可穿戴设备中手势分类算法

Question

我对机器学习很陌生，所以如果我搞砸了，请原谅我。我正在研究一个可穿戴设备项目，它涉及到手势检测，寻找任何关于可能适用的算法的提示。

基本上会有传感器在手腕上采集肌腱运动来提供输入，所以为了简单起见，我假设这意味着5个特征(每个手指一个)，每个特征的值从0到100不等。

还有5类手势可以归类为。用户需要多次进行每种类型的手势来提供训练数据，然后对于每个手势类，我需要一个算法来根据这些训练数据为其确定最佳模型。

在最初的训练之后，每当用户做手势时，它就会将传感器读数输入到每个模型中，以确定哪一个是最接近的匹配。此外，由于这是一个可穿戴的任何优化的低内存和低处理能力将是最好的。

如果有人对模型的类型或生成它们的算法有任何输入，我将不胜感激！

编辑:这是一些样本数据从4个传感器在3个不同的手势。这些基本上只是从传感器的压力读数沿肌腱在手腕上。

Answer 1

提供更多关于传感器产生的实际数据的更多细节可能是非常有用的。你能为任何简单的手势提供一个简单的例子吗？

无论如何，让我们尝试以以下方式解决这个问题：

• 传感器可以表示为函数f(t)。
• 函数的范围为{1,2,3,..100}

这样我们就可以画出如下的东西(可以吗？)：

您可以从这些数据中提取各种高级特性，但我建议使用拐点作为最直接的选择：

基本上，这些点定义了一个模式。我将使用不同答案中的一个数字来说明这个想法。例如，下面的朴素模式用于识别一个圆圈。

在您的情况下，情况要简单一些，因为传感器输出是您可以处理的唯一数据。当然，您可以组合多个传感器来定义更复杂的交互场景：

此外，你也可以考虑f'(t)，以区分慢和快的动作，等等。

更新

谢谢你的数据。从数据的角度看，这三个手势看起来几乎是一样的(参见下面的可视化)。

实际上，需要几个特性来识别手势。

Answer 2

将工作的方法类型取决于与产出分类有关的所捕获数据的性质。如果手势在5维输入空间中是线性可分的，那么简单的logistic回归是廉价和快速的。

或者，一种弱但非常便宜的方法是为每个手势找到平均输入向量，并简单地决定输入在任何点上最接近哪个手势向量。缺点是，你可能需要另一个类来“不做手势”。

还可以从许多用户那里收集大量的测试数据来对模型进行预培训，而且只要不同用户之间的读数变化不太大，您就不需要(根据可穿戴设备本身)按用户进行培训。在大多数情况下，预测是有效的，所以你不会受到计算能力的太大限制。