This article investigates the use of acoustic signals recorded at the human wrist for hand gesture recognition. The prototype consists of 40 microphones to be worn at the wrist. The gesture recognition performance is evaluated through the identification of 36 gestures in American sign language (ASL), including 26 ASL alphabetical characters and 10 ASL numbers. The optimal area for sensor band placement (distal/proximal) is examined to reveal the location of the highest discrimination accuracy. Ten subjects are recruited to perform over ten trials for each set of hand gestures. Using mutual information-based feature selection methods, two time-domain features: difference absolute mean value and log-energy entropy, is selected from 35 commonly used time-domain features for the hand gesture classification. As a proof-of-concept, two common classification methods, linear discriminant analysis and support vector machine, is used to classify hand gestures from the acoustic measurements recorded by each subject. Results show the intrasubject average classification accuracy above 90% using the two features with all 40 microphones, while the average classification accuracy exceeding 84% is obtained using ten microphones. These results indicate that acoustic signatures from the human wrist can be utilized for hand gesture recognition, while the use of few, simple features, with low computational requirements is sufficient to characterize some hand gestures. The proposed technique demonstrates a promising means for developing a low-cost wearable hand gesture recognition device using microphones.

中文翻译：

---

使用多个手腕声学测量进行手势识别

本文研究使用人类手腕上记录的声学信号进行手势识别。原型包括 40 个戴在手腕上的麦克风。通过识别美国手语（ASL）中的36个手势来评估手势识别性能，其中包括26个ASL字母字符和10个ASL数字。检查传感器带放置（远侧/近侧）的最佳区域，以揭示最高辨别精度的位置。招募十名受试者对每组手势进行十多次试验。使用基于互信息的特征选择方法，从 35 个常用的时域特征中选择两个时域特征：差分绝对平均值和对数能量熵，用于手势分类。作为概念验证，两种常见的分类方法，线性判别分析和支持向量机，用于从每个受试者记录的声学测量中对手势进行分类。结果表明，使用所有 40 个麦克风时使用这两个特征的受试者内平均分类准确度超过 90%，而使用十个麦克风获得的平均分类准确度超过 84%。这些结果表明，来自人类手腕的声学特征可用于手势识别，而使用少量、简单、计算要求低的特征就足以表征一些手势。所提出的技术展示了一种使用麦克风开发低成本可穿戴手势识别设备的有前途的方法。用于从每个受试者记录的声学测量中对手势进行分类。结果表明，使用所有 40 个麦克风时使用这两个特征的对象内平均分类准确度超过 90%，而使用十个麦克风获得的平均分类准确度超过 84%。这些结果表明，来自人类手腕的声学特征可用于手势识别，而使用少量、简单、计算要求低的特征就足以表征一些手势。所提出的技术展示了一种使用麦克风开发低成本可穿戴手势识别设备的有前途的方法。用于从每个受试者记录的声学测量中对手势进行分类。结果表明，使用所有 40 个麦克风时使用这两个特征的对象内平均分类准确度超过 90%，而使用十个麦克风获得的平均分类准确度超过 84%。这些结果表明，来自人类手腕的声学特征可用于手势识别，而使用少量、简单、计算要求低的特征就足以表征一些手势。所提出的技术展示了一种使用麦克风开发低成本可穿戴手势识别设备的有前途的方法。结果表明，使用所有 40 个麦克风时使用这两个特征的对象内平均分类准确度超过 90%，而使用十个麦克风获得的平均分类准确度超过 84%。这些结果表明，来自人类手腕的声学特征可用于手势识别，而使用少量、简单、计算要求低的特征就足以表征一些手势。所提出的技术展示了一种使用麦克风开发低成本可穿戴手势识别设备的有前途的方法。结果表明，使用所有 40 个麦克风时使用这两个特征的对象内平均分类准确度超过 90%，而使用十个麦克风获得的平均分类准确度超过 84%。这些结果表明，来自人类手腕的声学特征可用于手势识别，而使用少量、简单、计算要求低的特征就足以表征一些手势。所提出的技术展示了一种使用麦克风开发低成本可穿戴手势识别设备的有前途的方法。低计算要求足以表征一些手势。所提出的技术展示了一种使用麦克风开发低成本可穿戴手势识别设备的有前途的方法。低计算要求足以表征一些手势。所提出的技术展示了一种使用麦克风开发低成本可穿戴手势识别设备的有前途的方法。