利用深度神经网络，提出了基于动态采样和时间归一化组件的触摸手势学习方法，可以将变长手势转换为固定长度表示并处理多用户和硬件变化，本文还提出了新的手势数据集并在标准数据集上超越了现有技术并报告了接近完美的性能。

Feb, 2018

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

通过问题转换方法和合成数据生成策略，本研究提出了一种表面肌电图（sEMG）手势识别系统，可有效提高表达能力，在短时间内实现模型校准，适用于人机交互、虚拟现实和机器人控制等领域。

Sep, 2023

我们提出了一种基于Vision Transformer (ViT)和模糊神经网络块 (Fuzzy Neural Block, FNB) 的 EMGTFNet 架构，用于通过表面肌电图 (surface electromyography, sEMG) 信号进行手势识别，该架构能够准确分类各种手势，无需数据增强技术、迁移学习或网络参数的显著增加。实验证明，我们的结果优于无 FNB 的 ViT 模型，证明了包含 FNB 可以提高其性能，我们的提议框架 EMGTFNet 具有显著的实际应用潜力，可用于假肢控制。

Sep, 2023

使用低分辨率(24 x 32)热传感器，结合脉冲神经网络、稀疏分割和基于特征的手势分类，提出了一种新颖的手势识别方法。与标准RGB摄像头相比，该系统对光照变化不敏感，且价格显著低于以往文献中使用的高频雷达、飞行时间摄像头和高分辨率热传感器。关键是，本文通过创新地使用最近提出的单稳态多谐振荡器(MMV)神经网络作为新型脉冲神经网络，在记忆和计算复杂度方面较深度学习方法小一个数量级，同时在汽车环境下使用5类热相机数据集达到93.9%的手势识别准确率。我们提供了该数据集以供未来研究使用。

Jan, 2024

研究使用前臂肌电数据来区分八种手势，采用神经网络和随机森林算法对来自十个参与者的数据进行分析。神经网络在1000毫秒窗口下达到了97%的准确率，而随机森林在200毫秒窗口下达到了85%的准确率。更大的窗口大小提高了手势分类的准确性，由于时间分辨率的增加。随机森林的处理速度为92毫秒，比神经网络的124毫秒更快。研究得出结论，使用1000毫秒的神经网络为最准确的（97%），使用200毫秒的随机森林为最高效的（85%）。未来的研究应该着重增加样本数量，添加更多手势，以及探索不同的特征提取方法和建模算法来提高系统的准确性和效率。

Jan, 2024

我们提出了一个具有自适应多模态融合的进化网络架构搜索框架（AMF-ENAS），通过自动解码，能够自动构建具有不同架构的多模态网络，该算法在多模态手势识别（MHGR）方面取得了最先进的性能。

Mar, 2024

基于表面肌电图的手势识别, 通过短期增强模块(STEM)和可学习的降噪机制, 实现了对噪音的减少和对各种手势识别任务的泛化。

Apr, 2024

本研究针对生物信号获取在不同录制会话中的表现不一致问题，提出了一种新方法——空间适应层（SAL），旨在增强模型的鲁棒性和可解释性。通过在生物信号阵列模型前添加SAL和可学习基线归一化（LBN），我们的实验显示，即便使用逻辑回归器，其性能也超越了传统的微调方法，具有数量级更少的可解释参数，潜在地推动了可穿戴设备中生物信号处理的应用。

Sep, 2024

本研究解决了移动实时手势识别系统开发不足的问题，提出了一种基于深度神经网络的前臂超声手势识别方法。通过量化技术，我们降低了模型大小，同时保持高准确性和低延迟。最终模型在树莓派上的测试准确率达到92%，推理时间为0.31秒，展示了在资源有限的边缘设备上实现高效实时手势识别的可行性。

Sep, 2024