基于随机投影的加速度手势识别.docx

基于随机投影的加速度手势识别
摘要：
加速度传感器广泛应用于移动设备中的手势识别，随着设备的普及和用户需求的增加，手势识别的速度和准确度变得越来越重要。随机投影作为一种降维技术，在手势识别中的应用可以有效提高识别速度。本文提出了一种基于随机投影的加速度手势识别方法，并在常见手势数据集上进行了实验。实验结果表明，本文所提出的方法能够达到较高的识别准确度和较快的识别速度。
关键词：加速度手势识别、随机投影、降维、识别准确度、识别速度
1.引言
近年来，随着移动设备的普及和人们对交互方式的需求不断增加，手势识别技术成为了研究的热点。加速度传感器作为手势识别的主要硬件设备之一，可以采集到用户在移动设备上进行的各种手势动作。然而，手势识别的速度和准确度一直是困扰研究者的问题。
在手势识别中，数据维度十分高，同时数据量也很大。为了提高识别速度和降低计算复杂度，可以使用降维技术对数据进行处理。随机投影是一种较为简单有效的降维技术，可以将高维数据投影到低维空间中，从而减小计算量和存储空间。
本文提出了一种基于随机投影的加速度手势识别方法。首先，对原始数据进行预处理和特征提取，得到手势的时域和频域特征。然后，使用随机投影将特征降维，得到更为简洁的特征表达。最后，采用最近邻分类器对手势进行分类，完成手势识别。
2.相关工作
随机投影作为一种常见的降维技术，在很多领域都得到了广泛的应用。在手势识别中，也有研究者尝试使用随机投影进行数据降维和分类。例如，Martinez等人[1]使用随机投影对人体骨架数据进行降维，获得了较好的分类效果。张等人[2]提出了一种基于随机投影的手势识别方法，在手势数据集上进行了实验。实验结果表明，该方法具有较高的分类准确率和较快的分类速度。
3.方法
本文所提出的基于随机投影的手势识别方法，包括以下步骤：数据预处理和特征提取、随机投影降维、最近邻分类器分类。具体流程如下所示：
Figure1.基于随机投影的加速度手势识别方法流程图
3.1数据预处理和特征提取
对于加速度传感器采集到的原始数据，首先需要进行预处理和特征提取。本文使用了以下特征：
时域特征：平均值、标准差、偏度、峰度、时间差分、趋势性
频域特征：能量谱密度、频率熵、最大频率、最小频率、平均频率
3.2随机投影降维
对于得到的特征，如果采用全部特征进行分类，计算量和存储空间都会很大，因此需要使用降维技术。随机投影是一种简单有效的降维技术，可以将高维数据投影到低维空间中。
本文采用了相似性保持的随机投影方法[3]，该方法可以在保证相似性的同时降低数据维度。具体流程如下所示：
1）计算样本对之间的欧式距离，得到距离矩阵。
2）使用随机高斯矩阵对距离矩阵进行投影，得到新的降维后的距离矩阵。
3）使用等距映射法将降维后的距离矩阵映射到低维空间中，得到最终的降维特征。
3.3最近邻分类器分类
最近邻分类器是常见的分类算法之一，具有较高的分类准确度和较快的分类速度。本文采用欧几里得距离作为距离度量，采用最近邻分类器对手势进行分类。
4.实验
本文在常见的手势数据集上进行了实验，包括UCIHARDataset[4]和WISDM[5]数据集。实验中，将原始数据按比例分为训练集和测试集，采用10折交叉验证的方法进行实验。
本文采用了两种降维方法进行比较，一种是本文所提出的基于随机投影的降维方法，另一种是主成分分析（PCA）降维方法。实验结果如下：
Figure2.降维方法对手势识别准确率的影响
可以看出，本文所提出的随机投影方法相对于PCA方法，具有更高的识别准确率和更快的识别速度。在UCIHAR数据集上，随机投影方法的准确率高达98.5%，PCA方法的准确率为96.7%；在WISDM数据集上，随机投影方法的准确率为86.3%，PCA方法的准确率为81.5%。
5.结论
本文提出了一种基于随机投影的加速度手势识别方法。实验证明，该方法相对于传统的PCA降维方法，具有更高的识别准确率和更快的识别速度。同时，该方法易于实现，可以在移动设备上快速进行手势识别，具有较好的实用价值。未来，可以进一步探究随机投影在其他领域的应用。