Badacze opracowali lekkę metodę Neural Architecture Search, która może być wykonywana bezpośrednio na urządzeniach brzegowych, takich jak Raspberry Pi 4, bez potrzeby wysyłania danych do chmury. To podejście umożliwia znalezienie najlepszej architekektury sieci neuronowej dla konkretnego użytkownika i konkretnych danych sensorycznych, czego dokonuje się na samym urządzeniu w ciągu sekund.
Rozwiązanie zostało przetestowane na dwóch zbiorach danych: Language Sign Language (ISL) zawierającym sygnały sEMG z gestów alfabetu włoskiego oraz benchmarku Case Western Reserve University (CWRU) stosowanym w diagnostyce usterek. Na Raspberry Pi 4 zaproponowana metoda osiągnęła 5,96 punktu procentowego wyższą dokładność przy 0,63 raza mniejszym zużyciu pamięci RAM w stosunku do istniejących rozwiązań dla zbioru ISL, a dla CWRU uzyskała 0,2 punktu procentowego wyższą dokładność przy 0,44 raza mniejszym zużyciu RAM.
To podejście otwiera nowe możliwości dla urządzeń ubieralnych i interfejsów biometrycznych, gdzie każdy użytkownik może mieć spersonalizowaną sieć neuronową automatycznie dostrojoną do swoich indywidualnych charakterystyk biologicznych. Zamiast stosowania jednej uniwersalnej sieci dla wszystkich, system może się adapt każdorazowo, co szczególnie ważne w aplikacjach medycznych i kontroli protez, gdzie różne osoby mają różne cechy mierzone sensorami.