Что это такое?
Импульсная нейросеть для распознавания активности человека по данным с акселерометров и гироскопов, которая экономит энергию.
Проект / Python
zhengnaichuan2022/PAS-Net: PAS-Net — энергоэффективная нейросеть для распознавания активности с носимых датчиков
Позволяет распознавать человеческую активность (ходьба, бег, падение) с датчиков IMU на смартфонах и фитнес-трекерах, тратя в разы меньше энергии.
PAS-Net — это импульсная нейронная сеть (SNN), которая имитирует работу биологического мозга, отправляя редкие «импульсы» вместо постоянных вычислений. Она использует физические законы движения датчиков IMU для предобработки данных, адаптивную топологию и...
Для кого это
Для ML-инженеров и исследователей, которые работают с носимой электроникой, IoT или мобильными приложениями и хотят снизить энергопотребление алгоритмов.
Проблема / задача
Традиционные нейросети для распознавания активности быстро сажают батарею носимых устройств, а существующие энергоэффективные решения часто проигрывают в точности.
Как это работает
PAS-Net — это импульсная нейронная сеть (SNN), которая имитирует работу биологического мозга, отправляя редкие «импульсы» вместо постоянных вычислений. Она использует физические законы движения датчиков IMU для предобработки данных, адаптивную топологию и механизм раннего выхода, чтобы принимать решение, как только накопилось достаточно информации. Это сокращает вычисления на 30–70% без потери точности.
Что видно по README
Это исследовательский код от академической группы, который реализует новую архитектуру PAS-Net для энергоэффективного распознавания активности. В репозитории единый пайплайн для 8 популярных датасетов с IMU-данными, 7 обычных нейросетей (ANN) и 11 импульсных (SNN) для сравнения. Всё на PyTorch и SpikingJelly.
Ключевые возможности
Технологии
Интересный факт
Модель использует «причинную нейромодуляцию» — механизм, который динамически регулирует чувствительность нейронов в зависимости от контекста данных, как это происходит в настоящем мозге.
С чего начать
- Клонировать репозиторий и установить зависимости из requirements.txt
- Вручную скачать 8 датасетов и разложить по папкам в datasets/
- Запустить обучение через train.py с конфигом из ann-config/ или snn-config/
Оценка GitRadar
Удобство
6/10
Свежесть
9/10
Перспектива
8/10
Монетизация
7/10
Общая оценка
7/10
Вердикт GitRadar
Стоит пробовать, если вы исследуете энергоэффективные нейросети для IoT или носимым устройств. Код качественный, но требует ручной загрузки датасетов и настройки. Для продакшена нужна доработка.
Наблюдения по обновлениям
Проект свежий (2024), код структурирован, но активность низкая — 17 звёзд, 0 форков. Типично для академического репозитория.
Что мы проверили
Карточка собрана по данным GitHub, README и структуре репозитория. Это не официальная документация проекта.
- Исходный репозиторий
- https://github.com/zhengnaichuan2022/PAS-Net
- Создан на GitHub
- 15 апреля 2026 г.
- Последнее обновление репо
- 15 апреля 2026 г.
- Последняя проверка GitRadar
- 15 апреля 2026 г.
- Изученные файлы
- ann-model/README.md, README.md, ann-config/README.md, datasets/README.md, requirements.txt, utils/__init__.py
FAQ
Для кого подходит?
Для ML-инженеров и исследователей в области носимой электроники, IoT и энергоэффективного ИИ.
Источники
Нужна помощь с zhengnaichuan2022/PAS-Net?
Если проект подходит под ваш сценарий, можем помочь с установкой, интеграцией, доработкой или аккуратным форком под вашу инфраструктуру.