该论文提出了一种新颖的数字签名方法，使用基于相机的交互系统、单指跟踪将手势识别和多命令执行结合在一起。该方法称为 “空中签名”，旨在开发一种实时检测和跟踪手势和物体的最先进方法。还提出了用于平滑处理和线条绘制的现有手势识别和物体跟踪系统，并在快速手指运动期间保持连续性。此外，还通过评估指尖检测、草图绘制和整个签名过程的效果来验证所提出的解决方案的有效性，并开发了一套能够有效识别用户独特签名的模型，利用神经核心实时分析签名的运动、速度和笔画像素，并使用机器学习算法将空中签名与个人存储的签名进行匹配，提供了一种安全高效的验证方法。该系统不需要传感器或相机以外的任何硬件。

May, 2024

通过分析传感器、行为和语义方面的潜在逻辑，构建了研究框架，以实现普适智能手部交互，并基于该框架总结了以前的研究主题，并说明了未来的研究方向。

Aug, 2023

本文介绍了 Gestop 框架，该框架通过学习姿势演示来检测手势，并可由最终用户自定义，实现只用 RGB 摄像头与计算机进行实时手势交互，从而弥合在空中手势检测技术上的障碍，提高用户体验。

Oct, 2020

本文提出了一种基于动作识别的系统，可以完全自动化家用电器的控制，从而减少人类干预、确保数据隐私和降低能耗。通过识别人的三个动作（坐、站、躺）和空房间，该系统的实际测试实验准确率达到了 90%。

Apr, 2019

本文提出一种基于非接触手势识别的实时界面控制框架，通过处理原始信号、检测电场干扰并提取有效信号帧的方法实现了 98.8% 检测率和 98.4% 的帧校正率。采用 GRU 模型对于 10 种手势可以实现 98.79% 的准确率，这一技术为电容式感应技术和非接触近程感应技术提供了商业化可能性。

Jan, 2022

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

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

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

本文提出了一种基于实时计算机视觉的手势识别应用程序的自然用户界面工具，该工具使用用户手上的虚拟手套标记作为输入，并采用深度学习模型进行实时手势识别。研究表明，该系统可以在社交互动和康复等实时应用中发挥有效作用。

Jul, 2022

WiGest 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。

Jan, 2015