在移动设备中优化回声状态网络以实现连续的手势识别:一项比较研究

科学领域:

• 机器学习 机器学习
• 人与计算机的交互
• 信号处理 信号处理

背景情况:

• 持续的手势识别通过解释智能手机惯性测量单位 (IMU) 捕获的人类运动来增强人机交互.
• 回声状态网络 (ESN) 是经常性神经网络,非常适合进行时间序列预测,因为它们能够产生复杂的非线性动态.
• 对于手势识别的ESN的应用仍然未被充分探索,尽管它们在捕捉移动数据中的时间依赖性方面具有潜力.

研究的目的:

• 提高ESN模型在移动设备上的持续手势识别的有效性.
• 研究各种模型结构,超参数调整和培训方法对ESN性能的影响.
• 在使用Leave-one-out交叉验证 (LOOCV) 的不同数据可用性场景下评估ESN.

主要方法:

• 探索各种ESN模型结构和优化超参数.
• 使用LOOCV协议实施了三项培训计划,以模拟不同的数据可用性水平.
• 使用内存容量,内核排名和泛化排名进行行为空间分析,以评估模型属性.

主要成果:

• 在使用LOOCV.的不同数据可用性场景 (0.89,0.96,0.99) 中实现了高性能得分.
• 在手势识别准确度方面表现优于长期短期记忆 (LSTM) 模型 (0.87分).
• 证明了ESN的培训时间显著缩短 (约. 13秒) 与LSTM (63秒) 相比.

结论:

• 优化的ESN模型在移动设备上的连续手势识别方面实现了高性能,即使数据有限.
• 在手势识别任务中,ESN为LSTM提供了实用和高效的替代方案,增强了人机交互.
• 这些发现强调了ESN在需要强大和快速的手势解释的现实应用中的潜力.