基于深度学习与物联网的鲁棒性手语识别系统ECRSLR-SAEHD在听障群体沟通增强中的应用研究

本研究针对听障人士沟通障碍问题，提出一种融合物联网（IoT）与稀疏自编码器（SAE）的深度学习框架ECRSLR-SAEHD。通过高斯滤波（GF）预处理、EfficientNetB7特征提取和芬尼克狐算法（FFA）超参数优化，实现了93.07%的高精度手语识别，为听障人群的人机交互与生活支持提供了创新性解决方案。

　　

通过深度学习（Deep Learning, DL）与物联网（Internet of Things, IoT）技术强化手语识别（Sign Language Recognition, SLR）系统，旨在提升依赖非语言交流的听障人群生存质量。物联网传感器网络可补偿听力缺失，其爆炸性发展为听障者日常活动、教育接入及护理者协同管理提供支持。本研究提出ECRSLR-SAEHD框架，采用高斯滤波（Gaussian Filtering, GF）进行图像去噪预处理，基于EfficientNetB7模型提取复杂手语动作特征，通过稀疏自编码器（Sparse Autoencoder, SAE）实现识别分类，并引入芬尼克狐算法（Fennec Fox Algorithm, FFA）优化超参数调谐。基准数据集测试表明，该方法达到93.07%的准确率，显著优于现有技术。