Ululate: A Non-Intrusive, Wearable Tongue Gesture Detection System for Human-Computer Interaction
Notice bibliographique
Résumé
Human-computer interaction (HCI) focuses on improving the user's interaction with the computer.HCI enhances user experience in a wide range of applications, such as medical, security, autonomous vehicles, and wearable smart devices.While several systems have already developed tongue-based HCI that aim to be used as an input device, the majority require tongue piercing, dental retainers, and multiple electrodes on the chin, in the mouth or ears.These approaches are generally unhygienic, intrusive, and unsuitable to use in public areas esthetically.In this study, we designed Ululate, a hygienic, unobtrusive, and non-intrusive tongue gesture detection system that detects tongue movement by measuring vibration on the neck.The proposed system uses a sensing unit (accelerometer) that can be positioned below the lower jaw on the Genioglossus muscle.Hence, it does not require any in-mouth installation.Classification is conducted using four types of supervised machine learning algorithms, namely K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Decision Tree, and Random Forest, then the accuracy of each algorithm using five different accuracy matrices is compared.The initial result of tongue gestures demonstrates that random forest shows the highest accuracy (97%).The overall designed system is lightweight, low profile, and low cost, which makes it efficient for everyday use.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».