隨著計(jì)算機(jī)軟硬件技術(shù)的發(fā)展,計(jì)算機(jī)的運(yùn)算能力得到了飛速地提升,如今人機(jī)交互的方式已經(jīng)成為影響計(jì)算機(jī)的發(fā)展的因素之一。近年來涌現(xiàn)了許多新興的交互方式,如語音、眼電、腦電、手勢(shì)等。其中手勢(shì)從古至今都是人類與工具交互的主要方式,它可以帶來更加直觀、自然、有效的交互。因此,關(guān)于手勢(shì)交互的研究對(duì)人機(jī)交互有著重大的意義。目前關(guān)于手勢(shì)交互的研究工作多集中于手勢(shì)識(shí)別算法的研究,而忽視了以用戶為中心的手勢(shì)設(shè)計(jì)方法的研究,這限制了手勢(shì)識(shí)別算法在實(shí)際產(chǎn)品中的應(yīng)用。在手勢(shì)識(shí)別算法的研究中,關(guān)于混合靜態(tài)手勢(shì)和動(dòng)態(tài)手勢(shì)的手勢(shì)集研究較少,而且通常算法使用單一信號(hào)進(jìn)行識(shí)別,這限制了識(shí)別的準(zhǔn)確率。因此本文在使用手勢(shì)控制無人機(jī)操作的場景下,設(shè)計(jì)了以用戶體驗(yàn)為中心的手勢(shì)集,使用肌電傳感器、彎曲傳感器、慣性傳感器和嵌入式電路板構(gòu)建了一套可穿戴手勢(shì)識(shí)別設(shè)備,并基于該可穿戴設(shè)備對(duì)融合肌電信號(hào)、形變信號(hào)和慣性信號(hào)的手勢(shì)識(shí)別算法進(jìn)行研究,最后通過無人機(jī)控制模擬軟件對(duì)可穿戴設(shè)備上的手勢(shì)識(shí)別算法進(jìn)行了驗(yàn)證。本文所做的研究工作如下:1.構(gòu)建了多傳感器融合的可穿戴手勢(shì)識(shí)別設(shè)備。該設(shè)備使用肌電傳感器采集前臂的肌電信號(hào),使用放置在手指處的彎曲傳... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：85 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

不同又佰的識(shí)黔}準(zhǔn)確麥

gaussian表示使用高斯分布作為權(quán)重計(jì)算方式，ours 表示使用本文提出的權(quán)重計(jì)算公式作為權(quán)重計(jì)算公式。從圖4.9中可以看出，在四種權(quán)重計(jì)算方式中，使用同一權(quán)重的識(shí)別準(zhǔn)確率最低，這是因?yàn)閿?shù)據(jù)集中存在一些數(shù)據(jù)點(diǎn)對(duì)分類造成干擾，使用同一權(quán)重將這些干擾數(shù)據(jù)與真正的類別數(shù)據(jù)一視同仁，導(dǎo)致分類的準(zhǔn)確率下降。相比于使用距離反函數(shù)作為權(quán)重，本文使用的權(quán)重計(jì)算公式得到的識(shí)別準(zhǔn)確率整體更高，這是因?yàn)閿?shù)據(jù)集中存在噪聲數(shù)據(jù)，若分類時(shí)計(jì)算出噪聲信號(hào)的距離較近，使用距離反函數(shù)在計(jì)算最終分類結(jié)果時(shí)計(jì)算出噪聲信號(hào)的權(quán)重十分大，容易發(fā)生錯(cuò)誤分類。相比于高斯函數(shù)作為權(quán)重，本文使用的權(quán)重計(jì)算公式更加簡單，且當(dāng) K 8時(shí)

機(jī)的計(jì)算能力越來越強(qiáng)大，國內(nèi)外涌起了關(guān)于深度學(xué)習(xí)的算法可以幫助人們自動(dòng)提取數(shù)據(jù)深層的特征。卷nal Neural Network，CNN）是深度學(xué)習(xí)領(lǐng)域中十分常見的一本識(shí)別、圖像處理和語音識(shí)別領(lǐng)域。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比部連接和權(quán)值共享。CNN 認(rèn)為樣本數(shù)據(jù)點(diǎn)的緊密程度與其據(jù)點(diǎn)相關(guān)性越強(qiáng)，距離越遠(yuǎn)，數(shù)據(jù)點(diǎn)相關(guān)性越弱。在傳統(tǒng)

【參考文獻(xiàn)】：
期刊論文
[1]面向人機(jī)交互的常見桌面手勢(shì)識(shí)別[J]. 朱慶杰,潘航,陳顯軍,湛永松,楊明浩.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(10)
[2]基于多特征組合的動(dòng)態(tài)手勢(shì)識(shí)別[J]. 曹海婷,戎海龍,焦竹青,馬正華.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(06)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別算法[J]. 朱雯文,葉西寧.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[4]人機(jī)交互中的手勢(shì)設(shè)計(jì)原則分析[J]. 婁澤華,殷繼彬.  軟件導(dǎo)刊. 2018(04)
[5]基于表面肌電信號(hào)的肌肉疲勞狀態(tài)分類系統(tǒng)[J]. 曹昂,張珅嘉,劉睿,鄒煉,范賜恩.  計(jì)算機(jī)應(yīng)用. 2018(06)
[6]基于慣性傳感器MPU6050的手勢(shì)識(shí)別方法[J]. 張平,劉祚時(shí).  傳感器與微系統(tǒng). 2018(01)
[7]基于人工神經(jīng)網(wǎng)絡(luò)對(duì)sEMG信號(hào)的手勢(shì)動(dòng)作識(shí)別[J]. 王景芳,施霖.  傳感器與微系統(tǒng). 2017(06)
[8]面向靜態(tài)手勢(shì)識(shí)別的邊緣序列遞歸模型算法[J]. 楊紀(jì)爭,馮筠,卜起榮,劉瀟,韓曉旭,劉曉寧.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2017(04)
[9]基于DTW算法的肌電信號(hào)手勢(shì)識(shí)別方法[J]. 謝小雨,劉喆頡.  計(jì)算機(jī)工程與應(yīng)用. 2018(05)
[10]基于樣本熵的肌電信號(hào)起始點(diǎn)檢測(cè)研究[J]. 成娟,陳勛,彭虎.  電子學(xué)報(bào). 2016(02)

博士論文
[1]基于肌電信號(hào)的人機(jī)接口技術(shù)的研究[D]. 何樂生.東南大學(xué) 2006

碩士論文
[1]基于MYO臂環(huán)的假肢手控制技術(shù)研究[D]. 王朋.上海師范大學(xué) 2017
[2]表面肌電信號(hào)模式識(shí)別及其運(yùn)動(dòng)分析[D]. 張莉.吉林大學(xué) 2013



本文編號(hào)：3036235