Jan, 2015

WiGest：一种普及的基于 WiFi 的手势识别系统

PDF
TL;DRWiGest 是一种利用 WiFi 信号强度变化感知用户移动设备周围的空中手势的系统，能够识别不同的信号变化基元，从中构建出不同手势家族，能够映射到可区分的应用程序操作，并成功实现了在干扰人体存在的情况下的高准确性手势识别，为未来的移动设备提供了普遍的无需手持交互。
wigestwifi signal strengthhand gesturesgesture recognitionubiquitous interaction
发现论文，激发创造
  • WiOpen：一种稳健的基于 Wi-Fi 的开放式手势识别框架

    WiOpen 是一个鲁棒的 Wi-Fi 基础的开放式手势识别框架，通过消除不确定性和定义明确的决策边界来解决 Wi-Fi 感应中的挑战，从而实现了开放式手势识别。

    Feb, 2024

  • 基于超宽带的静态手势分类

    通过使用专有的 UWB 雷达传感器技术，本文提出了一个强大的基于 UWB 的静态手势识别框架。我们通过大量数据收集建立了包含五种常用手势的数据集。我们的方法包括全面的数据预处理流程，其中包括异常值处理、保持纵横比缩放和伪彩色图像转换。我们在处理后的图像上训练了 CNN 和 MobileNet 模型。令人惊讶的是，我们的最佳模型达到了 96.78% 的准确率。此外，我们还开发了一个用户友好的 GUI 框架，用于评估模型的系统资源使用情况和处理时间，结果显示低内存占用率和不到一秒的实时任务完成时间。这项研究在使用 UWB 技术提高静态手势识别方面迈出了重要的一步，可以在各个领域中实现实际应用。

    Oct, 2023

  • 毫米波 Wi-Fi 访问点的手势识别：经验教训

    本文采用深度神经网络从 60 GHz 毫米波单板天线信号中提取空间波束信噪比特征用于手势识别，结果显示在单一环境下，深度学习分类器的波束信噪比识别的准确率达到了 96.7％，充分证明了该信号可以用于高速通信和增强现实应用中。

    Jun, 2023

  • GestARLite：一种基于指向手指的智能手机和视频透视耳机的设备内手势界面

    我们提出了一种用于便携式可穿戴设备的新型轻量级手势识别框架，该框架由一系列最先进的深度学习模型驱动，能以实时性灵敏地识别手势，实现了 80％的分类准确度和仅 0.12 秒的平均延迟。

    Apr, 2019

  • Wi-Fi 无线感知实践：教程

    本篇教程以 Wi-Fi 感知技术为例，介绍了数据采集、信号处理、特征提取和模型设计的理论原则和代码实现，强调了深度学习模型（如 CNN、RNN 和对抗性学习模型）在无线感知系统中的应用。

    Jun, 2022

  • 一种通用的多模态动态手势识别系统，采用机器学习

    提出了一种利用机器学习系统通过 tri-axial 加速度数据识别动态手势的方法，该系统能够以最少的预处理分类不同速度的手势，而且在低成本的嵌入式平台（Raspberry Pi Zero）上运行，具备经济可行性。

    Sep, 2018

  • 一种基于 Wi-Fi 信道数据的人对人交互识别的前瞻性方法，采用注意力双向门控循环神经网络和 GUI 应用程序实现

    本文提出了一种基于 Wi-Fi 信号的人体移动监测技术，通过开发神经网络模型，能够识别人际交互行为并在实时环境下呈现监测结果。

    Feb, 2022

  • 电容式感应设备的灵活手势识别：在职适应

    本文介绍了一种手势识别技术，使用嵌入式电容传感器生成实时信号并利用机器学习技术分析时间序列信号以识别五个手指的三个特征，其性能可与监督式可变自编码器等更高级的方法相媲美，并能通过自适应的误差校正机制进一步提高其分类性能，从而证明了运用此技术实现敏捷手势识别系统的可行性。

    May, 2023

  • 手腕设备上的手势定制功能

    我们提出了一种手势定制的框架，仅需要用户提供极少量的样本即可实现个性化定制。通过大规模数据收集及实验，得出了加速度计和陀螺仪识别模型，与非手势数据相比误报率仅为 0.6 / 小时。此外，我们构建了一个基于少样本学习的框架，在减少性能损失的情况下建立了轻量级模型。最终，我们用 20 名用户进行了实验验证，其结果表明我们的定制框架具有良好的适用性和可用性，为用户提供了更多个性化手势选择的自由。

    Mar, 2022

  • 低功率应用的敏捷手势识别：通用性定制

    通过自适应敏捷误差校正的新方法，提高在低功耗传感器设备上的遗留手势识别模型性能，从而实现紧凑、高速处理和低功耗的系统，适用于各种嵌入式系统。

    Mar, 2024