手势识别技术应用于许多领域，例如计算机辅助静音语言教学，机器人远程控制，游戏娱乐，军事和医学研究，还有助于改善聋哑人的生活质量并促进他们之间的正常交流.目前，手势识别的主流方法主要分为两大类：基于视觉的手势识别方法和基于捷联式传感器的手势识别方法。基于视觉的手势识别不需要用户佩戴任何设备，但识别结果容易受到光强度、复杂背景和视角遮挡等环境因素的影响。

基于捷联式传感器的手势识别方法主要依靠数据手套等硬件设备进行手势输入，通过这些设备，计算机可以获得诸如人手在空间中的姿势和手指伸展等信息。

北邮Jinquan Li团队设计了一种使用手势作为虚拟键盘字符输入的新方法。该方法设计了一种结合惯性测量单元（IMU）信号和表面肌电信号（sEMG）信号的无创端到端连续动态手势识别系统。对IMU信号和sEMG信号进行预处理和融合后，提取融合手势特征，包括加速度、角速度、姿态四元数和sEMG信息。团队构建了基于双向长短期记忆（BiLSTM）网络和连接主义时间分类（CTC）作为损失函数的网络模型，避免了手势序列预分割不准确对连续动态手势识别的不利影响，实现了端到端的连续动态手势识别。

团队使用MYO腕带用作收集手势数据的硬件设备，MYO腕带集成了sEMG和IMU传感器，通过蓝牙将收集的手势信号传输到主机。

MYO腕带佩戴姿势

收集的数据由MYO腕带的内部滤波器做首次处理，然后采用均值滤波来进一步抑制信号中的噪声，接着提取IMU信号特征和sEMG信号特征组合成新的特征矩阵。

团队了设计了一种结合BiLSTM和CTC结构的神经网络进行手势训练和识别。

端到端连续手势识别系统网络结构示意图

实验结果表明，IMU信号和sEMG信号在连续动态手势识别任务中是互补的，利用其融合特征进行手势分类提高了识别效果和识别率，对独立用户的连续动态手势平均识别率为达到98.66%。

论文链接: https://ieeexplore.ieee.org/document/9911614/

惯师科技——为做优质产品

淘宝店铺 

全新现货IMU芯片 正品原装保证  

https://guanshikeji.taobao.com/