利用PDMS封装的聚合物光纤布拉格光栅实现的非侵入式手势识别

《Results in Engineering》:Non-Invasive Gesture Recognition Using PDMS-Encapsulated polymer optical fiber Bragg gratings

【字体: 大 中 小 】 时间:2026年05月02日 来源:Results in Engineering 7.9

编辑推荐:

  徐一丁|梁伟斌|罗斌斌|曲航|Getinet Woyessa|Ole Bang|胡学豪 重庆工业大学光纤传感器与光电检测重点实验室,中国重庆400054 **摘要** 本文介绍了一种基于聚合物光纤布拉格光栅(POFBG)传感器的非侵入式高灵敏度手势识别方法,这些传感

  徐一丁|梁伟斌|罗斌斌|曲航|Getinet Woyessa|Ole Bang|胡学豪
重庆工业大学光纤传感器与光电检测重点实验室,中国重庆400054

**摘要**
本文介绍了一种基于聚合物光纤布拉格光栅(POFBG)传感器的非侵入式高灵敏度手势识别方法,这些传感器嵌入在聚二甲基硅氧烷(PDMS)中。实验结果表明,封装在PDMS中的POFBG对手指和手腕运动的灵敏度是传统石英光纤布拉格光栅的8.3倍,同时保持了出色的重复性。为了进行手势识别,四个POFBG传感器被战略性地安装在特定的前臂肌肉上,以监测各种手势引起的肌肉变形。传感器的响应特性和感知性能得到了全面验证。采用卷积神经网络-长短期记忆-注意力模型来训练和预测16种手势,包括五种静态手腕手势、八种静态手指手势和三种动态手势。该模型能够有效区分由精细手指运动引起的微小波长变化,实现了95.85%的总体识别准确率。所提出的方法使用最少的传感器数量,实现了静态和动态手势的集成和精确识别,达到了识别准确性、覆盖范围和设备便携性之间的最佳平衡。这项工作为先进的人机交互应用提供了一种高性能且成本效益高的传感解决方案。

**1. 引言**
人类手作为高度专业化的运动器官,由于其复杂的骨骼结构、众多的肌肉群和复杂的神经调节机制,表现出显著的灵活性和运动精度[1]。随着人工智能、深度学习和传感技术的快速发展,手势识别系统的准确性和实时性能显著提高,扩展了其潜在应用范围。从智能家居控制[2]到医疗康复[3,4]和虚拟现实[5],手势识别已成为自然人机交互的关键推动因素。手势检测方法大致可以分为两类:非接触式传感器和接触式传感器。非接触式传感器(如基于视觉感知的传感器[6])容易受到环境条件的影响,包括光照和背景干扰,并且通常功耗较高、成本较高。相比之下,接触式传感器不受环境光和颜色变化的影响。在接触式传感器中,基于电信号转换的传感器被广泛使用[7,8,9];然而,它们通常存在制造复杂、易受电磁干扰和相对较高功耗等限制[10]。光纤传感技术凭借其对电磁干扰的优异免疫力、低信号损失、高灵敏度和广泛的适应性[11],在传统电传感器无法可靠工作的环境中表现出更好的性能[12]。因此,光纤传感器在可穿戴传感领域受到了越来越多的关注。

在手部运动检测中,基于手套的传感器是最常见的解决方案之一。大多数光纤手套系统采用两种主要的传感原理之一:光纤布拉格光栅(FBG)波长调制或光强度调制。例如,Jha等人[13,14]提出了一种高精度仪器手套,其中集成了弹簧式FBG传感器结构,十个拇指关节的平均监测误差为0.80°。Li等人[15]将FBG嵌入硅胶管中并集成到手套关节中,成功区分了手指运动。Socorro-Leranoz等人[16]设计了一个基于多路复用FBG的光纤传感平台,用于检测手指运动。对于基于光强度调制的设计,Zha等人[17]使用柔性聚合物光纤(POF)传感器进行关节运动监测,准确率超过90%。Wang等人[18]开发了一种集成智能手套,使用POF传感器;而Li等人[19]提出了一种D形POF(D-POF)曲率传感器系统,分别对13种手势和11种抓取动作的识别准确率为99.8%和97.7%。尽管基于手套的系统可以直接测量关节运动,但它们通常需要多个传感器,从而导致重量增加、成本上升和手部运动灵活性降低。

基于腕带的传感器是另一类重要的可穿戴手部运动检测设备。Zhang等人[20]设计了一种基于微纤维衰减场强度调制的传感器,对十种动态手势的识别准确率为98.80%。同样,Wang等人[21]开发了一种使用微/纳米纤维(MNF)的手势识别腕带,其原理相同,准确率为94%。Liang等人[22]提出了一种基于POF散斑强度调制的腕带式POF传感器,结合智能手机和神经网络算法,其系统识别准确率为91%。虽然腕带比手套更轻便、更便携,但它们捕获的信号往往是间接的,限制了识别精度。此外,固定的腕带尺寸使得难以适应不同前臂尺寸的用户。

随着技术的进步,研究人员越来越关注基于前臂肌肉的传感。通过监测前臂肌肉变形获得的信号更为直接和稳定,同时传感设备本身更轻便、更舒适。Guo等人[23,24]开发了一种使用聚酰亚胺(PI)基底的FBG传感器,其中六个串联连接的传感器用于检测前臂肌肉收缩引起的变形,能够识别六种手势。我们团队的Yi等人[25]在前臂肌肉上放置了四个基于聚二甲基硅氧烷-聚酰亚胺(PDMS–PI)复合基底的FBG传感器,对多个受试者的八种静态手势的识别准确率为96.67%。然而,这些研究仍存在一些限制。首先,可识别的手势数量较少,限制了实际应用的范围。其次,大多数系统仅关注手腕或手指手势;第三,静态和动态手势识别通常分别处理,而不是在集成框架中处理。因此,现有方法需要在全面性和实用性方面进一步改进。

与传统的石英光纤布拉格光栅(SOFBG)相比,聚合物光纤布拉格光栅(POFBG)保留了FBG传感技术的所有优势,同时提供了独特的材料特性,包括杨氏模量比石英光栅低一个数量级以上、更高的灵活性、生物相容性和抗脆性[26]。这些特性使POFBG能够高精度地检测前臂肌肉运动引起的微小应变变化。先前的研究表明,封装在PDMS中的POFBG传感器可以有效地附着在前臂肌肉上,用于生理监测,如测量呼吸或心率[27]。

在相关领域(例如机械故障诊断),最近的研究提出了先进的动态信号分析策略,包括基于相位熵的特征提取[28]、多尺度特征融合[29]和多传感器信息集成[30]。这些方法可以解决少样本学习和运动变化等挑战,但它们尚未应用于基于POFBG传感器的可穿戴手势识别系统,因此为本研究提供了重要的方法论参考。

为了解决现有手势识别系统的局限性,包括手势覆盖范围有限、静态和动态手势的单独识别以及便携性和准确性之间的权衡,本研究旨在开发一种全面的高性能非侵入式传感解决方案。具体来说,设计了一种封装在PDMS中的POFBG传感器阵列,用于前臂肌肉传感,利用POFBG的材料优势来提高对手指和手腕运动的灵敏度。随后实现了静态和动态手势的集成识别,涵盖了包括手腕手势、手指手势和复杂动态手势在内的多种手部运动。最后,提出了一种深度学习模型,使该解决方案能够保持对多种类型手势的高识别准确率。

**2. 工作原理**
POFBG的核心工作原理是基于光栅结构对特定波长的选择性反射。只有满足布拉格条件的波长(λB)会被强烈反射,而所有其他波长几乎完全透射。反射的窄带光谱的中心波长可以表示为:
(1)
λB = 2neffΛ
其中λB是布拉格波长,neff是基模的有效折射率,Λ是光栅周期。neff和Λ的变化(由温度或轴向应变引起)会导致λB的移动。

实验在恒温环境下进行,传感器牢固地附着在受试者的前臂皮肤上。由于人类前臂的温度相对稳定,可以忽略传感器受到的热效应。在这些条件下,FBG的波长移动仅由轴向应变引起,其表达式为:
(2)
ΔλB/λB = (1?Pe)Δε
其中Pe是光纤芯的光弹系数,Δε表示轴向应变的变化。

当FBG用于监测前臂变形时,每种手势都会引起不同的肌肉运动,从而产生局部应变变化。随着前臂的变形,FBG信号中的波长会发生相应的移动,如图1所示。因此,可以通过分析这些波长变化模式来实现手势识别。

**3. 传感器设计与制造**
**3.1. POFBG传感器制造**
为了全面检测前臂肌肉变形,传感器必须具有足够的灵活性,以紧密贴合人体皮肤,从而实现对细微肌肉运动的高灵敏度。与广泛使用的SOFBG[31]相比,本研究采用POFBG进行前臂肌肉监测。使用了一种光纤光栅解调器(GC-97001C-02-02-A-F,珠海光晨科技有限公司),其工作波长范围为1525–1565 nm,采样率为1 kHz,波长精度为2 pm,用于解调来自FBG传感器的布拉格波长信号。

本研究中使用的聚合物光栅刻制在由TOPAS(5013S-04,TOPAS Advanced Polymers)作为芯材和ZEONEX(480R,ZEON CORPORATION)作为包层的POF中[32]。POF使用UV固化(Norland 86H)粘合剂与石英光纤(SOF)连接,以确保低损耗耦合。随后,使用520 nm飞秒激光通过点对点刻写技术[33]制造POFBG,每个光栅的长度为3 mm。由于POF的低杨氏模量和高灵活性,传感器表现出准确的信号捕获、稳定的光传输和优异的结构可靠性。

制造的传感器被封装在PDMS[34]中,以提高其灵活性和生物相容性。为了提高封装剂的粘附力,准备了PDMS混合物(Dow Corning,Sylgard 184),比例为1.0 mL硅胶凝胶:0.11 mL固化剂:2.1 μL乙氧基化聚乙烯亚胺(PEIE)。混合物在60°C的烤箱中固化8小时。最终传感器的尺寸为30 mm × 15 mm × 1 mm,优化了与前臂表面的贴合性。PEIE的加入显著提高了PDMS的粘附力,从而增强了传感器与皮肤之间的结合[27]。同时,PDMS的柔顺性和断裂伸长率也得到了改善。封装在PDMS中的POFBG传感器如图2所示。

**3.2. POFBG传感器特性**
为了验证传感器的静态负载稳定性,对封装的POFBG传感器施加了1 N的恒定力3分钟。结果表明,传感器响应迅速,没有明显的延迟漂移,输出稳定且几乎没有蠕变。波长波动在1.3 pm以内,仅占满量程的1.45%,证实了其出色的抗蠕变能力和静态稳定性。鉴于可穿戴应用中的静态手势通常仅持续几秒,3分钟的测试足以验证目标场景下的长期稳定性。

为了更有效地监测前臂肌肉变形,传感器必须对手部运动具有高灵敏度。在封装在PDMS中的POFBG和传统的SOFBG之间进行了比较实验。传感器放置在伸肌指肌上,而惯性测量单元(IMU)传感器安装在四个手指上(不包括拇指),以同步收集角速度和加速度数据,用于校准手腕弯曲角度和运动幅度,如图3(a)所示。

在实验中,进行了手腕屈伸运动:初始位置保持2秒,然后是3秒的手腕屈伸,这个序列重复三次。相应的实验结果如图3(b)所示。

平均而言,POFBG的响应时间和恢复时间分别为530 ms和740 ms,比SOFBG的310 ms和250 ms慢。然而,这种时间差远小于静态和动态手势的持续时间。该系统捕捉的是完整的时间特征,而不仅仅是瞬时样本,并且在手势完成之前传感器就已经完全稳定,因此实时识别不受影响。同时,POFBG的波长偏移(940 pm)远大于SOFBG的(122 pm),显著提高了信噪比和特征区分度。它能够清晰地捕捉到动态手势中的细微肌肉变形,从而便于特征提取和识别,有效补偿了时间差,确保了识别的准确性和稳定性。对于第一个序列,图3(c)展示了波长偏移作为运动角度的函数。SOFBG对手腕运动的敏感度大约为1.61 pm/°,而POFBG的敏感度约为13.49 pm/°,大约是SOFBG的8.4倍。为了研究波长偏移与手势执行过程中手指运动角度之间的关系,传感器被放置在指浅屈肌上,同时拇指上安装了一个IMU传感器,如图4(a)所示。拇指以恒定速度弯曲。图4(b)展示了波长偏移作为运动角度的函数。下载:下载高分辨率图像(504KB)下载:下载全尺寸图像图4. (a) 拇指弯曲运动和传感器放置位置。(b) 两种传感器的手指弯曲敏感度拟合曲线。SOFBG对手指运动的敏感度大约为0.47 pm/°,而POFBG的敏感度约为3.92 pm/°,大约是SOFBG的8.3倍。这表明即使传感器附着在不同的肌肉上,POFBG仍然保持了显著更高的弯曲敏感度——无论是检测手指还是手腕运动——满足了高响应性和精度的实验要求。4. 手势识别4.1. 传感器放置和POFBG阵列布局传感器的数量和放置对于准确捕捉与手势相关的信号至关重要。考虑到参与手指伸展和弯曲的主要肌肉,共使用了四个POFBG传感器。这些传感器分别放置在示指伸肌、指浅屈肌和小指伸肌上,如表I所示。表I. 肌肉及其对应的传感器。肌肉对应的传感器示指伸肌FBG1小指伸肌FBG2指浅屈肌FBG3小指伸肌FBG4具体来说,指伸肌驱动四个手指的伸展,并与手腕伸展协调以打开手掌。指浅屈肌控制手指的弯曲,并与手腕弯曲配合以增强握力稳定性。示指伸肌使食指能够独立伸展,并在精细的手腕动作中提供辅助,而小指伸肌控制小指的独立伸展,并与尺侧手腕偏移共同作用以实现特定的姿势。这四种肌肉执行不同的但协调的功能,允许精确捕捉与运动相关的信息。在安装传感器时,每个传感器都应与其目标肌肉的纵向方向对齐,以确保最佳的应变灵敏度。由于PDMS的强粘附性,传感器可以直接固定在前臂肌肉上,或者使用医用胶带进一步固定以增强稳定性。实际的传感器放置配置如图5所示。在实验过程中,每个传感器的另一端通过光纤跳线连接到光纤解调器,解调器再连接到计算机。波长偏移数据通过主机计算机软件实时监控和记录,如图5(c)所示。下载:下载高分辨率图像(601KB)下载:下载全尺寸图像图5. 前臂上传感器的实际布局照片:(a) 背面和(b) 正面。(c) 实验设置,显示POFBG传感器、光纤解调器和数据采集计算机之间的连接。4.2. 手势集和数据采集根据传感器放置方案,设计了两种初始手势(IG1和IG2)以及十六种测试手势,以全面评估传感器系统识别各种手部运动的能力。在实验过程中,每个动作序列从初始手势开始,过渡到相应的测试手势,然后在保持测试位置后返回到初始手势。具体来说,IG1对应于G5(手腕旋转)、G6(拇指伸展)、G7(食指伸展)、G8(中指伸展)、G9(小指伸展)、G10(手掌打开)、G12(数字“7”手势)、G13(数字“8”手势)、G14(祝福手势)、G15(OK手势)和G16(鼓励手势)。IG2对应于G1(手腕伸展)、G2(手腕弯曲)、G3(手腕尺侧偏移)、G4(手腕桡侧偏移)和G11(握拳)。在十六种测试手势中,手势1-5代表手腕运动,手势6-13对应于手指运动,手势14-16涉及手指和手腕的复杂动态运动,如图6所示。下载:下载高分辨率图像(164KB)下载:下载全尺寸图像图6. 两种初始手势和十六种测试手势的示意图。使用光纤解调器测量了每种手势对应的波长偏移。在正式测试之前,参与者有足够的时间熟悉手势序列。确认他们熟悉测试程序后,开始正式实验,并记录传感器输出。为了更好地模拟现实世界条件,每个手势的持续时间没有固定。每个受试者从初始姿势开始,保持1-2秒,然后过渡到目标姿势,保持3-9秒,最后返回到初始位置。在此过程中,传感器输出信号容易受到外部干扰和噪声的影响;因此,需要对获得的波长曲线进行过滤以最小化干扰。对于静态手势测试,光纤传感器收集的信号相对稳定。主要目标是去除噪声,同时保持一致的基础线,而不过分平滑细微的静态特征变化。因此,应用了相邻平均法:我们设置了5个数据点的滑动窗口大小(对应于5毫秒的时间窗口,与询问器的1 kHz采样率相匹配),启用了“中心点”模式(用5个连续波长偏移数据的算术平均值替换窗口的中心数据点),并对整个信号序列应用了滤波器。对于动态手势测试,目标是在保留运动信号的整体动态趋势和关键拐点的同时抑制噪声;因此,采用了Savitzky–Golay滤波方法进行平滑处理。参数配置如下:多项式阶数为2(以避免过拟合),滑动窗口大小为11个数据点(11毫秒时间窗口),以及默认的“无导数”模式,该模式使用低阶多项式拟合局部数据点以保留与运动相关的特征。从实验中获得的全部十六种手势的处理后的波长偏移曲线如图7所示。下载:下载高分辨率图像(549KB)下载:下载全尺寸图像图7. 十六种测试手势的波长偏移的三维可视化:(a) G1–G8 和 (b) G9–G16。4.3. 静态手势分析和重复性为了便于分析十三种静态手势,每种手势连续重复了五次。图8展示了多次静态手势实验中特征区间内的平均波长偏移。由于手腕运动涉及的运动幅度大于手指手势,传感器因肌肉拉伸而承受更大的应变。因此,G1–G5(手腕运动)的波长偏移显著大于G6–G13(手指运动)的波长偏移。以G1为例,FBG2和FBG3显示红色偏移,而FBG1和FBG4显示蓝色偏移。相比之下,对于G2,只有FBG3显示蓝色偏移,FBG1、FBG2和FBG4都显示红色偏移。这种明显的波长偏移模式差异使得这两种手腕手势可以清晰区分。对G4的类似分析显示,其四个传感器显示的波长偏移趋势与G1相似。然而,这些手势之间的手腕运动幅度和肌肉收缩强度的差异导致肌肉应变程度不同,从而在波长偏移的大小上产生明显差异。因此,通过利用不同传感器之间的独特波长偏移模式以及在相似应变趋势下的偏移幅度变化,可以有效地实现静态手势识别。由于传感器之间的波长偏移幅度存在差异,因此使用相对标准偏差(RSD)来评估传感器输出信号的重复性。相应数据如表II所示。在这项研究中,使用了四个POFBG传感器构建了一个分布式传感网络。在这种配置中,手势识别不依赖于任何单个传感器的绝对重复性;相反,多传感器布置从空间角度提供了特征冗余和互补性。表II. 十三种静态手势的RSD手势FBG1FBG2FBG3FBG4平均值12.53%8.77%2.6%3.48%4.35%22.39%7.12%5.91%4.33%4.94%31.90%4.31%3.79%4.53%3.63%42.98%8.33%4.71%4.98%52.24%4.04%5.48%4.13%3.97%64.00%4.72%5.48%4.51%4.68%71.31%7.54%5.25%4.23%4.58%87.41%3.20%3.29%4.84%4.68%94.27%5.05%2.06%7.06%4.61%107.21%2.16%4.85%4.31%4.63%113.99%7.13%2.97%4.29%4.60%122.20%6.59%1.61%2.98%3.35%132.78%3.59%3.16%6.46%4.00%尽管单个传感器的最大RSD值达到了8.77%,主要是由于其位于狭窄或机械结构复杂的肌肉区域,那里轻微的不自主收缩和微位移引入了信号变化,但十三种手势类型的最大平均RSD值仅为4.98%。这些结果表明,在多传感器信号融合后,输出信号的分散仍然得到良好控制,表明系统稳定性优异。图9显示了在不同手势转换期间记录的波长偏移曲线。即使在手势切换期间,信号的静态特性也保持一致,进一步验证了传感器系统在捕捉稳定且可重复的手势相关应变信息方面的可靠性。下载:下载高分辨率图像(813KB)下载:下载全尺寸图像图9. 不同手势连续执行期间的波长偏移图:(a) 连续的手腕运动和(b) 连续的手指运动。对于从测试集中选出的三种动态手势(图10),识别主要依赖于分析波长偏移幅度的变化以及手势转换期间的信号整体趋势。以G16为例,在其执行的前半部分,动作类似于旋转运动;因此,波长曲线显示出与旋转手势相似的模式。在随后的阶段,抬起拇指的动作导致波长偏移发生明显变化,这在信号曲线中得到了清晰反映。在G14和G15的执行过程中也观察到了类似的现象,即在特定运动阶段发生突然的波长变化。通过利用这些“突然偏移”特征,即由快速手部动作引起的突然波长漂移变化,这些变化直接反映了手势的开始、方向和瞬态特性,以及整个手势执行过程中波长曲线的整体变化趋势,可以有效地识别动态手势。这证实了POFBG传感器系统结合目标信号分析,可以准确捕捉由动态手部运动引起的瞬态应变变化,从而区分不同类型的动态手势。5. 通过深度学习进行手势识别收集的数据使用CNN–LSTM–Attention混合算法进行处理和分类,其网络架构如图11所示。输入是一个固定长度为128个时间步长和4个POFBG通道的序列,输入形状为[batch_size, time_steps, channel](即(32, 128, 4)——其中32对应于训练中使用的批量大小。波长偏移数据被归一化到[0, 1]范围内,并在每个样本内进一步标准化,同时添加了0.01水平的高斯噪声以进行数据增强。使用了两层1D CNN(通道维度为4→64→64,3×1卷积核,填充=1),结合批量归一化、ReLU激活函数和0.1的丢弃率,以提取局部空间特征。单层双向LSTM(隐藏层大小为128)捕获时间依赖性,以及一个加性注意力模块自适应地加权关键时间段。最后,全连接层将聚合的特征映射到16个手势类别。该模型使用Adam优化器(学习率=1e-4)和交叉熵损失进行训练,批量大小为32,训练周期为500个周期。整个训练过程在配备AMD Ryzen 7 7735H CPU和NVIDIA GeForce RTX 4060 GPU的工作站上几分钟内完成。在测试GPU上,单个样本的平均推理时间少于5毫秒,确保系统满足自然、中等速度手势交互的响应要求。下载:下载高分辨率图像(373KB)下载:下载全尺寸图像图11.CNN–LSTM–Attention网络的架构图。共有五名受试者(三名男性和两名女性,包括体型偏瘦和偏胖的)参与了实验,产生了超过2000个手势样本用于深度学习。其中80%用于训练,20%用于测试。长短期记忆(LSTM)算法在手势识别中应用广泛,对十六种手势的总体识别准确率为90.93%。相比之下,提出的CNN–LSTM–Attention模型将局部空间特征与关键时间段的时间权重相结合,显著提高了分类性能。训练结果如图12所示:静态手势的识别准确率为95.29%,动态手势的识别准确率为97.75%,所有16种手势的总体识别准确率为95.85%。同时,该模型能够保持稳定的识别准确率,影响系统性能的核心因素在于传感器能否准确放置在相应的肌肉上,而非时间流逝。误分类主要发生在肌肉激活模式高度相似的手势中(例如G5、G6、G9),这是由于光纤布拉格光栅(FBG)传感器捕获的应变响应重叠所致。未来的研究将集中在优化传感器布置方案和引入多模态感测技术上,以更好地区分相似手势之间的细微差异。

下载:下载高分辨率图片(638KB)
下载:下载全尺寸图片

图12. 使用CNN–LSTM–Attention算法对十六种手势的识别性能

6. 讨论
为了阐明所提出方法的性能,表III展示了本研究与基于传感器属性的先前工作之间的逐参数比较。

表III. 手势识别研究成果的比较

| 传感器类型 | 手势数量 | 动态/静态 | 算法 | 准确率 |
|--------|---------|--------|------|-------|
| POF [18] | 手指 | 5 | 随机森林 | 98.4% |
| D-POF [19] | 手指 | 5 | SVM | 99.8% |
| MNF [21] | 腕部 | 手指 | 3 | SVM | 94% |
| POF [22] | 腕部 | 手指 | 1 | SAD | 91% |
| FBG [25] | 前臂肌肉 | 手指+腕部 | 4 | LSTM | 96.67% |
| sEMG [35] | 前臂肌肉 | 手指+腕部 | 8 | 是 | CNN-LSTM | 84.2% |
| 多传感器 [36] | 手指 | 手指+腕部 | 11 | CNN | 90% |
| POFBG(本研究)| 前臂肌肉 | 手指+腕部 | 4 | CNN-LSTM-Attention | 95.85% |

尽管手套型传感器[18]和[19]分别实现了98.4%和99.8%的高识别准确率,但它们依赖于相对较多的传感器(每种5个),并且仅限于识别静态手指手势,不支持动态手势识别。腕带型传感器[21]和[22]也只能识别静态手指手势,其识别性能相对较差,准确率分别为94%和91%。基于FBG的研究[25]将传感器部署在前臂肌肉上,针对手腕动作,准确率为96.67%,但仅支持8种静态手势类别。其他感测方法[35]和[36]使用大量传感器(分别为8个和11个)来执行结合手指和手腕动作的动态手势识别,但仅支持少数可识别的手势(5个类别),且准确率较低(84.2%–90%),导致整体性能一般。

相比之下,本研究提出的基于POFBG的系统仅使用4个传感器部署在前臂肌肉上,在所有评估参数中表现出优异的性能。与手套型和腕带型设备相比,它提供了更舒适的佩戴体验。在手势覆盖范围方面,它能够识别13种静态手势(结合了手指和手腕类别,克服了单一类型识别的局限性)和3种动态手势(解决了先前研究中缺乏动态手势识别的问题)。在准确率方面,该系统通过CNN–LSTM–Attention机制实现了95.85%的总体识别率。通过平衡多种类型的静态手势覆盖和动态手势识别,所提出的系统在综合性能上表现出色,与以往报道的方法相比,既具有高识别精度,又具有出色的适应性。

7. 结论
本研究提出了一种基于监测前臂肌肉变形的手势识别方法,使用POFBG进行非侵入式检测手指和手腕动作。四个传感器分别战略性地放置在伸指肌、示指伸肌、浅屈指肌和小指伸肌上。实验结果证实,PDMS封装的POFBG表现出优异的抗蠕变性能、高灵活性和显著增强的灵敏度,解决了传统光纤传感器在可穿戴手势感测中的脆弱性和低灵敏度问题。利用该感测系统,成功识别了13种静态手势和3种动态手势,最大平均相对标准偏差(RSD)仅为4.98%,显示出强烈的信号稳定性和重复性。值得注意的是,较低的RSD值表明系统在多次测量中能够保持一致的性能,这对于实际长期使用至关重要。

从五名受试者收集的数据集用于训练CNN–LSTM–Attention模型,该模型对静态手势的识别准确率为95.29%,对动态手势的识别准确率为97.75%,总体准确率为95.85%。这种高识别性能验证了所提出的混合网络在融合时空特征进行复杂手势分类方面的有效性。所提出的系统提供了一种轻量级、灵活且不受电磁干扰的替代方案,相比手套或腕带型设备具有更大的实际应用潜力。尽管取得了这些有希望的结果,但仍存在一些局限性。个体前臂肌肉分布和强度的变化可能会影响最佳传感器布置和识别准确率,而环境变化(如温度波动和湿度)可能会影响感测性能。这些因素限制了系统在不同用户群体和复杂现实世界环境中的泛化能力。为了减轻这些影响,采用了PDMS封装来减少湿度和汗液的影响,并优化了皮肤粘附性以保持稳定接触。此外,当前530毫秒的响应时间和740毫秒的恢复时间可能对需要低于100毫秒响应的高速人机交互(HCI)应用造成限制。未来的研究将集中在四个具体方向:(1)开发自适应传感器校准算法,以减少个体和环境差异对感测可靠性的影响;(2)基于POF的热光和弹性光系数集成实时温度补偿算法,以解耦温度和应变引起的波长变化;(3)探索有效的技术方法来减少传感器的响应延迟并提高其动态性能,以满足更苛刻的应用需求;(4)将系统集成到实际的人机交互场景中,进一步提高其实用性。

数据可用性
数据将按需提供。

CRediT作者贡献声明
徐一丁:撰写 – 审稿与编辑、撰写 – 原稿、方法论、数据管理、概念化。
梁伟斌:撰写 – 审稿与编辑、验证、监督、资金获取、概念化。
罗斌斌:撰写 – 审稿与编辑、验证、监督、资金获取、概念化。
曲航:撰写 – 审稿与编辑、验证、监督、资金获取、概念化。
Getinet Woyessa:撰写 – 审稿与编辑、验证、监督、资金获取、概念化。
Ole Bang:撰写 – 审稿与编辑、验证、监督、资金获取、概念化。
胡学浩:撰写 – 审稿与编辑、验证、监督、资金获取、概念化。

CRediT作者贡献声明
徐一丁:数据管理、形式分析、调查、软件、可视化、撰写 – 原稿。
梁伟斌:形式分析、方法论、资源管理、验证。
罗斌斌:形式分析、资金获取、方法论、项目管理、监督、撰写 – 审稿与编辑。
曲航:方法论、资源管理、监督、撰写 – 审稿与编辑。
Getinet Woyessa:形式分析、监督、撰写 – 审稿与编辑。
Ole Bang:资源管理、监督、撰写 – 审稿与编辑。
胡学浩:形式分析、调查、方法论、监督、验证、撰写 – 审稿与编辑。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号