成果简介
手势传感器对于采集人机界面中的人体动作至关重要，但其应用通常受到难以同时实现高灵敏度和超宽响应范围的阻碍。本文，北京理工大学Yu-Tao Li、清华大学 任天令教授等在《ACS Appl. Mater. Interfaces》期刊发表名为“Machine Learning-Assisted Gesture Sensor Made with Graphene/Carbon Nanotubes for Sign Language Recognition”的论文，研究提出受自然界中蜘蛛网结构的启发，提出了一种具有核壳结构的新型手势传感器。该传感器的测量系数高达340，响应范围宽达60%。此外，该传感器还与深度学习技术相结合，创建了一个精确手势识别系统。
在单个手势识别测试中，该系统的准确率达到了令人印象深刻的 99%。同时，通过使用滑动窗口技术和大语言模型，在连续句子识别中实现了 97% 的高准确率。总之，所提出的高性能传感器大大提高了手势识别传感器的灵敏度和响应范围。同时，结合神经网络技术，进一步改善了手语使用者的日常交流方式。
图文导读
图1.蜘蛛网和手势传感器原型核壳结构。
图2.GNCGS 中核壳结构的有效性。
图3.GNCGS的动态性能。
图4.GNCGS 的机理分析和SEM 图像。
图5.基于智能手套和机器学习的手势识别。
图6.用于句子识别和句子分割过程的模型的标记过程。
小结
本文提出了一种灵敏度高、响应范围宽的新型手势识别设备。受蜘蛛丝启发的核壳结构用于制造 WPU 传感器的基板。与石墨烯复合的 N-CNT 通过界面粘附牢固地粘附形成 GNCGS。为了评估不同掺杂比的石墨烯和 N-CNT 的传感器性能，研究了二维和一维纳米材料之间的点、线和表面接触，以实现高灵敏度 （GF = 340） 和宽响应范围 （60%） 的耦合。对于智能算法，从多个GNCGS中提取和学习时空信息。所提出的单一手势识别模型的准确率达到了99%。句子识别模型是通过将手势之间的空白信号馈送到模型中来实现的。通过将数字字符串处理与 abab6 chat 大语言模型相结合，实现了句子分割和预测功能，准确率达到97%。这项工作为手势识别系统中的传感器结构提出了一个新概念，展示了纳米材料复合材料将高灵敏度和宽响应范围与深度学习在手语识别系统中的应用相结合的潜力。
文献：https://doi.org/10.1021/acsami.4c10872
本文来自材料分析与应用，本文观点不代表石墨烯网立场，转载请联系原作者。
