基于MEMS设备的手势识别通过可穿戴计算
Huihui Wang1, Bo Ru2, Xin Miao2
1School of Intelligence and Electronic Engineering, Dalian Neusoft University of Information, Dalian 116023, China.
Micromachines
|May 27, 2023
概括
这项研究探讨了基于惯性传感器的手势识别,发现随机森林算法最适合静态手势. 一个注意力机制显著提高了动态手势识别准确度,达到98.3%.
科学领域:
- 人与计算机的交互
- 可穿戴技术可穿戴技术
- 机器学习 机器学习
背景情况:
- 手势识别对于VR,医学诊断和机器人技术至关重要.
- 目前的方法包括基于惯性传感器和基于摄像头视觉的方法.
- 光学方法面临着像反射和遮蔽这样的局限性.
研究的目的:
- 使用微型惯性传感器研究静态和动态手势识别.
- 评估用于静态手势识别的机器学习算法.
- 评估隐藏的马尔科夫模型和基于注意力的LSTM,以实现动态手势识别.
主要方法:
- 通过数据手套收集的手势数据,通过Butterworth低通过和规范化进行预处理.
- 使用圆形配件和辅助细分进行磁力计校正,用于数据处理.
- 静态手势识别采用支持向量机 (SVM),反向传播神经网络 (BP),决策树 (DT) 和随机森林 (RF).
- 动态手势识别利用隐藏马尔科夫模型 (HMM) 和双向长期和短期记忆神经网络模型 (Attention-BiLSTM) 的注意偏差机制,与传统的LSTM相比.
主要成果:
- 随机森林实现了对静态手势的最高准确度和最快的识别时间.
- 注意力机制显著提高了动态手势的LSTM模型准确性,在六轴数据集中达到98.3%.
- 分析显示了基于特征数据集的复杂动态手势的准确性差异.
结论:
- 微型惯性传感器为手势识别提供了可行的替代方案,克服了光学限制.
- 随机森林对于静态手势识别任务非常有效.
- 注意力机制大大提高了深度学习模型在动态手势识别中的性能.
