科学家用机器学习训练出一个智能AI耳机线

  • A+
所属分类:技术资讯

科学家Alex Olwal(亚历克斯奥尔瓦)实现了一个奇思妙想,让织物有与人互动的能力。
通过改善美学、舒适和人体工程学,可以帮助纤维科学技术融入我们的日常生活。材料和灵活电子技术的发展使检测和显示技术能够融合到大衣、衣服、毯子等柔软材料中。现在织物复盖的智能扬声器和编织的耳房实现了这一愿景。
Alex Olwal开发了多种原型,以展示电子布体系结构的功能。电子布USB-C耳机可以控制手机的媒体播放,通过连帽衬衫带在衣服上添加隐形的音乐控制,并且具有用于智能扬声器手势控制的交互式线条。
交互式扬声器线,可以通过连续(扭/滚动)和离散手势(捏/拍)同时控制音乐播放。
左图:灯光点=播放/暂停;中间。双击=下一条轨道;右边。滚动=卷/-
可扩展的交互式电子纤维体系结构,具有嵌入式触摸检测、手势识别和视觉反馈。
机器学习和双向纤维相结合
在ACM CHI 2020篇论文中,他演示了如何将交互性导入软设备,将机器学习(ML)与交互式光纤拓扑相结合,以并行使用离散和连续手势。
实验从12名新参加者收集了数据,获得了864个手势样本,每个手势有16个特征,这些特征随时间以80个观察值线性插补。
由于接受个人差异,参与者很大程度上依赖用户风格、偏好和解剖学结构,因此可以按照自己的风格进行8种手势。
因此,管道旨在进行用户依赖的培训,例如顺时针/逆时针使用不匹配、时间手势之间重叠的用户独立系统中更严格的一致性说明、更多群组中的数据以及更多不同环境中发生的情况。此外,课程中的实时反馈有助于减少用户调整自己的动作时产生的差异。
[[
12名参与者(横轴)对8个手势(纵轴)进行了9次重复(动画)。每个子图像显示16个重叠的唯一矢量,并随时间插补80个观测值。
8个重复的培训,通过9个排列,1个重复的测试,对每个手势的每个用户进行交叉验证,获得了大约94%的手势识别准确度。这个结果特别令人鼓舞,考虑到这个低分辨率传感器矩阵所具有的表现力。
这里要注意的是,迭代检测矩阵的固有关系非常适合机器学习分类。研究中使用的ML分类器通过对有限数据进行快速培训,使用户依赖的交互系统变得合理。根据他的经验,对典型手势的训练不足30s,相当于训练指纹传感器所需的时间。
ACM CHI 2020会议论文:https://dl.acm.org/doi/abs/10.

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: