Praxis 数据集上的手势分类：以精度换取开销
人工智能
2023-11-03 v1
摘要
在本文中，我们研究了依赖使用 RGB-Depth 传感器记录的抽象“骨骼”数据的手势分类器。我们关注由 Praxis 数据集中身体关节坐标表示的“骨骼”数据。PRAXIS 数据集包含患有阿尔茨海默病等皮质病变的患者在临床医生指导下进行 Praxis 测试的记录。在本文中，我们提出的手势分类器在 PRAXIS 数据集上比以往提出的模型更有效。身体关节数据提供了一种压缩形式的数据，可以专门用于手势识别。我们将窗口技术与深度学习架构（如循环神经网络 (RNN)）相结合，仅使用身体关节数据就实现了 70.8% 的总体精度。此外，我们研究了长短期记忆网络 (LSTM)，以通过时间提取并分析关节的运动，从而识别正在执行的手势，并分别在静态和动态手势中实现了 74.3% 和 67.3% 的手势识别率。所提出的方法有助于开发一种自动化、准确且低成本的皮质病变诊断方法，适用于多种医疗保健应用。
关键词
引用
@article{arxiv.2311.00767,
title = {Hand Gesture Classification on Praxis Dataset: Trading Accuracy for Expense},
author = {Rahat Islam and Kenneth Lai and Svetlana Yanushkevich},
journal= {arXiv preprint arXiv:2311.00767},
year = {2023}
}
备注
8 pages, 6 figures