通过手腕穿戴的感应来进行手势识别的通用跨领域框架
IEEE journal of biomedical and health informatics
|March 3, 2025
概括
这项研究引入了一个新的框架,用于使用可穿戴传感器准确的细粒度手势识别. 它确定了跨领域应用的最佳转移学习比率 (6.1% - 9.0%),增强了人机交互.
科学领域:
- 人与计算机的交互
- 可穿戴式传感技术的技术
- 机器学习用于手势识别
背景情况:
- 手腕戴式传感器的域移动挑战跨域的手势识别.
- 自然和方便的人与计算机的交互依赖于有效的手势识别.
研究的目的:
- 提出一个通用的跨领域框架,用于使用单站点手腕穿戴传感器进行细粒度的手势识别.
- 调查最佳的微调策略,并分析跨领域机制.
- 为了确定手势识别中的准确性和计算成本之间的权衡.
主要方法:
- 开发了一个多分支网络,包含特征级多式联络融合和多式联络交互.
- 构建了一个多式联络数据集,包含15种静态手势和18种动态手势.
- 评估了跨会话,跨主题,跨手势和跨模式的五种微调策略.
主要成果:
- 跨领域范式的最佳转移学习比率从6.1%到9.0%不等,聚集在9.0%左右.
- 确定了对选择最佳微调策略和理解跨领域机制的有价值的见解.
- 在现实世界的场景中展示了实时在线手势识别系统的可行性.
结论:
- 拟议的框架和多分支网络有效地解决了细粒度的手势识别领域的转变.
- 这项研究为各种跨领域场景中的最佳转移学习比率提供了参考.
- 该研究验证了手腕穿戴单位传感器在先进的手势识别应用中的潜力.
