Использование алгоритмов обнаружения паттернов для идентификации жестов оператора в записях управляющего сигнала манипулятора

Автор: Пономарев Дмитрий Иванович

Журнал: Труды Московского физико-технического института @trudy-mipt

Рубрика: Информатика, математика, управление

Статья в выпуске: 3 (15) т.4, 2012 года.

Бесплатный доступ

Разработан манипулятор на основе MEMS-акселерометра, который отслеживает движения руки оператора в трехмерном пространстве. Драйвер манипулятора формирует сигнал, управляющий курсором компьютерной мыши. Показано, что драйвер становится интеллектуальным, повторно используя этот управляющий сигнал, чтобы следить за действиями оператора и строить портрет произвольных действий оператора как последовательности жестов его руки. Для этого используются алгоритмы обнаружения паттернов в записях управляющего сигнала манипулятора.

Дистанционный манипулятор, акселерометр, управляющий сигнал, обнаружение паттернов, метод прони, алгоритм динамического искажения време- ни, алгоритм mueen-keogh motif discovery

Короткий адрес: https://sciup.org/142185847

IDR: 142185847

Список литературы Использование алгоритмов обнаружения паттернов для идентификации жестов оператора в записях управляющего сигнала манипулятора

Пономарев Д.И. Использование методов байесовской фильтрации при обработке сигналов манипулятора//Информационные технологии: Модели и методы: сборник научных трудов. -2010. -С. 65-72.
Kukharenko B.G., Ponomarev D.I. Bayesian filtering of control signal of telerobotic manipulator with precise accelerometer//Проблемы машиностроения и автоматизации. -2011. -№ 1. -С. 72-76.
Simon D. Optimal State Estimation: Kalman, H∞ and Nonlinear Approaches -Hoboken, New Jersey: John Wiley & Sons, Inc, 2006.
Кухаренко Б.Г., Пономарев Д.И. Нелинейная байесовская фильтрация многомерных временных рядов//Информационные технологии. -2011. -№ 6. -С. 33-39.
Zidek K., Liˇ𝑠ka O. Accelerometer tilt application with Kalman filter implementation//Transfer inov/𝑎cii. -2010. -N 16. -P. 256-257.
Пономарев Д.И., Кухаренко Б.Г. Использование алгоритма ожидания и максимизации правдоподобия в марковской модели непрерывного профиля для синхронизации сигналов манипулятора//Труды МФТИ. -2011. -Т. 3, № 2. -С. 112-118.
Chiu B., Keogh E., Lonardi S. Probabilistic discovery of time series motifs//Proceedings of the 9th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. August 24-27, 2003. -DC, Washington: ACM. -2003. -P. 493-498.
Mueen A., Keogh E., Zhu Q., Cash S., Westover B. Exact discovery of time series motifs//Proceedings of the SIAM International Conference on Data Mining (SDM 2009). American Statistical Association (ASA). -2009. -P. 473-484.
Mueen A., Keogh E.J. Online discovery and maintenance of time series motifs//Proceedings of the 16th ASM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2010), July 25-28, 2010. -Washington, DC: ACM. -2010. -P. 1089-1098.
Кухаренко Б.Г., Пономарев Д.И. Использование метода Прони для оценки временно-го масштаба при обнаружении паттернов во временных рядах//Информационные технологии. -2012. -№ 1. -С. 37-42.
Бернштейн Н.А. К анализу непериодических колебательных сумм с переменными спектрами по методу взвешенных решеток//Биофизика. -1962. -Т. VII. Вып. 4. -С. 377-381.
Weiss L., McDonogh R.N. Prony's method, Z-transform, and Pade approximation//SIAM Review. -1963. -V. 9, N 2. -P. 145-149.
Sarkar T.K., Pereira O. Using the matrix pencil method to estimate the parameters of a sum of complex exponentials//IEEE Antenna and Propagation Magazine. -1995. -V. 37. N 1. -P. 48-55.
Kukharenko B.G. Use of the Prony method for modal identification of slow-evolutionary linear structures//Journal of Structural Control. -2000. -V. 7. N 2. -P. 203-218.
Кухаренко Б.Г. Технология спектрального анализа на основе быстрого преобразования Прони//Информационные технологии. -2008. -№ 4. -С. 38-42.
Бернштейн Н.А. О построении движений. -М.: Медгиз, 1947.
Бернштейн Н.А. Очерки по физиологии движений и физиологии активности. -М.: Медицина, 1966.
18. Niezen G., Hancke G.P. Gesture recognition as ubiquitous input for mobile phones // Devices that Alter Perception // Proceedings of Workshop DAP2008. Seoul, South Korea: Sungkyunkwan University. - 2008. - P. 16-19.
Sakoe H., Chiba S. Dynamic programming algorithm optimization for spoken word recognition//IEEE Transactions on Acoustics, Speech and Signal Processing. -1978. -V. 26, N 1. -P. 43-49.
Salvador S., Chan P. Toward accurate dynamic time warping in linear time and space//Intelligent Data Analysis. -2007. -V. 11, N 5. -P. 561-580.
Tomasi G., Skov T., van den Berg F. Correlation optimized warping and dynamic time warping as preprocessing methods for chromatographic data//Journal of Chemometrics. -2004. -V. 18. -P. 231-241.
Sart D., Mueen A., Najjar W., Keogh E., Niennattrakul V. Accelerating Dynamic Time Warping Subsequence Search with GPUs and FPGAs//Proceedings of IEEE ICDM. -2010. -P. 1001-1006.
NVIDIA CUDA C Programming Guide. Version 4.0. Santa Clara, CA: NVIDIA Corporation. -2011.

Еще

Статья научная