Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Sensor Data Prediction in Missile Flight Tests.

Sensors (Basel, Switzerland)·2022
查看所有相关文章

相关实验视频

Updated: Jan 13, 2026

Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision
08:15

Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision

Published on: March 28, 2025

1.2K

基于雷达的手势识别使用自适应的Top-K选择和多流CNN.

Jiseop Park1, Jaejin Jeong1

  • 1Department of Electronic Engineering, Kumoh National Institute of Technology, Gumi-si 39177, Republic of Korea.

Sensors (Basel, Switzerland)
|October 29, 2025
PubMed
概括

这项研究引入了一种基于雷达的新型手势识别系统. 它通过分析手和身体反射来准确识别手势,改善人机交互.

科学领域:

  • 人与计算机的交互 (HCI)
  • 雷达信号处理 雷达信号处理
  • 机器学习 机器学习

背景情况:

  • 物联网 (IoT) 推动了对先进的人与计算机交互 (HCI) 的需求.
  • 毫米波 (mmWave) 频率调制连续波 (FMCW) 雷达为手势识别提供隐私和照明稳定性,超过基于视觉的方法.
  • 现实世界的人机界面 (HMI) 场景涉及手,手臂和干的复杂反射,使手势识别复杂化.

研究的目的:

  • 使用毫米波FMCW雷达开发一个强大的手势识别系统.
  • 为应对HMI环境中手和身体反射共存的挑战.
  • 在现实的环境中提高手势识别的准确性和可靠性.

主要方法:

  • 拟议的自适应Top-K选择预处理方法使用矢量来保存手和身体反射的信息信号.
  • 开发了一个多流效率NetV2架构,集成时间范围和多普勒轨迹.
  • 实施了针对雷达的数据增强和训练优化策略.

主要成果:

  • 在公共FMCW手势数据集上实现了99.5%的平均准确性.
  • 证明有效地捕获和利用手和身体反射信号.
  • 在现实的HMI环境中验证了系统的性能,并进行了复杂的反射.
关键词:
在FMCW雷达.深度学习是一种深度学习.手的手势识别手势识别人与计算机的互动.人机界面 人机界面雷达信号的预处理.

更多相关视频

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

5.3K
Design and Analysis for Fall Detection System Simplification
08:05

Design and Analysis for Fall Detection System Simplification

Published on: April 6, 2020

11.1K

相关实验视频

Last Updated: Jan 13, 2026

Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision
08:15

Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision

Published on: March 28, 2025

1.2K
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

5.3K
Design and Analysis for Fall Detection System Simplification
08:05

Design and Analysis for Fall Detection System Simplification

Published on: April 6, 2020

11.1K

结论:

  • 拟议的自适应TOP-K选择和多流效率NetV2架构使得基于雷达的手势识别能够非常准确和可靠.
  • 这种方法有效地处理现实世界HMI应用中的复杂反射场景.
  • 该系统在不断增长的物联网生态系统中为先进的HCI提供了一个有前途的解决方案.