手臂动作识别和运动训练系统为远程交互

文摘

手臂运动识别及其相关应用已经成为一种很有前途的人机交互模式由于在现代移动电话数字传感器的快速集成。我们实现的移动手臂动作识别和运动训练系统,可以帮助人们拿着手机随时随地锻炼身体,尤其是对的人非常有限的业余时间和不断穿越城市。我们第一次设计改进的k - means算法聚类人行为的收集使用硬件加速和陀螺仪数据为基本动作。基于隐马尔可夫模型的学习方法是用来分类和识别连续手臂动作的学习者和教练,也措施操作人员之间的相似之处。我们MIUI 2 s手机上实现系统和评价系统性能及其识别的准确性。

1。介绍

人类手臂的运动起着重要的作用,不仅在操纵对象,而且在与他人互动1,2),通常作为日常交流的交互方法(3]。手臂运动,从而结合手势识别,被广泛地应用在很多情况下,比如电脑游戏,机械控制和全面的鼠标更换(4]。因此,有识别能力的手臂运动的智能设备可以极大地帮助人们提高生活质量,创造许多可能的交互式应用程序,如远程运动教练。

由于低成本和出色的无线传感和通信能力([5])的现代传感器和智能手机,智能手机利用无线通信资源实现手臂动作的识别和远程人工交互已经成为增加的趋势在移动普适计算、光和灵活的交互平台,它提供了一个远程人与人之间的相互作用,特别是对于那些忙碌的人业余时间非常有限。

手臂运动识别通过传感器和应用技术已被广泛研究。的传感器、加速度计、陀螺仪、射频识别发射器,无线WiFi,蓝牙模块。应用方法(6,7)用于获取手臂运动通过摄像机的图像,提取字符,执行的操作和分析。隐马尔可夫模型(摘要)及其变种(3,8,9)和动态贝叶斯网络(10)算法用于实现识别的准确性。一些商业工具和系统也实现手臂动作和手势识别等Xbox,Kinect,手势看(11],RisQ [12),和LVQ (13),经常使用昂贵的设备(例如,hand-worn手表,腕带,和数据手套),而很少关注其广泛的适用性。

一般来说,现有的手臂运动识别方法受到以下限制。首先,基于传感器和应用程序/方法,建立额外的基础设施如射频识别发射器和立体相机需要部署在周围的环境中,不需要额外的硬件费用,使系统适用于需要锻炼的人经常旅游城市之间随时随地与光便携设备。第二,当前系统和方法主要关注单臂运动识别的,而很少关注识别连续操作。第三,当前的手臂运动识别方法假定人之间的交互是只执行本地和他们忽视考虑的方法促进远程人际互动的人在不同的地方(可能是非常有用的那些人经常穿越不同的城市)。

解决上述限制,不需要任何昂贵的额外的设备,我们实现了一个光的移动手臂运动识别系统称为AMRECS在3 d环境中灵活,可以使用的人不断地穿越城市。我们说明了系统图1。假设Alice是一个瑜伽教练,他建立了一个培训课程杭州城市,和鲍勃是一个学习者。现在,鲍勃是他出差上海城市,同时爱丽丝是教其他学生在杭州。鲍勃会在酒店和业余时间他想学瑜伽从爱丽丝,按照教学进度。我们AMRECS系统可以帮助鲍勃做这事。在AMRECS, Alice和Bob只需要运行AMRECS应用在他们的手机在他们手中。

在教学过程中,爱丽丝的行为将被加速度计和陀螺仪传感器嵌入到智能手机并通过WiFi转移到远程的后端服务器。在接收数据时,后端服务器运行k-mean方法的行为划分为集群和一个HMM-based方法认识到手臂动作的运动曲线和生成教练,爱丽丝。教练的行动将通过网络传输并显示在鲍勃的iPad。然后,鲍勃,学生做同样的动作根据教练的运动跟踪显示在他的iPad,和他的行为也通过互联网传递给后端服务器,然后学生和教练之间的相似性的行动也是衡量服务器。这样,Bob可以立即知道他的行为的正确性,学的更好。

然而,当设计和实现这样一个光的移动手臂运动识别系统,需要解决的一些技术挑战。首先,由于噪声的存在,在加速度计和陀螺仪传感器,手臂运动跟踪收到的数据可能被打扰,可能偏离真正的行动。第二,我们需要区分的起点终点的行动在三维(3 d)环境没有任何存在的标准参照坐标。第三,缺乏有效的方法进行相似性比较人的行动的痕迹在3 d环境中。

处理这些技术的挑战,我们建立一个基本的手臂运动库和人的行为划分为设计一种改进的一组基本操作k-mean方法。我们还提出了一个手臂运动HMM-based算法识别和测量之间的动作相似教练和他/她的学生。最后,我们实现了系统在手机和评估其有效性和灵活性。

本文的其余部分组织如下。我们将讨论相关工作2。部分3提出了消除噪声的算法,手臂动作识别,本节和相似性比较。中给出了系统架构部分4我们进行实验来评估系统的部分5。最后,我们得出本文的部分6。

2。相关工作

手臂动作识别,特别是在智能环境的背景下,一直是一个重要的研究课题。根据信息采集模式的输入设备(14),它可以大致分为两类:应用识别和传感器识别。一般来说,人机交互应用识别已经被广泛的研究,通常采用一个或多个摄像机捕获和识别的手臂运动跟踪;请参考文献[10,15- - - - - -19为更多的细节。基于传感器识别(20.)使用不同的传感器(例如,加速度计(21),陀螺仪(22),和穿在身上的传感器23,24])感知位置和姿态数据,并将数据转化为坐标和角度。考虑到我们目前的工作,我们专注于先进的传感器识别方法的讨论。

直到现在,有几个motion-sensor-based应用程序和基于传感器的手势识别系统,如任天堂Wii遥控器(25,26),数据手套,穿在身上传感器系统(例如,手表(27- - - - - -32]),基于rfid系统(33]。越来越多的研究者嵌入式环境用不同类型的传感器,如穿在身上加速计和RFID标签,探测、收集,认识到人类的手臂活动(34]。

Schlomer et al。35使用一个任天堂Wii遥控器控制器和一个隐藏的马尔可夫模型进行训练和识别user-chosen手臂运动,以便人员与系统进行交互。

手数据手套是一种电子设备配备传感器,感知手的动作。基于数据手套的运动被用于信号语言处理和培训。例如,Kumar et al。36)使用数据手套手使绘画和air-write字符更实时环境和减少复杂性。

Garcia-Ceja et al。27]从手表使用加速度数据,以确定长期、复杂的活动,比如烹饪,运动,服药。

作者在28)开发了一个游泳运动员游泳运动显示系统的培训使用wristwatch-style加速度和陀螺传感器装置,由传感器和软件。传感单元,连接到游泳者的手腕,措施和记录triaxis加速度和角速度的游泳训练期间中风;软件重构了游泳运动的测量结果从传感单元和显示估计流体受力游泳者的手和前臂。

Kratz et al。29日]提供了一个准确、高效的方法,改善了手臂运动检测和分类,使运动输入arm-worn惯性传感器更实用。

Fortmann et al。30.]显示LightWatch,耐磨光显示集成到一个常见的模拟手表没有干扰手表本身的功能;应当提高身体意识使传感器测量、调整,并显示用户的个人发挥水平。

在文献[31日),作者报道了一个实时监测和报警系统,“Mobilecare监控”,结合无线wristwatch-based监测系统对老年人的健康监测。

Daisuke et al。32]提供了一个运动构件photoplethysmography手表类型传感器的补偿方法来减少工件获得传感器的日常保健监测和运动。

陆et al。37)实现一种方法实现集约使用自然手势操作的虚拟对象。公园等。23]E-Gesture系统实现手势识别在hand-worn传感器设备,实现高精度动态移动的情况下识别。

发现零星发生的手臂动作的一种方法,在一个连续的数据流从穿在身上惯性传感器提出了破车等。24]。

基于rfid的方法也提出了手臂运动识别。例如,Asadzadeh et al。33]提出使用多假设跟踪和标记数信息跟踪无源RFID标签的运动模式,可以用来识别手势,并使RFID芯片的环境与应用程序交互。

Krigslund et al。38)提出一个新方法估计和跟踪标签定位在3 d完全基于标签应答的物理特性,使用多个阅读器天线分布在审讯区。

然而,当前的方法可能不适用于远程培训的场景光线移动电话讨论。例如,传感器系统和方法主要关注本地人机交互而很少考虑人与人之间远程交互场景。基于rfid系统通常需要部署静态数据收发站(33,38,39)和用户需要携带射频识别标签,使这种方法不仅适用于商人在不同的城市旅行他们携带便携式设备。

在这篇文章中,我们实现一个光的移动系统运动教练,而不需要任何额外的静态和昂贵的设备,它可以帮助用户与手机和便携式设备。我们还展示了学习者之间的相似性比较算法和教练在嘈杂的环境中,以帮助学习者进行远程学习和纠正他们的行为。

3所示。系统框架

我们首先定义基本的手势,然后说明如何在嘈杂的环境中执行数据预处理和平滑。接下来,一个k-mean对聚类算法手势分为基本动作组。最后,一个HMM-based算法手臂动作识别和测量行动学习者之间的相似性和他的教练。

3.1。基本的手臂动作和数据平滑

快速捕获的手臂动作的识别,我们定义八种基本动作的运动库,在表所示1。每个手臂运动可以被定义为一个序列的八个基本动作。例如,horizontal-to-up运动可以定义的三个基本动作序列,即“”、“”和“”。如果每个离散基本动作可以区别连续的行动跟踪,我们可以识别并推导出手臂动作。

可能存在信号噪声或陀螺仪的积累误差传感器嵌入到手机所捕获的数据,我们需要进行数据预处理,平滑滤波器的信号噪声,保证数据质量。我们使用Savitzky-Golay过滤器(SG-filter) [40)进行数据预处理,平滑,不扭曲市场的情况下提高信噪比的信号。

连续运动,我们可以将它分解成几个离散的基本运动的时间序列数据采集,因此加速度值对应于我们获得在每个方向的运动与时间序列;也就是说,它们是相关的序列号在每个方向的数据采集。因此,我们顺利获得的数据在每一个方向来降低计算的复杂性。

考虑采样点,我们表示一组值的使用硬件加速,参考的加速度值取样点的x- - - - - -,y- - - - - -,z分别设在。假设是一组在所有的采样点,我们可以构造一个阶多项式函数修复(41),,,代表阶多项式函数在每个方向- - - - - -,- - - - - -,设在。采取作为一个例子,的拟合函数设在方向的采样点,可以的 在哪里拟合系数,是采样序列。

错误可以衡量

的最小值,它将

我们可以获得

特定的价值和n,拟合数据可以很容易地获得。我们现在可以计算系数的值,也会有。类似地,我们可以使用相同的方法,,。

一个例子是显示在图2平滑的一组连续的动作。在这个例子中,教练让她的手臂自然下垂,整理了一下她的手臂和她的身体,电梯到她的头顶,然后回到起点慢慢沿着相同的路线。我们样品和光滑离散数据获得的加速计。平滑的结果如图2。

从图2(一个),我们观察到使用SG-filter可以实现令人兴奋的平滑效应,也就是说,消除一些嘈杂的数据后,聚会,离散数据大多位于或接近平滑曲线。

显式地从图2 (b)显示陀螺仪的分布数据,我们发现的行为””和“”可以明确区分如果我们知道提前开始点和结束点,成为用来获取运动方向和痕迹。结合使用硬件加速信息,观察状态和连续的动作可以被识别。

3.2。聚类算法

我们使用平滑数据作为输入数据的坐标和设计一种改进的k-mean聚类算法分类使用硬件加速值的随机运动到这八种基本类型。的本质k-mean的目的是通过迭代逐步求精,这是非常适用于我们的手臂运动识别。作为讨论的想法k - means超出了本文的范围,有兴趣的读者可以参考(42]。所示的算法是算法1。

在算法1,我们规定垂直向下的硬件协调的教练代表初始参考价值和使用标准的重力加速度的单位签署“−”表示的坐标向下运动的痕迹。我们首先要确定根据这八种基本运动初始集群。第二,步骤所示和步骤我们对于每一个坐标,计算每个重心的距离,然后将其分配给最近的集群。第三,我们更新当前集群的新的重心。所有新的重心,如果当前的重心和新的重心之间的距离小于或等于阈值,我们将输出所有的重心。

例如,我们使用这个算法应对二十组使用硬件加速和陀螺仪数据与每组有ten-element tuple(加速度、陀螺仪)代表8基本动作(即。“加速度”捕获的硬件加速协调运动和“陀螺”感知运动方向信息)。

表2显示了获得硬件基础坐标序列的八个基本动作使用聚类算法。使用硬件加速协调和陀螺仪数据,我们识别一组连续的动作,获得运动跟踪。

图3显示了两个连续的运动序列的聚类结果。我们将两组连续动作,直到(如图3(一个)并由(如图)运动3 (b))运动。的运动表示,教练提出了她的右胳膊从一个垂直向下的位置到她的头和由运动意味着她以同样的方式提出了她的左臂。考虑到可能存在的误差,我们使用坐标运动””作为标准参考价值和每一块数据是校准用归一化法22]。

3.3。运动识别

我们使用HMM方法(43)完成手臂运动识别,其优势在人类行为的运动识别模型方法的随机过程8]。它定义了一组有限的州都被关联到一个多维概率分布(44]。我们定义的元素一个HMM方法如下。这八种基本运动被视为隐藏的符号和观察符号是由隐藏的状态。我们使用表示数量的观察状态。一个隐藏的象征用与和(是输出观测符号序列的长度)。是隐藏的状态数。一组状态转移概率矩阵是 在哪里意味着状态转移概率的状态在时间州在时间(),表示当前隐藏的象征,满足的条件和。

让是一个概率分布矩阵之间隐藏的状态和观察观察符号的概率在时间和实际的状态。它认为, 与和

让表示初始状态分布的集合。我们现在可以定义了嗯。

3.3.1。满足条件

在识别的过程中单个或连续动作,我们发现识别过程满足马尔可夫属性,因为下一个状态的行动总是依赖于当前状态。例如,如果当前的运动”:“下一个状态的运动只会是“”或“为两个国家。”和时刻和,我们可以得到 让观察符号序列被观察的象征;我们得到

我们使用前面的聚类结果和观察符号信息获取隐藏的符号序列。我们计算条件概率通过 在哪里表示所有可能的隐藏的符号的全排列和表示一个可能的协议序列的基本运动在我们的系统。

然而,随着计算(9)需要较高的时间复杂度,我们使用一个迭代递归方法来减少复杂性和定义输出概率。它认为, 和。现在,我们可以计算由(10),获得。

最后,我们将找出最可能的隐藏的符号序列。让是最可能的路径的概率的象征。最大程度的概率在时间是 它有 在哪里。

3.4。相似性比较

相同的运动由不同的个体可能看起来非常不同的由于不同高度和手臂的长度。例如,当一个高大的人扶起他的手臂,这可能会导致一个长时间的运动跟踪,一个小的人可能会导致一个简短的痕迹。应对这种情况,我们提出一个相似度比较算法支持锻炼指导,消除差异带来的影响人的身高和臂长。

之前我们开始测量和比较运动相似性教练和她的学生,我们应该确保他们正在向同一方向同时,“向上”或“向下”,这可能是收购了陀螺仪的数据来判断,结合已知的开始点和结束点的位置。然后我们计算的曲率运动路径,在设定的时间点,以离散测量它们的相似性。是计算 在哪里,()是加快协调时间与和第一,二阶导数,分别。

所示的算法1测量程度的相似性,我们首先需要规范化的初始坐标教练和学生同样的位置(位置本文中使用)。和是用来表示曲线的曲率的教练和学生的时间吗,分别。然后我们使用广场之间的区别和计算在时间。在获得最大值(例如,)和最小值(即,从组),我们正常和计算的相似程度两条曲线之间,衡量的准确性偏离教练的学生的行动。这种算法是由算法2。

4所示。系统架构

在本节中,我们提出了系统体系结构和它的组件。如图4,我们的系统AMRECS包含三个部分,智能手机对于数据采集和传输,服务器的手臂动作识别和相似性比较,和平板电脑显示动作练习。在这个图中,我们使用“祝福”表示蓝牙低能量4.0模块。

我们获得使用硬件加速协调硬件和定位数据的加速度计和陀螺仪传感器在智能手机。其内置BLE 4.0和WiFi也用于连接与远程的后端服务器。

大部分的计算负担必须转移到后端服务器由于其强大的处理能力45]。我们的后端服务器的主要功能是接收数据从远程智能手机,执行机构动作识别和相似性比较,与远程平板电脑和交流。后端服务器在我们的系统中还存储提前指导视频指导和纠正学生的行为。

5。绩效评估

在本节中,我们首先呈现实验场景,然后HMM-based识别方法进行实验。我们也评价相似度比较算法的效率。

5.1。实验场景

我们获得使用硬件加速的坐标和方向的数据通过使用硬件MEMS加速度计,使用硬件MEMS陀螺仪,和BLE 4.0通信模块嵌入在一个MIUI 2 s智能手机安卓平台,由其无线连接到远程服务器模块和BLE 4.0无线通信模块主要是用于与垫和收集的数据转移到板。

手臂动作识别的系统,手臂运动痕迹一代,和比较后端服务器上(联想M6900工作站2 GB内存和英特尔酷睿双核处理器)是在Java中实现的。

我们两个遥远的房间里进行的实验(称为房间A和B)与他们的距离超过100英里。后端服务器部署在房间一段时间两个三星垫作为显示终端两个房间。两个志愿者参加了我们的实验,一个扮演教练的角色在一个房间,另一个扮演学习者房间b两个志愿者移动终端遵循同样的路线。我们首先获得教练的八个离散基本动作训练样本。训练后,教练是一组连续的动作和相应的数据将被发送到后端服务器进行处理。

学生手表和跟随教练的行动在他的房间。学习者和教练的行为相比,他们的相似性将测量的程度。服务器将立即告知学习者是否他的行动现在是正确的。

5.2。数据采集

我们结合内置加速计LIS3DH(图5(一个)与陀螺仪L3G4D200DH(图)5 (b))模块MIUI 2 s智能手机来实现硬件加速速度和陀螺仪角数据采集。此外,嵌入式BLE 4.0和无线通信模块负责与显示终端和后台服务器建立连接,分别。考虑到自我背离的加速度计和陀螺仪传感器,用于数据的卡尔曼滤波方法修正。android MIUI 2 s智能手机是基于APQ8064四核处理器,拥有16 KB闪存和2 GB RAM和嵌入式硬件加速计LIS3DH和硬件陀螺仪L3G4D200DH。LIS3DH动态用户选择完整的尺度 ,它能够测量加速度输出数据从1赫兹到5 KHz。L3G4D200DH是低功耗硬件角速率传感器和全面的dps。

传感器的伪代码初始化和数据采集伪代码所示1。初始化包括之间的通信波特率设置MIUI 2 s和两个传感器;在这里,我们设置波特率为38400个基点;确定LIS3DH的满刻度范围,L3G4D200DH分别250 dps。一些重要参数,如加速度计和陀螺仪的零偏校正值,定义。

MIUI之间建立通信连接后2 s和两个传感器组的数据包括使用硬件加速值()和硬件角率(采样和转移到MIUI 2 s处理器然后到后端服务器通过无线模块。LIS3DH使用单独的证据质量为每个轴,沿着一个特定轴加速度引起的位移相应质量证明,和电容传感器检测位移不同。当MIUI 2 s是放在一个平面上,它将测量在- - -相互重合,在设在。然后校准加速度计的比例因子,名义上独立于电源电压。当L3G4D200DH任何意义上的轴旋转,三个独立的振动陀螺仪检测旋转的- - - - - -,- - - - - -,相互重合;科里奥利效应会导致一个由电容传感器检测到的振动。由此产生的信号放大、解调和过滤产生一个角速率成正比的电压。这个电压是数字化使用单个芯片上的16位数模转换器(adc)样本每个轴。

5.3。HMM-Based识别实验

我们进行实验的手臂运动识别的硬件加速和陀螺仪样品每一秒连续通过改变流动情况下,即“”””””””””,如图6。坐标轴代表的基本动作,隐藏的符号,用数字“1”“2”,“8。”The red dotted arrows represents the action route. For example, one action route in the experiment is the path of motion “3”“7”“1”“5”“4”,暂停一段时间后,运动“4”“5”,“4”了。最后返回初始位置“3。“我们做同样的实验10次。“①”“⑩”状态转换过程从一个运动到另一个,和“我”“四”是观察符号,由基本的运动。

首先,我们有10组志愿者,每组样本数据由14-motion过渡包括使用硬件加速和陀螺仪。数据训练和用于查找下一个最可能的运动,可能会做志愿者。我们可以判断哪些观测符号它属于和记录的状态序列。因此,我们可以计算出状态转移概率矩阵和概率分布矩阵B。

训练后,我们可以根据状态估计观察符号序列和使用和找到隐藏的符号序列的最大概率,也就是连续的运动路径,我们想要识别和表所示3。实验结果见表3,我们可以看到,只有第二个符号,其中隐藏的符号应该是“7”是十四估计判断失误,和识别的准确性为92.8%。

5.4。相似性比较

旨在找出相似性比较的程度行动教练和学习者之间的一致性。我们构建三个实验场景来评估我们的AMRECS系统。第一个实验场景表明,学习者的具体行动像教练一样。在第二个实验场景中,学习者的行为大多是与教练的一致。在第三个实验中,精简未能正确地模仿教练的行为。

数据7和8的抽样数据,由教练和学习者的左手,分别。对于第一个场景,我们发现他们的行动是一致的痕迹。

图7(一)表明,学习者是瑜伽教练的行动””到“用他的左手”。图7 (b)显示相应的两个人之间的相似度。我们可以发现,存在一些不同的曲率趋势在相应的位置(用黑色虚线标记),这表明,学习者可以改善或纠正他的行为在这些位置。整个计算相似度两个动作之间的曲线由学生和他的教练。图8(一个)表明这个人的行为通过使用他的右手和相应的相似度如图是哪一个8 (b)。

图9讨论第二个实验场景中,哪个教练下一组连续的动作从“”到““当学习者用右手做同样的动作水平伸出并形成45^∘角与他的身体。图9 (b)表明,学习者的行为并不完全符合教练的锻炼。通过这种方式,相似度仅为65.23%。

最后,我们设计两个不同组的操作由学习者和教练,分别。这个场景图所示10。在这个场景中,我们想要测试我们的方法是否能找到运动大大偏离了教练的动作。通过这种方式,我们让学生做的一组动作,这是不同于教练的,然后我们观察到学生的运动远不同于教练的。相似度大大降低。

6。结论和未来的工作

在本文中,我们提出一个光手臂动作识别和运动训练系统通过使用智能手机。我们AMRECS为远程无线交互系统提供了一个有效的解决方案。我们进行三组实验来评估我们的AMRECS系统的效率。结果表明,我们的系统可以准确地识别静态和动态的手臂运动。系统提供相似性比较和衡量,以帮助个人获得实时反馈的锻炼行为。对于未来的工作,我们可能会添加其他复杂的应用程序,如Wii和Kinect和我们的系统扩展到其他远程指导体育锻炼,例如,有氧运动,乒乓球,中国Tai-Ji-Quan。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这个工作主要是由国家973项目(批准号2013 cb329102),中国国家自然科学基金(国家自然科学基金委)(授予号。61190113,61401135,61272188,61572162,61402417),浙江省自然科学基金(授予LY13F020033号,LY12F02005、LQ14F020013 LY15F020037),开放的基础网络与交换技术国家重点实验室在北京邮电大学(批准号sklnst - 2013 - 1 - 14)和开放的基础的南京大学计算机软件新技术国家重点实验室(批准号KFKT2014B15)。

引用

1. 赵x, z . m .高,t·冯沙,和w·史,“连续细粒度的手臂动作识别使用运动混合光谱模型,”电子信件,50卷,不。22日,第1635 - 1633页,2014年。视图:出版商的网站|谷歌学术搜索
2. g·s·施密特和d·h·房子,“基于模型的运动滤波改善手臂手势识别性能,”基于人机交互通信卷,2915在计算机科学的课堂讲稿施普林格,页210 - 230年,柏林,德国,2003年。视图:出版商的网站|谷歌学术搜索
3. x h .沈g .华l·威廉姆斯和y . Wu”动态手势识别:exemplar-based方法从运动发散字段,“图像和视觉计算,30卷,不。3、227 - 235年,2012页。视图:出版商的网站|谷歌学术搜索
4. h·哈桑和美国abdul kareem人机交互使用的手势识别系统建立:一项调查,“神经计算和应用,25卷,不。2、251 - 261年,2013页。视图:出版商的网站|谷歌学术搜索
5. j . y . Wang Lin m . Annavaram et al .,“一个框架的能量高效的移动传感用户状态自动识别,”第七届ACM国际研讨会论文集在移动系统中,应用程序和服务(MobiSys ' 09)ACM,页179 - 192年,克拉科夫,波兰,2009年6月。视图:出版商的网站|谷歌学术搜索
6. r波”,调查的人类行为识别,建立“图像和视觉计算,28卷,不。6,976 - 990年,2010页。视图:出版商的网站|谷歌学术搜索
7. H.-S j . d . Kim Lee。尹、j·金和j .孙”的手臂远程人机交互手势识别,建立“《超级计算,卷65,不。1,第352 - 336页,2013。视图:出版商的网站|谷歌学术搜索
8. F.-S。陈,C.-M。傅,C.-L。黄”,使用一个实时手势识别跟踪法和隐马尔可夫模型,”图像和视觉计算,21卷,不。8,745 - 758年,2003页。视图:出版商的网站|谷歌学术搜索
9. r . Amstutz o . Amft b .法语,a . Smailagic d . Siewiorek和g . Troster”HMM-based手势识别使用手表的性能分析设备,”计算科学与工程国际会议(CSE ' 09),卷2,页303 - 309,IEEE,温哥华,加拿大,2009年8月。视图:出版商的网站|谷歌学术搜索
10. 我的。Suk, B.-K。罪而S.-W。李,“手势识别基于动态贝叶斯网络框架,“模式识别,43卷,不。9日,第3072 - 3059页,2010年。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
11. j . Kim j . k .里昂,他和t . Starner”手势看:无线无接触充电成为基于手势的手腕接口,”第11届IEEE国际研讨会可穿戴计算机学报》(ISWC ' 07)IEEE,页15 - 22日,波士顿,质量,美国,2007年10月。视图:出版商的网站|谷歌学术搜索
12. a . Parate M.-C。赵,c . Chadowitz d Ganesan, e . Kalogerakis”RisQ:认识到吸烟手势与惯性传感器腕带,”学报》第12届国际会议在移动系统中,应用程序和服务(MobiSys 14)ACM,页149 - 161年,2014年6月。视图:出版商的网站|谷歌学术搜索
13. f . Camastra d·德·菲利斯,“LVQ-based手势识别使用数据手套,手”神经网络和环境19卷智能创新、系统和技术施普林格,页159 - 168年,柏林,德国,2013年。视图:出版商的网站|谷歌学术搜索
14. c . Kuhnel t··f . Hemmert Kratz, a·穆勒和s·莫勒,“我回来了:定义和评估一个手势设置智能控制,”国际人类计算机研究杂志》上,卷69,不。11日,第704 - 693页,2011年。视图:出版商的网站|谷歌学术搜索
15. 张j。j和m . g .赵”,建立人机交互手势识别系统,”《IEEE机器人和仿生学国际会议上(ROBIO ' 09)桂林,页2096 - 2101年,中国,2009年12月。视图:出版商的网站|谷歌学术搜索
16. H.-C。李,彭译葶。施,T.-M。林”,基于计算机视觉的手势识别和iphone的应用程序,“智能创新、系统和技术21卷,第497 - 487页,2013年。视图:出版商的网站|谷歌学术搜索
17. m . Hasanuzzaman诉Ampornaramveth, t·张,m·a·下榻的y Shirai h .上野,“实时手势识别人类机器人互动,建立”《IEEE机器人和仿生学国际会议上(ROBIO ' 04)沈阳,页413 - 418年,中国,2004年8月。视图:谷歌学术搜索
18. a . s . Ghotkar和g·k . Kharate”,研究基于视觉的手势识别使用印度的手语,”国际期刊在智能传感和智能系统,7卷,不。1,第115 - 96页,2014。视图:谷歌学术搜索
19. p . Gieselmann和m . Deneche”对多通道交互的智能空间,”第八届欧洲会议程序语音通信和技术(EUROSPEECH ' 03)瑞士日内瓦,页2229 - 2232,,2003年9月。视图:谷歌学术搜索
20. r·威默·Holleis m·克兰兹和a·施密特”Thracker-using电容式感应手势识别,”学报》第26届IEEE国际会议分布式计算系统研讨会(ICDCS 06年)IEEE,页64 - 69年,华盛顿特区,2006年7月。视图:出版商的网站|谷歌学术搜索
21. s . Agrawal Constandache, s . Gaonkar r . r . Choudhury k .洞穴和f . DeRuyter”使用手机写在空气中,”第七届ACM国际研讨会论文集在移动系统中,应用程序和服务(MobiSys ' 11)页15-28,华盛顿,美国,2011年6月。视图:谷歌学术搜索
22. j . h . Lu, z . Liu n . d . Lane t . Choudhury和a·t·坎贝尔,“拼图连续感应发动机对于手机应用程序,“学报》第八届ACM国际会议上嵌入式网络化传感器系统(SenSys 10)瑞士苏黎世,页71 - 84,,2010年11月。视图:出版商的网站|谷歌学术搜索
23. t .公园,j·李,黄,c . Yoo l . Nachman博士和j·歌,“E-gesture:协作架构与hand-worn节能手势识别传感器和移动设备,”第九届ACM会议程序嵌入式网络化传感器系统(SenSys ' 11)ACM,页260 - 273年,西雅图,洗,美国,2011年11月。视图:出版商的网站|谷歌学术搜索
24. h .破车,o . Amft, p . Lukowicz, g . Troster”手势识别与穿在身上惯性传感器来检测用户活动,“模式识别第41卷。。6,2010 - 2024年,2008页。视图:出版商的网站|谷歌学术搜索
25. a·马哈茂德和g . Masitah”对自然交互使用任天堂wiimote与轮椅控制器,”软件工程和计算机系统卷,181通信在计算机和信息科学施普林格,页231 - 245年,柏林,德国,2011年。视图:出版商的网站|谷歌学术搜索
26. j·c·李,“黑客任天堂wii遥控器,”IEEE普适计算,7卷,不。3,39-45,2008页。视图:出版商的网站|谷歌学术搜索
27. e . Garcia-Ceja r·f·Brena j . c . Carrasco-Jimenez l·加里多,“长期活动识别从手表加速度计数据,”传感器,14卷,不。12日,第22524 - 22500页,2014年。视图:出版商的网站|谷歌学术搜索
28. m .中岛美嘉y . j . Ohgi e .秋山和n . Kazami”发展游泳运动显示系统为游泳运动员的训练使用wristwatch-style加速度和陀螺传感器设备,“Procedia工程,卷2,不。2、3035 - 3040年,2010页。视图:出版商的网站|谷歌学术搜索
29. l . Kratz t . s . Saponas, d . Morris”做手势输入arm-worn惯性传感器更实用,”学报30 ACM会议12人为因素在计算系统(CHI)2012年5月,页1747 - 1750。视图:出版商的网站|谷歌学术搜索
30. j . Fortmann j . Timmermann鲁尔接口,m . Wybrands w . Heuten和s·鲍尔”Lightwatch:耐磨光显示个人努力,”人机Interaction-INTERACT 2015卷,9299在计算机科学的课堂讲稿施普林格,页582 - 585年,柏林,德国,2015年。视图:出版商的网站|谷歌学术搜索
31. 帕帕多普洛斯n . Charness m·福克斯,a, c,脆的,”指标来评估一个远程医疗远程监控系统的可靠性,”远程医疗和e-Health,19卷,不。6,487 - 492年,2013页。视图:出版商的网站|谷歌学术搜索
32. h . Daisuke: Hiroki,美国肯,“工件运动手表类型photoplethysmography传感器补偿。”主要工程材料卷,523 - 524,639 - 644年,2012页。视图:谷歌学术搜索
33. p . Asadzadeh l . Kulik, t .谭恩“手势识别使用射频识别技术,个人和无处不在的计算,16卷,不。3、225 - 234年,2012页。视图:出版商的网站|谷歌学术搜索
34. a . Manzoor H.-L。Truong Calatroni et al。”,分析不同的操作原语的影响在设计高层人类活动识别系统,”环境智能和智能环境杂志》上,5卷,不。5,443 - 461年,2013页。视图:出版商的网站|谷歌学术搜索
35. t . Schlomer b Poppinga: Henze, s·鲍尔“手势识别与Wii控制器”第二届国际会议上有形和嵌入式交互(TEI 08年)ACM,页11日至14日,德国波恩,2008年2月。视图:出版商的网站|谷歌学术搜索
36. p·库马尔,s . s . Rautaray和a . Agrawal”手数据手套:新一代人机交互实时老鼠,”学报第一国际会议信息技术最新进展(RAIT 12)IEEE,页750 - 755年,Dhanbad,印度,2012年3月。视图:出版商的网站|谷歌学术搜索
37. g . Lu L.-K。鲨鱼,g .大厅和美国Zeshan”,通过glove-based身临其境的虚拟对象的操作手势交互,”虚拟现实,16卷,不。3、243 - 252年,2012页。视图:出版商的网站|谷歌学术搜索
38. r . Krigslund、p . Popovski和g·f·彼得森”3 d手势识别使用无源RFID标签,”IEEE天线和传播学会学报》国际研讨会(APSURSI 13)IEEE,页2307 - 2308年,奥兰多,佛罗里达州,美国,2013年7月。视图:出版商的网站|谷歌学术搜索
39. l . Kriara m . Alsup g . Corbellini m . Trotter j .格里芬和s . Mangold“RFID可动摇的:射频识别标签搭配手势识别的帮助”学报》第九届ACM国际会议上新兴网络实验和技术(CoNEXT 13)圣芭芭拉分校,页327 - 332年,加州,美国,2013年12月。视图:出版商的网站|谷歌学术搜索
40. s . r . Krishnan m . Magimai-Doss, c . s . Seelamantula”savitzky-golay过滤的角度动态特性的计算,”IEEE信号处理信件,20卷,不。3、281 - 284年,2013页。视图:出版商的网站|谷歌学术搜索
41. c·h·爱德华兹和d . e . Penney微积分皮尔森,第六版,2002年版。
42. h .周和y刘”,准确使用k - means聚类集成多视点图像范围,“模式识别第41卷。。1,第175 - 152页,2008。视图:出版商的网站|谷歌学术搜索
43. b . a .问:Al-Qatab和r . n . Ainon”阿拉伯语使用隐马尔可夫模型的语音识别系统工具包(HTK)”《信息技术国际研讨会(ITSim 10)IEEE,页557 - 562年,吉隆坡,马来西亚,2010年6月。视图:出版商的网站|谷歌学术搜索
44. h·亚辛,自动信息提取使用隐马尔科夫模型,VDM -出版社,2010年。
45. 周p . f . y .问:郑,m·李”等多久?:predicting bus arrival time with mobile phone based participatory sensing,” in学报第十届国际会议在移动系统中,应用程序和服务(MobiSys 12)2012年6月,页379 - 392。视图:出版商的网站|谷歌学术搜索

版权

版权©2016年香港曾庆红等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。