Human Hand Gesture Recognition System Using Body Sensor Network

Maheen, Asra; Shahzad, Moosa Bin; Asif, Muneeb; S, Ahmad; Zafar, Saqib; Maqbool, Hafiz Farhan; Usman, Muhammad; Arshad, Hira

doi:10.1109/icrai54018.2021.9651389

Cited by 4 publications

(4 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…In terms of the selection of experimental subjects, the experimental participants presented in some papers [ 48 , 50 , 53 , 54 , 56 , 57 , 58 , 60 , 65 , 69 , 70 , 71 , 73 , 74 , 75 ] selected disease patients or a combination of disease patients and healthy participants for the experimental research. Another approach [ 42 , 46 , 47 , 49 , 51 , 55 , 59 , 62 , 66 , 67 , 68 , 72 , 76 ] was to recruit disease-simulated subjects to imitate patients for exercise experiments. There was a certain gap between the information collected by simulated subjects and the real data of patients, and it was difficult to guarantee the authenticity and validity of the research results.…”

Section: Discussionmentioning

confidence: 99%

“…From the types of wearable sensors summarized in Table 2 , it can be observed that the simultaneous use of multiple sensors has been a research trend in recent years [ 42 , 46 , 48 , 49 , 50 , 53 , 54 , 56 , 57 , 58 , 60 , 61 , 65 , 67 , 68 , 69 , 70 , 71 , 73 , 75 , 76 ]. However, sensors worn in different positions on the body pose a considerable challenge to data integration due to their different sampling frequencies.…”

Section: Discussionmentioning

confidence: 99%

See 1 more Smart Citation

The Application of Wearable Sensors and Machine Learning Algorithms in Rehabilitation Training: A Systematic Review

Wei,

2023

Sensors

View full text Add to dashboard Cite

The integration of wearable sensor technology and machine learning algorithms has significantly transformed the field of intelligent medical rehabilitation. These innovative technologies enable the collection of valuable movement, muscle, or nerve data during the rehabilitation process, empowering medical professionals to evaluate patient recovery and predict disease development more efficiently. This systematic review aims to study the application of wearable sensor technology and machine learning algorithms in different disease rehabilitation training programs, obtain the best sensors and algorithms that meet different disease rehabilitation conditions, and provide ideas for future research and development. A total of 1490 studies were retrieved from two databases, the Web of Science and IEEE Xplore, and finally 32 articles were selected. In this review, the selected papers employ different wearable sensors and machine learning algorithms to address different disease rehabilitation problems. Our analysis focuses on the types of wearable sensors employed, the application of machine learning algorithms, and the approach to rehabilitation training for different medical conditions. It summarizes the usage of different sensors and compares different machine learning algorithms. It can be observed that the combination of these two technologies can optimize the disease rehabilitation process and provide more possibilities for future home rehabilitation scenarios. Finally, the present limitations and suggestions for future developments are presented in the study.

show abstract

Section: Discussionmentioning

confidence: 99%

Section: Discussionmentioning

confidence: 99%

The Application of Wearable Sensors and Machine Learning Algorithms in Rehabilitation Training: A Systematic Review

Wei,

2023

Sensors

View full text Add to dashboard Cite

show abstract

“…La electromiografía son registros de la actividad eléctrica de los músculos como un efecto de las contracciones realizadas, con estas señales se han realizado estudios enfocados a descubrir la forma en que se realiza el control muscular con el fin de generar controles artificiales de los movimientos de la mano. Por lo cual se ha buscado analizar los movimientos desarrollando modelos matemáticos para clasificarlos, para crear estos modelos es necesario contar con datos, sin embargo, algunos grupos de investigación se enfocan a desarrollar dispositivos de adquisición [6,8], otros cuentan con dispositivos comerciales especializados [11][12][13], pero la gran mayoría hace uso de bases de datos publicadas por estos dos grupos de investigaciones donde se prueba y analiza la información proporcionada [14][15][16][17]. Por lo tanto, actualmente hay un número limitado de bases de datos, de las cuales podemos categorizarlas en función a sus características, ventajas y desventajas.…”

Section: Estado Del Arteunclassified

Evaluación de la eficacia de PCA e ICA en la mejora del reconocimiento de movimientos musculares a partir de señales EMG crudas

Amezquita Garcia,

Bravo Zanoguera,

Murrieta Rico

2023

Rev. Ci. Tec.

View full text Add to dashboard Cite

En la última década el desarrollo de modelos de clasificación a través de aprendizaje automático para control de dispositivos protésicos multifuncionales ha ido en aumento. La electromiografía (EMG) son registros producidos por las fibras musculares de forma natural al realizar movimientos, de modelarse podrían tener un papel de forma más activa en este tipo de control. Estas señales son utilizadas para control de dispositivos/aplicaciones, el problema con estos modelos es la naturaleza estocástica de la señal, la variabilidad entre sujetos y la comunicación cruzada inherente que los vuelve inexactos ante un número alto de movimientos. La naturaleza estocástica y la variabilidad de la señal ya son ampliamente estudiadas, sin embargo, no existen aún resultados definitivos que describan modelos de clasificación de movimientos generalizables. Aquí se estudian dos bases de datos disponibles en la red CapgMyo y the Ninapro project, se evalúan las características de estas, teniendo como objetivo investigar la variabilidad de la señal muscular entre sujetos, los factores que la modifican y como afecta el uso de análisis de componentes principales (PCA) y el análisis de componentes independientes (ICA) a la información del EMG en modelos de clasificación. Se realizó una comparación entre los resultados en términos de porcentajes de reconocimiento de métodos clásicos de aprendizaje automático como el análisis discriminante lineal (LDA) y el cuadrático (QDA) utilizando técnicas de trasformación a nuevos espacios introduciendo la posibilidad de realizar una reducción de la dimensionalidad con PCA e ICA, algoritmos usualmente utilizados para resolver problemas como la separación ciega de fuentes (BSS) que es aplicable al fenómeno presentado en señales musculares y su adquisición a través de electrodos superficiales. Los resultados pueden evaluarse a través del porcentaje de reconocimiento de los modelos de clasificación creados, estos muestran que para señales crudas de EMG los métodos de PCA e ICA son útiles para realizar una reducción de la dimensionalidad de los datos sin aportar un aumento significativo en los porcentajes de reconocimiento. Se demostró que los porcentajes de reconocimiento en la clasificación de los movimientos para la base de datos Capgmyo fueron superiores gracias a las características que la definen, se obtuvo un mayor porcentaje de reconocimiento que va del 72.5% al 87.9% con QDA, y del 82.8 al 90% para QDA con PCA. La aportación principal es la evaluación de la eficacia de algoritmos como PCA e ICA en tareas de aprendizaje automático con datos crudos de EMG. Como trabajo futuro esta ir plasmando las bases para reducir los efectos de la comunicación cruzada en los registros de EMG.

show abstract

“…There are many techniques for recognizing the hand motion to control the robot, such as Vision-based Gesture Recognition [8], Motion Capture Sensor Recognition [9], laser-based tracking system [11], Accelerometer-based Gesture Recognition [10], human arm movement detection using potentiometers [12], Body Sensor Network [13] … In [14], Zhou et al used two wearable inertial sensors to measure human upper limb movement. A Kalman filter is applied to reduce the measurement drift in segment orientation.…”

Section: Introductionmentioning

confidence: 99%

Control the robot arm through vision-based human hand tracking

Phuong,

Cong

2024

FME Transactions

View full text Add to dashboard Cite

In this paper, hand tracking based on computer vision is developed to control the movement of a SCARA robot arm. The robot arm will move according to the movement of the human hand. Instead of using buttons on the teach-pendant or a computer control program to move the robot arm, the robot can now be easily controlled and positioned quickly by the movement of the operator's hand. A SCARA robot arm with two rotation joints and one translation motion is constructed for the validation system. Two states of the hand are recognized for controlling the vacuum cup to grasp the products. Stepper motors drive the robot arm. Arduino Uno is used as the main controller for controlling the stepper motors. The handtracking is performed by using the MediaPipe Hands framework developed by Google. The coordinates of 21 hand landmarks are extracted for further processing. A program is written on a personal computer to process the image to get the position and state of the hand. This position is transformed into the rotation angles of the robot's joints. Then, the angles and state are sent to the Arduino board. The Arduino board creates pulse signals to rotate the stepper motors. The experimental results show that the robot's trajectory is close to the hand trajectory at a low speed.

show abstract

Human Hand Gesture Recognition System Using Body Sensor Network

Cited by 4 publications

References 14 publications

The Application of Wearable Sensors and Machine Learning Algorithms in Rehabilitation Training: A Systematic Review

The Application of Wearable Sensors and Machine Learning Algorithms in Rehabilitation Training: A Systematic Review

Evaluación de la eficacia de PCA e ICA en la mejora del reconocimiento de movimientos musculares a partir de señales EMG crudas

Control the robot arm through vision-based human hand tracking

Contact Info

Product

Resources

About