في عصر تتزايد فيه الحاجة إلى واجهات ذكية في المنازل، تقدم دراسة جديدة تقنية مبتكرة تعتمد على التعرف على الإيماءات عبر الاهتزازات. هذا النوع من التكنولوجيا يدعم عملية الاستشعار غير التدخلية، مما يجعلها خياراً مفضلاً في تصميم المنازل الذكية. لكن العائق الرئيسي كان الاعتماد على الشبكات العصبية (Neural Networks) المعقدة التي تحتاج إلى أجهزة باهظة الثمن، ما يزيد من استهلاك الطاقة ويقلل من إمكانية تطبيقها في الواقع.

تقدم هذه الدراسة حلاً فعالاً يعتمد على نشر الشبكات العصبية المدمجة على منصات FPGA منخفضة الطاقة، ما يمكّن من تحقيق التعرف على الإيماءات في الوقت الحقيقي بدقة تنافسية. يرتكز النهج الجديد على تنفيذ عدة تحسينات ملحوظة:

1. **استبدال معالجة الطيف المعقدة**: بدلاً من استخدام مدخلات معالجة معقدة، قمنا بالاعتماد على بيانات الموجات الصوتية الخام، مما قلل من حجم المدخلات بنسبة 21% دون المساس بالدقة.
2. **تصميم هياكل خفيفة الوزن**: تم تطوير هيكلين مخصصين لـ FPGA، حيث تم تقليص عدد المعاملات من 369 مليون إلى 216 مع الحفاظ على دقة مقارنة.
3. **نشر سلس عبر التعرف الرقمي**: من خلال استخدام تقنيات معينة مثل الكوانتيزات الوحيدة للعدد الصحيح وتوليد RTL التلقائي، حققنا سهولة كبيرة في نشر الأنظمة.
4. **اختيار نموذج مدفوع بالقيود**: تم توسيع الإطار الزمني المتعلق بالعمر لتحسين اختيار نموذج تكوين القيود، مع مراعاة الدقة وسهولة النشر وزمن الانتظار واستهلاك الطاقة.

اختبرنا هذا النظام على مجموعتين من البيانات المتعلقة بحركة السحب، وقد أظهر النظام أداءً متفوقاً على أجهزة FPGA مثل AMD Spartan-7 XC7S25. على وجه الخصوص، مع استخدام 6-بت، حقق نموذج 1D-CNN معدل دقة يصل إلى 0.970 مع زمن انتظار قدره 9.22 مللي ثانية، بينما أدى نموذج 1D-SepCNN إلى تقليل زمن الانتظار إلى 6.83 مللي ثانية.

هذا الابتكار يفتح الباب أمام إمكانية استخدامه في تطبيقات طويلة الأمد في بيئات ذكية، حيث يتيح المشغلات الذكية دون الحاجة إلى استهلاك طاقة كبير، مما يعزز الاستخدام اليومي لهذا النوع من التكنولوجيا في الأثاث.