Інерційна система розпізнавання жестів

Скорочена інформація про документ
dc.contributor.authorЯрошенко, Максим Олександрович
dc.contributor.authorВарфоломєєв, Антон Юрійович
dc.contributor.authorЯганов, Петро Олексійович
dc.date.accessioned2020-05-13T20:53:52Z
dc.date.available2020-05-13T20:53:52Z
dc.date.issued2019
dc.description.abstractenThe paper is devoted to the implementation of the gestures recognition system. Existing gesture recognition approaches are considered. Among them the system of inertial type is chosen for research, since the systems of this type are less difficult to implement and require relatively low computational complexity. Thus, the proposed system is based on two components: the hardware module for gesture capturing and the subsystem for the recognition of captured gestures. The hardware component of the system employs MEMS accelerometer and gyroscope for motion acquisition. The prototype of this component is implemented using the STM32F401RE microcontroller and the MEMS sensor MPU9250. The communication between the microcontroller and the MEMS sensor is carried out via the I2C bus. The microcontroller initializes the sensor and acquires the motion data. Then it sends the collected data via the virtual COM port to the PC, where the captured motions are recognized. The system component for the recognition of gestures is implemented as the neural network in Matlab environment. This network consists of four layers: the input layer, the BLSTM layer, the fully-connected layer, and the Softmax layer. The key component of the selected neural network architecture is the BLSTM layer, which (due to its properties) provides some invariance to the length and the shift of the gesture signal in time. The suggested system was tested on three gesture classes: circular motion, tapping and other/unknown gesture. Using the hardware module the training and the testing sets were collected. In course of experiments, it was established that the best training results for the selected network architecture and the collected training set are achieved using the Adam optimizer. The experiment with different number of hidden units in the BLSTM layer showed that the highest recognition rate may be achieved when 100 units are used. Particularly, the suggested system with the specified number of hidden units in BLSTM layer was able to attain the recognition error less than 3.5% (recognition rate of 96.7%) on the test set.uk
dc.description.abstractruВ работе рассмотрены инерциальную систему распознавания жестов. Данная система построена на основе аппаратного модуля, формирующего образы-жесты с помощью инерционных МЭМС датчиков (акселерометра и гироскопа) и рас-знает полученные образы с помощью нейронной сети с BLSTM слоем. Реализовано прототип предложенной системы, в котором аппаратная часть построена на микроконтроллере STM32F401RE и микросхеме МЭМС дава-лей MPU9250, а распознавание жестов выполняется на персональном компьютере средствами пакета прикладных программ MATLAB. С помощью разработанного прототипа сформирован учебную и тестовую выборки для трех типов жестов и показано способность подсистемы распознавания обеспечить погрешность идентификации данных жестов не более 3,5% (коэффициент правильного распознавания 96,7%).uk
dc.description.abstractukВ роботі розглянуто інерційну систему розпізнавання жестів. Дана система побудована на основі апаратного модуля, що формує образи-жести за допомогою інерційних МЕМС давачів (акселерометра і гіроскопа) та розпізнає отримані образи за допомогою нейронної мережі з BLSTM шаром. Реалізовано прототип запропонованої системи, в якому апаратна частина побудована на мікроконтролері STM32F401RE та мікросхемі МЕМС давачів MPU9250, а розпізнавання жестів виконується на персональному комп’ютері засобами пакету прикладних програм Matlab. За допомогою розробленого прототипу сформовано навчальну та тестову вибірки для трьох типів жестів та показано спроможність підсистеми розпізнавання забезпечити похибку ідентифікації даних жестів не більше 3,5% (коефіцієнт правильного розпізнавання 96,7%).uk
dc.format.pagerangeС. 42-47uk
dc.identifier.citationЯрошенко, М. О. Інерційна система розпізнавання жестів / Ярошенко М. О., Варфоломєєв А. Ю., Яганов П. О. // Мікросистеми, Електроніка та Акустика : науково-технічний журнал. – 2019. – Т. 24, № 5(112). – С. 42–47. – Бібліогр.: 13 назв.uk
dc.identifier.doihttps://doi.org/10.20535/2523-4455.2019.24.5.193295
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/33428
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.relation.urihttps://creativecommons.org/licenses/by/4.0/uk
dc.sourceМікросистеми, Електроніка та Акустика : науково-технічний журнал, 2019, Т. 24, № 5(112)uk
dc.subjectрозпізнавання жестівuk
dc.subjectінерційна системаuk
dc.subjectнейронні мережіuk
dc.subjectBLSTMuk
dc.subjectgesture recognitionuk
dc.subjectinertial systemuk
dc.subjectneural networksuk
dc.subjectраспознавание жестовuk
dc.subjectинерционная системаuk
dc.subjectнейронные сетиuk
dc.subject.udc004.358uk
dc.titleІнерційна система розпізнавання жестівuk
dc.title.alternativeThe Inertial Gesture Recognition Systemuk
dc.title.alternativeИнерционная система распознавания жестовuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
MEA2019_24-5_p42-47.pdf
Розмір:
747.86 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Мікросистеми, Електроніка та Акустика: науково-технічний журнал, Т. 24, № 5(112)