Air-Writing Recognition Enabled by a Flexible Dual-Network Hydrogel-Based Sensor and Machine Learning
Notice bibliographique
Résumé
Accurate air-writing recognition is pivotal for advancing state-of-the-art text recognizers, encryption tools, and biometric technologies. However, most existing air-writing recognition systems rely on image-based sensors to track hand and finger motion trajectories. Additionally, users' writing is often guided by delimiters and imaginary axes which restrict natural writing movements. Consequently, recognition accuracy falls short of optimal levels, hindering performance and usability for practical applications. Herein, we have developed an approach utilizing a one-dimensional convolutional neural network (1D-CNN) algorithm coupled with an ionic conductive flexible strain sensor based on a sodium chloride/sodium alginate/polyacrylamide (NaCl/SA/PAM) dual-network hydrogel for intelligent and accurate air-writing recognition. Taking advantage of the excellent characteristics of the hydrogel sensor, such as high stretchability, good tensile strength, high conductivity, strong adhesion, and high strain sensitivity, alongside the enhanced analytical ability of the 1D-CNN machine learning (ML) algorithm, we achieved a recognition accuracy of ∼96.3% for in-air handwritten characters of the English alphabets. Furthermore, comparative analysis against state-of-the-art methods, such as the widely used residual neural network (ResNet) algorithm, demonstrates the competitive performance of our integrated air-writing recognition system. The developed air-writing recognition system shows significant potential in advancing innovative systems for air-writing recognition and paving the way for exciting developments in human-machine interface (HMI) applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».