إلى استهلاك طاقة مرتفع وصعوبة في الاستخدام العملي.

تقدم دراستنا الأخيرة حلاً متميزًا يعتمد على تنفيذ الشبكات العصبية المضغوطة (NNs) على وحدات الدوائر القابلة للبرمجة الميدانية (FPGAs) ذات الطاقة المنخفضة، مما يمكّن من التعرف الفوري على الإيماءات بدقة تنافسية.

تم تبني عدة تحسينات رئيسية في هذا الحل:
1. استبدال preprocessing المركب بإدخال موجات الصوت الخام، مما يقلل حجم الإدخال بـ 21 ضعفًا دون التأثير على الدقة.
2. تصميم بنى خفيفة (1D-CNN و1D-SepCNN) مخصصة لـ FPGAs، مما يقلل عدد المعلمات من 369 مليون إلى 216 مع الحفاظ على دقة مشابهة.
3. تم تحقيق نشر سلس على FPGA من خلال التكميم القائم على الأعداد الصحيحة وتوليد RTL الآلي.
4. تم توسيع إطار عمل البحث الموجه نحو الأجهزة لدعم اختيار تكوين النماذج اعتمادًا على قيود تشمل الدقة، وسهولة النشر، والزمن، واستهلاك الطاقة.

تم تقييم هذه الحلول على مجموعتي بيانات متعددة في اتجاه السحب باستخدام طاولات عادية، حيث حققنا استدلالًا منخفض الزمن وفعال في استهلاك الطاقة على FPGA من طراز AMD Spartan-7 XC7S25. تحت إعداد تقسيم بيانات PS، بلغت متوسط الدقة باستخدام نموذج 1D-CNN المستند إلى 6 بت 0.970 مع زمن استجابة 9.22 مللي ثانية. بينما نموذج 1D-SepCNN 8 بت، حقق زمن استجابة أقل بلغ 6.83 مللي ثانية مع انخفاض طفيف في الدقة (0.949). جميع النماذج تستهلك أقل من 1.2 ميجا جول لكل استدلال، مما يبرز مناسبتها لمزيد من التشغيل المستمر.