黃文吉朱晏呈Chu, Yen-Cheng2019-09-052019-07-232019-09-052019http://etds.lib.ntnu.edu.tw/cgi-bin/gs32/gsweb.cgi?o=dstdcdr&s=id=%22G060647009S%22.&%22.id.&http://rportal.lib.ntnu.edu.tw:80/handle/20.500.12235/106517本論文提出基於感測器的連續手勢辨識系統，使用者右手握著智慧手機做出動作，透過收集搭載在手機上的感測器－三軸陀螺儀與三軸加速度計產生的訊號，總計六維度的資料來構成手勢。面對手勢這種時間序列資料，加上為解決連續手勢中找出切割點(Spotting)的問題，本論文中提出基於Feedforward Neural Networks建立出的深度學習模型，整合現行架構中已被證實能夠更加有效利用Convolutional Neural Networks的結構－ResNet、GoogLeNet與Inception-ResNet，將這些概念與PairNet做結合。 實驗中使用透過手機蒐集的11種手勢，在測試時一次會輸入含有1~4個手勢的資料，進到事先訓練好的類神經網路模型之中，再經由後處理得到辨識結果，而這樣的演算法則能處理傳統方法上無法有效解決的Spotting問題。另外，根據提出的模型ResPairNet在連續手勢上的辨識率，比LSTM高出7%以上的結果也可推得－Feedforward Neural Networks在時間序列資料的處理上，比Recurrent Neural Networks更加強大、有效，將這些原本應用於影像領域的結構，套用到處理時間資料的問題上，能夠更進一步提升Feedforward Neural Networks得學習能力。Feedforward Neural NetworkContinuous Hand Gesture RecognitionDeep LearningHuman-Machine Interface