Documente Academic
Documente Profesional
Documente Cultură
profundă în timp
Recunoașterea gestului mâinii a fost aplicată în multe domenii în ultimii ani, cum ar fi
interacțiunea om-computer (HCI), proteze inteligente, dispozitive de reabilitare, virtual simulare,
recunoașterea limbajului semnelor etc. De exemplu, în zona de reabilitare, gestul mâinii poate fi
folosit pentru controlul robotului braț pentru a crește autonomia persoanelor cu nevoi speciale și
dizabilități. Printre toate opțiunile de achiziție de date cum ar fi mănuși și senzori de vedere,
Electromiografia (EMG) este o abordare ușoară a interacțiunii om-computer pentru mână
recunoașterea gesturilor, deoarece nu este afectată de variații de iluminare, poziție și orientare a
mâinii.
Recunoașterea gesturilor de mână bazate pe EMG a devenit una dintre cele mai adecvate
abordări pentru viața asistată și reabilitare. Cu toate acestea, aplicația comercială a EMG este
încă în stadiul incipient. Una dintre problemele majore este acuratețea recunoașterii gesturilor.
Pentru a rezolva această problemă, tehnicile de învățare automată au a fost exploatat pe scară
largă. Cele mai populare clasificatoare utilizate pentru recunoașterea gestului mâinii include
mașină vectorială de sprijin, k-cei mai apropiați vecini (K-NN), arbore de decizie, pădure
aleatorie, analiză liniară discriminantă etc. Deși au făcut-odeja am înregistrat unele progrese,
aceste abordări necesită masiv ingineria manuală a caracteristicilor și performanța recunoașterea
depinde în mare măsură de cantitatea și calitatea caracteristici lucrate manual. Rețea neuronală
profundă, care a fost utilizat pe scară largă în viziunea computerizată și recunoașterea vorbirii,
aprinde o nouă modalitate de recunoaștere a gestului mâinii.
Pentru a detecta în mod eficient modelele din datele EMG pentru mână recunoașterea
gesturilor, o învățare profundă în frecvență de timp cadru este proiectat.
În primul rând, folosim o metodă de analiză timp-frecvență, STFT, pentru a transforma datele de
intrare din seria temporală în domeniu timp-frecvență, astfel încât frecvența care variază în timp
informațiile pot fi bine prezentate. Apoi, proiectăm un CNN multistrat pentru a învăța în mod
inteligent caracteristicile ascunse ale informațiile de frecvență segmentate localizate în timp ale
datelor EMG.