深度学习辅助的部落电传感器用于复杂的手势识别
Ping Zhang1, Weimeng Pan1, Zhihao Li1
1School of Electrical and Information Engineering, Tianjin University, Tianjin 300072, P. R. China.
ACS omega
|March 17, 2025
概括
这项研究介绍了一种人工智能驱动的手势识别系统,使用灵活的 triboelectric 传感器环和深度学习. 该创新系统在12个手势中达到95%以上的准确性,推进了自动供电传感器技术.
科学领域:
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
- 传感器技术 传感器技术
背景情况:
- 随着物联网和5G发展的推动,对自动供电,灵活的传感器的需求日益增长.
- 当前传感器在灵活性,能源效率和非接触式手势识别准确度方面的局限性.
- 在人机交互和可穿戴技术方面需要先进的传感器解决方案.
研究的目的:
- 开发一种基于人工智能的手势识别系统,利用 triboelectric 传感器技术.
- 解决现有传感器在灵活性,能源效率和精度方面的局限性.
- 为了证明 triboelectric 传感器在先进的人机交互方面的潜力.
主要方法:
- 一个带电传感器环与Arduino信号处理模块和深度学习模块的集成.
- Arduino使用集成电路直接读取 triboelectric 信号,以保持信号完整性.
- 应用一维卷积神经网络 (CNN) 用于手势分类.
主要成果:
- 该系统成功地处理了微控制器输入范围内的 triboelectric 信号.
- 在识别12种不同的手势方面,实现了超过95%的准确率.
- 证明了使用 triboelectric 传感器用于准确的手势识别的可行性.
结论:
- 拟议的基于人工智能的系统为自动供电,灵活的手势识别提供了一个有希望的解决方案.
- 与深度学习集成的三电传感器显示了可穿戴技术和人机交互的巨大潜力.
- 这项技术在各种应用中提升了非接触式手势传感的能力.
