We identify essential features of a

We identify essential features of accelerometer and gyroscope data that reflect the movements of tendons (passing through the wrist) when performing a finger or a hand gesture. With these features, we build a classifier that can uniquely identify 37 (13 finger, 14 hand and 10 arm) gestures with an accuracy of 98\%. We further extend our gesture recognition to identify the characters written by the user with her index finger on a surface, and show that such finger-writing can also be accurately recognized with nearly 95% accuracy. Our presented results will enable many novel applications like remote control and finger-writing-based input to devices using smartwatch.

ผลลัพธ์ (ไทย) 1:

เราระบุคุณสมบัติที่สำคัญของข้อมูลที่ accelerometer และไจโรสโคปที่สะท้อนการเคลื่อนไหวของเส้นเอ็น (ผ่านข้อมือ) เมื่อนิ้วมือหรือสัญญาณมือ ด้วยคุณสมบัติเหล่านี้ เราสร้างลักษณนามที่สามารถระบุ 37 (13 นิ้ว 14 มือ และแขน 10) ท่าทาง มีความถูกต้องของ 98 % เราเพิ่มเติมขยายของเราจดจำท่าทางเพื่อระบุอักขระที่เขียน โดยผู้ใช้ที่มีนิ้วชี้ของเธอบนพื้นผิว และดูว่า เขียนลายนิ้วมือดังกล่าวสามารถยังถูกรู้จักเกือบ 95% ความแม่นยำ ผลการนำเสนอของเราจะเปิดใช้งานนวนิยายมากเช่นการควบคุมระยะไกลและใช้นิ้วเขียนเข้ากับอุปกรณ์ที่ใช้ smartwatch

ผลลัพธ์ (ไทย) 2:

เราระบุคุณสมบัติที่สำคัญของ accelerometer และข้อมูลการวัดการหมุนวนที่สะท้อนให้เห็นถึงการเคลื่อนไหวของเส้นเอ็น (ผ่านข้อมือ) เมื่อทำการนิ้วหรือท่าทางมือ ด้วยคุณสมบัติเหล่านี้เราสร้างลักษณนามที่ไม่ซ้ำกันสามารถระบุ 37 (13 นิ้ว, 14 มือและแขน 10) ท่าทางที่มีความแม่นยำ 98 \% เกรด A เราขยายการรับรู้ท่าทางของเราเพื่อระบุตัวอักษรที่เขียนโดยผู้ใช้ที่มีนิ้วชี้ของเธอบนพื้นผิวและแสดงให้เห็นว่าเช่นนิ้วเขียนยังสามารถได้รับการยอมรับอย่างถูกต้องด้วยความถูกต้องเกือบ 95% ผลการนำเสนอของเราจะเปิดใช้งานโปรแกรมนวนิยายมากมายเช่นการควบคุมระยะไกลและนิ้วเขียนตามการป้อนข้อมูลไปยังอุปกรณ์โดยใช้วอทช์