Key points are not available for this paper at this time.
في هذه الورقة، نقترح نهجًا جديدًا باستخدام شبكة عصبية تلافيفية مكدسة قائمة على ذوبانية الغاز هنري (HGS-SCNN) للتعرف على إيماءات اليد باستخدام مستشعرات التخطيط الكهربائي للعضلات السطحي (sEMG). تساعد البنية المكدسة لنموذج CNN في التقاط كل من الميزات منخفضة المستوى وميزات المستوى العالي، مما يمكّن التعلم الفعال لتمثيل البيانات. للبدء، قمنا بإنشاء مجموعة بيانات تتكون من 600 عينة من إيماءات اليد. بعد ذلك، قمنا بتطبيق تقنية تحويل المويجات المنفصلة (DWT) لاستخراج الميزات من إشارة السEMG المفلترة. أتاح لنا هذه الخطوة التقاط كل من المعلومات المكانية وتردد المعلومات، مما يعزز القوة التمييزية للميزات المستخرجة. تم إجراء تجارب شاملة لتقييم أداء نموذج HGS-SCNN المقترح. بالإضافة إلى ذلك، تتم مقارنة النتائج الناتجة مع التقنيات الحديثة، وهي AOA-SCNN، GWO-SCNN، وWOA-SCNN. تُظهر التحليل المقارن أن HGS-SCNN يتفوق على هذه الطرق القائمة، حيث حقق دقة مثيرة للإعجاب تبلغ 99.3%. تؤكد النتائج التجريبية فعالية نهجنا المقترح في الكشف الدقيق عن إيماءات اليد. يقدم الجمع بين استخراج الميزات القائم على DWT ونموذج HGS-SCNN التعرف القوي والموثوق على إيماءات اليد، مما يفتح آفاق جديدة لتفاعل الإنسان والآلة بشكل بديهي وتطبيقات تتطلب التحكم القائم على الإيماءات.
زافر وآخرون (الثلاثاء،) درسوا هذا السؤال.