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

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

提出了一个基于设备的实时手势识别系统，利用单个 RGB 相机检测一组预定义的静态手势，该系统包括手骨骼跟踪器和手势分类器，使用 MediaPipe Hands 作为手骨骼跟踪器的基础，在世界度量空间中添加了 3D 关键点的估计，并创建两个不同的手势分类器，一个基于启发式方法，另一个使用神经网络。

Oct, 2021

使用循环神经网络算法，我们开发了基于视频信号和加速度计数据的手势识别技术，并进行了固定点优化，以优化内存大小和降低硬件和软件功耗。

Aug, 2016

基于 60 GHz FMCW 雷达的轻量级手势识别系统，通过一种瘦身的雷达处理算法提取五个特征，并利用基于循环神经网络的架构实现手势的检测和分类。该系统在嵌入式平台上运行，对内存、计算和功耗有严格要求，达到了 98.4% 的 F1 分数，在 Arm Cortex-M4 微控制器上仅需 280 kB 的闪存空间、120 kB 的 RAM 和 75 mW 的功耗。

Oct, 2023

本文提出了一种可重构的数据手套设计，在通过不同模式捕捉人类手部与物体之间的相互作用的基础上，旨在训练具有良好操作能力的实体人工智能代理。通过数据手套在触觉传感、虚拟现实和仿真三种模式下的表现，可以在物理和虚拟环境中收集和重构微观的人体抓握动作数据，为实体人工智能代理的操作技能学习开辟了新的途径。

Jan, 2023

MeciFace 是一款低功耗、隐私保护的实时可穿戴设备，使用卷积神经网络监测面部表情和进食活动，能够实时监控面部表情和饮食，且在测试中取得了良好的效果。

Jun, 2023

本研究提出了一种层次结构的卷积神经网络架构，通过使用滑动窗口方法，使离线工作的卷积神经网络架构能够高效地在线操作，同时细化了手势检测和分类。该架构达到了 94.04％和 83.82％的离线分类准确率以及可实现良好的在线操作表现。

Jan, 2019

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