基于GMM-HMM的眼动分类,用于高效和直观的动态人机交互系统
Jiacheng Xie1, Rongfeng Chen1, Ziming Liu1
1Department of Precision Machinery and Precision Instrumentation, University of Science and Technology of China, Hefei 230027, China; jc_xie@mail.ustc.edu.cn (J.X.); crf0114@mail.ustc.edu.cn (R.C.); lzm1224@mail.ustc.edu.cn (Z.L.); jh152728@mail.ustc.edu.cn (J.Z.).
Journal of eye movement research
|July 25, 2025
概括
这项研究引入了一种新的算法,用于在辅助机器人手臂 (ARA) 中实时分类眼动. 该GMM-HMM模型提高了人机交互的准确性和速度.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人与计算机的交互
- 生物医学工程 生物医学工程
背景情况:
- 眼睛跟踪技术增强了人工机器人互动 (HCI) 的辅助机器人手臂 (ARA).
- 目前依赖视线的方法存在"Midas Touch"问题,限制了动态控制.
- 实时眼动分类对于高效准确的人机交互至关重要.
研究的目的:
- 提出一个新的高斯混合模型-隐藏马尔科夫模型 (GMM-HMM) 分类算法.
- 在动态的人机交互中克服传统方法的局限性.
- 提高辅助机器人系统的直观性和效率.
主要方法:
- 开发了一个GMM-HMM分类算法,用于实时分析眼动.
- 包含基于二次误差 (SSE) 的特征提取和层次训练的总和.
- 将算法与辅助机器人臂集成,用于基于视线轨迹的路径规划.
主要成果:
- 获得了94.39%的分类准确率,显著超过现有方法.
- 将平均路径规划时间缩短到2.97毫秒.
- 在动态的人机交互场景中展示了有效和直观的控制.
结论:
- 拟议的GMM-HMM算法为动态的人机交互提供了一个高效和直观的解决方案.
- 这种方法提高了辅助机器人系统的性能.
- 为复杂的现实应用提供了HCI未来进步的坚实框架.
更多相关视频
07:26Characterizing the Relationship Between Eye Movement Parameters and Cognitive Functions in Non-demented Parkinson's Disease Patients with Eye Tracking
Published on: September 26, 2019
8.0K
08:15Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision
Published on: March 28, 2025
746