通过阻抗信号分析增强机器学习的手势识别
Hoang Nhut Huynh1,2, Quoc Tuan Nguyen Diep1,2, Minh Quan Cao Dinh1,2
1Laboratory of Laser Technology, Ho Chi Minh City University of Technology (HCMUT), Ho Chi Minh City 72409, Vietnam.
Journal of electrical bioimpedance
|June 12, 2024
概括
本研究引入了一种使用阻抗信号光谱分析 (ISSA) 和机器学习进行手势识别的新方法. 该方法实现了高精度,显示了虚拟现实和医疗保健应用的前景.
科学领域:
- 人与计算机的互动.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 手势识别对于虚拟现实,医疗保健和人机交互至关重要.
- 目前的方法需要提高精度,以满足日益增长的需求.
- 需要创新的方法来提高准确性和稳定性.
研究的目的:
- 提出一种新的方法,将阻抗信号频谱分析 (ISSA) 与机器学习相结合,以提高手势识别精度.
- 使用ISSA功能评估各种机器学习算法的性能.
- 证明拟议方法论的稳定性和适应性.
主要方法:
- 从五名参与者那里收集了各种各样的预定义手势数据集.
- 使用阻抗信号频谱分析 (ISSA) 来提取相关特征.
- 机器学习算法包括KNN,GBM,NB,LR,RF和SVM用于分类.
主要成果:
- 机器学习模型在手势识别方面表现出了显著的精度.
- 后勤回归 (LR) 实现了89%的最高准确率.
- 其他算法如KNN和GBM的准确率达到了86%,RF和SVM的准确率达到了87%,NB的准确率达到了84%.
结论:
- 阻抗特征对于完善手势识别准确度至关重要.
- 通过ISSA增强的机器学习模型显示了各种应用的巨大潜力.
- 该模型在不同条件下的适应性凸显了其广泛的适用性.
