基于卷积神经网络的手势识别 - 双向长期短期记忆网络,用于带有多壁碳纳米管/棉织物材料的可穿戴手腕传感器

科学领域:

• 材料科学 材料科学 材料科学
• 可穿戴技术可穿戴技术
• 生物医学工程 生物医学工程

背景情况:

• 灵活的压力传感器对于人类运动检测和人机交互至关重要.
• 现有的传感器在灵敏度,响应时间和长期稳定性方面经常面临挑战.
• 开发强大而灵敏的灵活传感器是先进可穿戴应用的关键.

研究的目的:

• 提出并制造一种具有增强性能的新型灵活压力传感器单元.
• 将传感器单元集成到可穿戴的腕带中,用于手势识别.
• 开发和验证用于准确的手势分类的深度学习模型.

主要方法:

• 使用多壁碳纳米管 (MWCNT) /棉布 (CF) 通过浸泡涂层制造灵活的压力传感器单元.
• 将六个传感器单元集成到一个稳定,可穿戴的腕带中.
• 时间序列信号的集合,用于手腕,字母和手势语言的手势.
• 结合卷积神经网络 (CNN) 和双向长短期记忆 (BiLSTM) 的融合网络模型的构建 - CNN-BiLSTM.

主要成果:

• 拟议的MWCNT/CF传感器具有高灵敏度 (2.242 kPa-1),快速响应 (80 ms) 和稳定性 (1000 个周期).
• 可穿戴的手腕传感器准确地识别了7个手腕手势 (99.40%),5个字母手势 (95.00%) 和8个手势语言手势 (98.44%).
• 使用CNN-BiLSTM模型,对20个手势组合的识别精度达到96.88%.

结论:

• 开发的灵活压力传感器在可穿戴应用中表现出卓越的性能特性.
• CNN-BiLSTM模型提供了一种强大而有效的方法,用于从传感器数据中识别各种手势.
• 这一集成系统显示了先进的人机交互和运动监控的巨大潜力.