可穿戴健康設備在實時生物醫學信號處理方面有著廣泛的需求。然而，傳統方法通常需要在從邊緣設備收集數據后，將其傳輸到具有強大計算資源的中央處理單元進行處理。神經形態計算是一個新興領域，它旨在設計受人類大腦結構、功能和動態啟發的專用硬件計算系統，在延遲和功耗方面具有顯著優勢。本文探討了一種新穎的神經形態實現方法，通過事件驅動的方式從表面肌電圖（sEMG）數據中提取時空脈沖信息來進行手勢識別。同時，該網絡采用了名為“旋轉神經元存儲器”（RNR）的簡單結構且適用于硬件的物理存儲計算（PRC）框架，該框架基于脈沖神經網絡（SNN）實現。這種基于脈沖的RNR（sRNR）有望為緊湊型嵌入式可穿戴系統提供一種創新的解決方案，實現直接在傳感器級別的低延遲實時處理。所提出的系統通過一個開放訪問的大規模sEMG數據庫進行了驗證，使用傳統的機器學習分類器和delta學習規則算法分別達到了74.6%和80.3%的平均分類準確率。雖然delta學習規則可以完全基于脈沖信號并在神經形態芯片上實現，但所提出的手勢識別系統展示了在接近傳感器的位置進行低延遲處理的潛力。