一種基於慣性傳感器的空中手勢識別方法與流程
2023-05-19 04:33:36 1
本發明屬於模式識別與人工智慧技術領域，特別涉及一種基於慣性傳感器的空中手勢識別方法。
背景技術：
基於慣性傳感器(加速度計和陀螺儀)的空中手寫識別是近年來計算機領域中新興起的研究前沿方向之一，利用用戶身上可穿戴設備或智能手持設備內置的慣性傳感器採集用戶空中書寫過程中的加速度信號和角速度信號，通過機器學習和深度學習方法來識別用戶的書寫內容，它屬於穿戴式計算(wearablecomputing)和普適計算(ubiquitouscomputing)的重要研究內容之一。
目前，基於慣性傳感器的空中手勢識別在智能家居、自動駕駛、教育、醫療、工業生產、輔助交流等方面有廣泛的應用。由於慣性傳感器信號波形很抽象，單純通過肉眼觀察波形很難區分不同空中手勢，而且由於不同用戶行為習慣的差異，同一個手勢的信號波形也有較大差異，因此手勢識別時無法僅根據信號數值變化做出判別，而是需要挖掘信號潛在的變化規律。
基於慣性傳感器的空中手勢識別相比基於視覺設備的手勢識別，前者既不受某個特定的空間條件限制(如到攝像頭的距離、角度等)，也不需要其他外掛設備(如攝像頭)，對環境變化、光照、膚色等因素不敏感。用戶只需要佩戴內置慣性傳感器的設備在空中自由做出手勢即可。
技術實現要素：
本發明的目的在於克服現有技術的缺點與不足，提供一種識別精度高的基於慣性傳感器的空中手勢識別方法，該方法提供了一種全新的人機互動方式，具有很好的應用研究價值。
本發明的目的通過下述技術方案實現：一種基於慣性傳感器的空中手勢識別方法，步驟如下：
s1、針對於慣性傳感器採集的傳感信號依次檢測出空中手勢信號起始採樣點和結束採樣點，並且根據空中手勢信號起始採樣點和結束採樣點提取出空中手勢信號序列，然後對空中手勢信號序列進行數據預處理後得到空中手勢信號樣本；
s2、通過佩帶在手上的慣性傳感器採集多個傳感信號，並且對這些慣性傳感器採集的傳感信號分別標註出所屬手勢類別，然後將它們分別進行步驟s1處理後得到空中手勢信號訓練樣本集和空中手勢信號驗證樣本集；同時對lstm-rnn模型進行參數初始化；
s3、將空中手勢信號訓練樣本集中的各訓練樣本作為參數初始化後的lstm-rnn模型(rnn(遞歸神經網絡，recurrentneuralnetworks)隱藏層的非線性單元用lstm(longshort-termmemory，長短時間記憶)記憶塊代替而得到的模型)的輸入對lstm-rnn模型進行訓練，並且在lstm-rnn模型訓練過程中，將空中手勢信號驗證樣本集中的驗證樣本輸入至迭代過程中訓練得到的lstm-rnn模型，根據驗證樣本集識別的錯誤率對迭代次數進行控制，得到最終的lstm-rnn分類器；
s4、通過佩帶在手上的慣性傳感器實時採集傳感信號，然後將慣性傳感器實時採集的傳感信號經過步驟s1處理後得到空中手勢信號測試樣本，將測試樣本輸入至步驟s3中獲取到的lstm-rnn分類器，通過lstm-rnn分類器識別出測試樣本對應手勢。
優選的，步驟s1中通過窗口能量閾值法依次檢測出空中手勢信號起始採樣點和結束採樣點，具體過程如下：
s11、參數設置以及初始化：設置一個臨時記憶窗ts、一個用於計算能量的w窗、一個用於保存w窗能量的能量窗e、手寫標誌位trigger、信號長度計數器n以及能量下降個數計數器；其中將手寫標誌位trigger初始值置為假，臨時記憶窗ts、w窗、能量窗e、信號長度計數器以及能量下降個數計數器的初始值均設為0；
s12、針對於慣性傳感器採集的傳感信號，每採集到的一個採樣點信號，分別將這個採樣點信號添加到臨時記憶窗ts和w窗的尾部，並且去除臨時記憶窗ts和w窗存儲的第一個採樣點信號，然後計算w窗當前能量值ecurrent，並且添加到能量窗e的尾部，同時去除能量窗e的第一個值；針對於能量窗e，每當有w窗當前能量值ecurrent添加之後，分別檢測其是否有下降趨勢；
s13、當w窗持續一段時間出現當前能量值大於等於第一閾值時，將這段時間第一次出現當前能量值大於等於第一閾值時進入到臨時記憶窗ts和w窗尾部的對應採樣點信號作為空中手勢信號起始採樣點信號，並且在w窗第一次出現當前能量值大於等於第一閾值時，設定手寫標誌位trigger為真，信號長度計數器的計數值n加1；在w窗之後每次出現當前能量值大於等於第一閾值時，信號長度計數器的計數值n均加1，並且查看能量窗e是否為下降趨勢；當能量窗e連續兩次出現下降趨勢時，則信號長度計數器停止計數，同時將第二次出現下降趨勢時，對應進入到臨時記憶窗ts和w窗尾部的對應採樣點信號作為空中手勢信號結束採樣點信號；
所述步驟s12中，針對於能量窗e，每當有w窗當前能量值ecurrent添加之後，分別通過以下方式檢測其是否有下降趨勢：
針對於能量窗e中存儲的每個能量值，從第一個開始依次判別其是否大於等於能量窗e中存儲的後一個能量值；若是，則能量下降個數計數器的計數值k加1；當能量下降個數計數器的計數值k大於第二閾值時，則判斷能量窗e有下降趨勢，否則判斷能量窗e沒有下降趨勢；
步驟s1中根據空中手勢信號起始採樣點和結束採樣點提取出空中手勢信號序列的具體方式為：將臨時記憶窗t中位置在第l1-n-delta至第l1-delta個的對應採樣點信號作為空中手勢信號序列，其中l1為臨時記憶窗t的長度，n為信號長度計數器的計算值，delta為延遲餘量。
更進一步的，所述w窗當前能量值ecurrent為：
其中l2為w窗的長度，w2為w窗的維度，wij為w窗中第i個採樣點信號第j維的信號能量值。
更進一步的，所述臨時記憶窗ts的長度l1為150，維度w1為6；所述w窗的長度l2為25，維度w2為6；所述能量窗e的長度為10；所述延遲餘量delta為10；所述第一閾值為2.9，所述第二閾值為6。
優選的，所述慣性傳感器採集的傳感信號包括三維加速度信號和三維角速度信號；所述空中手勢信號序列包括空中手勢信號起始採樣點和結束採樣點之間三維加速度信號和三維角速度信號；
所述空中手勢信號樣本為6維信號，包括空中手勢信號序列對應經過數據預處理後的三維加速度信號和三維角速度信號；
所述空中手勢信號序列進行數據預處理的具體過程如下：
首先針對空中手勢信號序列中的三維加速度信號的每一維加速度信號以及三維角速度信號的每一維角速度信號進行滑動平均濾波器處理，然後採用z-score標準化針對上述通過滑動平均濾波器處理的每一維加速度信號和每一維角速度信號分別進行處理，使得每一維加速度信號和每一維角速度信號的均值為0且標準差為1。
優選的，步驟s2中對lstm-rnn模型進行參數初始化設定包括：
設定lstm-rnn模型的輸入層神經元個數和各樣本的信號維數相同；
設定lstm-rnn模型的輸出層神經元的個數和手勢類別數相同；
設定輸入層連接到隱藏層的權值win的初值以及平均池化層到輸出層的權值wout的初值服從均勻分布u[-a,a]，其中a為邊界值；
設定隱藏層中每個神經元的細胞結構、遺忘門、輸入門和輸出門各自的輸入權值矩陣whidden_x和狀態權值whidden_h中各個元素的初值服從均值為0，方差為1的高斯分布n(0，1)；
設定隱藏層的初始狀態h、隱藏層的初始輸出c、輸入層連接到隱藏層的偏置bin、平均池化層到輸出層的偏置bout的初值均為0；
以及設定隱藏層中每個神經元的細胞結構、遺忘門、輸入門和輸出門各自的偏置bhidden的初值均為0。
優選的，步驟s3通過梯度下降算法對lstm-rnn模型進行訓練，表現為隨著迭代次數對網絡參數進行更新，具體過程如下：
s31、分別初始化加權因子ρ、初始化均方梯度e[g2]0以及初始化均方參數增量e[△x2]0；設定第k次迭代時的網絡參數為xk；然後進入步驟s32；
s32、計算第k次迭代時的參數梯度gk；
s33、根據第k次迭代時的參數梯度gk更新均方梯度，得到第k次迭代時的均方梯度e[g2]k為：
e[g2]k＝ρe[g2]k-1+(1-ρ)gk2；
其中e[g2]k-1為第k-1次迭代的均方梯度；
s34、分別計算第k次迭代時的學習率η和網絡參數增量△xk：
△xk＝-η·gk；
其中e[△x2]k-1為第k-1次迭代的均方參數增量；ε為常數，ε＝1×10-6；
s35、根據第k次迭代時的網絡參數增量△xk和第k-1次迭代的均方參數增量e[△x2]k-1更新均方參數增量，得到第k次迭代時的均方參數增量e[△x2]k：
e[△x2]k＝ρe[△x2]k-1+(1-ρ)△xk2；
s36、根據第k次迭代時的網絡參數為xk以及第k次迭代時的網絡參數增量△xk更新得到第k+1次迭代時的網絡參數為xk+1：
xk+1＝xk+△xk。
更進一步的，初始化加權因子ρ＝0.95，初始化均方梯度e[g2]0＝0以及初始化均方參數增量e[△x2]0＝0。
優選的，步驟s3中根據驗證樣本集識別的錯誤率對迭代次數進行控制，得到最終的lstm-rnn分類器的具體過程如下：
s3a、預設耐性值p、一個置零的計數器和一錯誤率記錄庫；
s3b、每隔定值q次迭代次數，用當前迭代過程中得到的lstm-rnn模型測試驗證樣本集，計算出當前驗證樣本集識別的錯誤率，然後進入步驟s3c；
s3c、判斷當前驗證樣本集識別的錯誤率是否大於錯誤率記錄庫中記錄的錯誤率最小值；
若是，則進入步驟s3d；
若否，則將當前迭代過程中得到的lstm-rnn模型作為最終的lstm-rnn分類器；
s3d、判斷當前驗證樣本集識別的錯誤率是否均大於錯誤率記錄庫最遲記錄的p個錯誤率中的最小值；
若否，則將當前迭代過程中得到的lstm-rnn模型作為最終的lstm-rnn分類器；
若是，則計數器加一，錯誤率記錄庫記錄當前驗證樣本集識別的錯誤率，並且判斷計數器的計算值是否超過p；若否，則返回步驟s3b，若是，則迭代停止，將迭代停止時得到的lstm-rnn模型作為最終的lstm-rnn分類器。
更進一步的，所述預設耐性值p取8～15中的其中一個整數值；所述定值q取200～500中的其中一個整數值。
本發明相對於現有技術具有如下的優點及效果：
(1)本發明基於慣性傳感器的空中手勢識別方法針對慣性傳感器獲取到的傳感信號提取空中手勢信號序列，然後進行數據預處理後分別獲取到訓練樣本集、驗證樣本集和測試樣本，同時對lstm-rnn模型(rnn隱藏層的非線性單元用lstm記憶塊代替)進行參數初始化，然後通過訓練樣本集中的各訓練樣本作為參數初始化後的lstm-rnn模型的輸入對lstm-rnn模型進行訓練，並且在lstm-rnn模型訓練過程中，將驗證樣本集中的驗證樣本輸入至迭代過程中訓練得到的lstm-rnn模型，根據驗證樣本集識別的錯誤率對迭代次數進行控制，得到最終的lstm-rnn分類器；最後將測試樣本輸入至最終的lstm-rnn分類器，通過最終的lstm-rnn分類器識別出測試樣本對應手勢。lstm-rnn模型為rnn隱藏層的非線性單元用lstm記憶塊代替後得到的模型，本發明方法通過lstm-rnn模型對慣性傳感器輸出的信號進行分類，由於lstm-rnn模型對時序序列具有良好的建模能力，並且能夠挖掘出輸入信號潛在的變化規律，因此具有空中手勢識別精度和準確率更高的優點。
(2)本發明基於慣性傳感器的空中手勢識別方法在針對lstm-rnn模型進行訓練時，根據驗證樣本集識別的錯誤率對迭代次數進行控制，能夠提前結束訓練過程中的迭代，減少迭代次數，有效防止因訓練迭代次數過多而造成模型過擬合的問題，從而得到最佳的lstm-rnn分類器。
(3)本發明基於慣性傳感器的空中手勢識別方法通過窗口閾值法自動檢測出空中手勢信號起始採樣點和結束採樣點，從而獲取到慣性傳感器輸出傳感信號中的空中手勢信號序列，然後以數據預處理後的空中手勢信號序列數作為空中手勢信號樣本，進一步提高了空中手勢識別的準確率。
(4)本發明基於慣性傳感器的空中手勢識別方法針對於傳感信號中提取出的空中手勢信號序列進行數據預處理時，採用滑動平均濾波器針對每一維加速度信號和每一維角速度信號進行處理，因此能夠有效去除人為無意識抖動和硬體因素帶來的高頻噪聲，同時採用z-score針對上述通過滑動平均濾波器處理的每一維加速度信號和每一維角速度信號分別進行標準化處理，使得每一維加速度信號和每一維角速度信號的均值為0且標準差為1，以減少採集者書寫力度和重力的影響。
附圖說明
圖1是本發明基於慣性傳感器的空中手勢識別方法的流程圖。
具體實施方式
下面結合實施例及附圖對本發明作進一步詳細的描述，但本發明的實施方式不限於此。
實施例
本實施例公開了一種基於慣性傳感器的空中手勢識別方法，步驟如下：
s1、針對於慣性傳感器採集的傳感信號依次檢測出空中手勢信號起始採樣點和結束採樣點，並且根據空中手勢信號起始採樣點和結束採樣點提取出空中手勢信號序列，然後對空中手勢信號序列進行數據預處理後得到空中手勢信號樣本；其中：
本步驟中慣性傳感器採集的傳感信號包括三維加速度信號和三維角速度信號；所述空中手勢信號序列包括空中手勢信號起始採樣點和結束採樣點之間三維加速度信號和三維角速度信號；空中手勢信號樣本為6維信號，包括空中手勢信號序列對應經過數據預處理後的三維加速度信號和三維角速度信號；
在本步驟中空中手勢信號序列進行數據預處理的具體過程如下：
首先針對空中手勢信號序列中的三維加速度信號的每一維加速度信號以及三維角速度信號的每一維角速度信號進行滑動平均濾波器處理，然後採用z-score標準化針對上述通過滑動平均濾波器處理的每一維加速度信號和每一維角速度信號分別進行處理，使得每一維加速度信號和每一維角速度信號的均值為0且標準差為1。
s2、通過佩帶在手上的慣性傳感器採集多個傳感信號，並且對這些慣性傳感器採集的傳感信號分別標註出所屬手勢類別，然後將它們分別進行步驟s1處理後得到空中手勢信號訓練樣本集和空中手勢信號驗證樣本集；同時對lstm-rnn模型進行參數初始化；其中本步驟s2中對lstm-rnn模型進行參數初始化設定包括：
設定lstm-rnn模型的輸入層神經元個數和各樣本的信號維數相同；
設定lstm-rnn模型的輸出層神經元的個數和手勢類別數相同；
設定輸入層連接到隱藏層的權值win的初值以及平均池化層到輸出層的權值wout的初值服從均勻分布u[-a,a]，其中a為邊界值：
其中n1與n2分別為需要初始化的參數矩陣的長和寬；
設定隱藏層中每個神經元的細胞結構、遺忘門、輸入門和輸出門各自的輸入權值矩陣whidden_x和狀態權值whidden_h中各個元素的初值服從均值為0，方差為1的高斯分布n(0,1)；
設定隱藏層的初始狀態h、隱藏層的初始輸出c、輸入層連接到隱藏層的偏置bin、平均池化層到輸出層的偏置bout的初值均為0；
以及設定隱藏層中每個神經元的細胞結構、遺忘門、輸入門和輸出門各自的偏置bhidden的初值均為0。
s3、將空中手勢信號訓練樣本集中的各訓練樣本作為參數初始化後的lstm-rnn模型的輸入對lstm-rnn模型進行訓練，並且在lstm-rnn模型訓練過程中，將空中手勢信號驗證樣本集中的驗證樣本輸入至迭代過程中訓練得到的lstm-rnn模型，根據驗證樣本集識別的錯誤率對迭代次數進行控制，得到最終的lstm-rnn分類器；其中：
本步驟通過梯度下降算法對lstm-rnn模型進行訓練，表現為隨著迭代次數對網絡參數進行更新，具體過程如下：
s31、分別初始化加權因子ρ、初始化均方梯度e[g2]0以及初始化均方參數增量e[△x2]0；設定第k次迭代時的網絡參數為xk，其目標函數f(xk)為交叉熵代價函數；然後進入步驟s32；其中g表示參數梯度；在本實施例中初始化加權因子ρ＝0.95，初始化均方梯度e[g2]0＝0以及初始化均方參數增量e[△x2]0＝0。
s32、計算第k次迭代時的參數梯度gk；
s33、根據第k次迭代時的參數梯度gk更新均方梯度，得到第k次迭代時的均方梯度e[g2]k為：
e[g2]k＝ρe[g2]k-1+(1-ρ)gk2；
其中e[g2]k-1為第k-1次迭代的均方梯度；
s34、分別計算第k次迭代時的學習率η和網絡參數增量△xk：
△xk＝-η·gk；
其中e[△x2]k-1為第k-1次迭代的均方參數增量；ε為常數，ε＝1×10-6；
s35、根據第k次迭代時的網絡參數增量△xk和第k-1次迭代的均方參數增量e[△x2]k-1更新均方參數增量，得到第k次迭代時的均方參數增量e[△x2]k：
e[△x2]k＝ρe[△x2]k-1+(1-ρ)△xk2；
s36、根據第k次迭代時的網絡參數為xk以及第k次迭代時的網絡參數增量△xk更新得到第k+1次迭代時的網絡參數為xk+1：
xk+1＝xk+△xk。
另外本步驟中根據驗證樣本集識別的錯誤率對迭代次數進行控制，得到最終的lstm-rnn分類器的具體過程如下：
s3a、預設耐性值p、一個置零的計數器和一錯誤率記錄庫；其中耐性值p可取8～15中的其中一個整數值，在本實施例中耐性值p取15。
s3b、每隔定值q次迭代次數，用當前迭代過程中得到的lstm-rnn模型測試驗證樣本集，計算出當前驗證樣本集識別的錯誤率，然後進入步驟s3c；其中定值q取200～500中的其中一個整數值，在本實施例中q取350；即本步驟中每隔350次的迭代次數，用當前迭代過程中得到的lstm-rnn模型測試驗證樣本集，計算出當前驗證樣本集識別的錯誤率；
s3c、判斷當前驗證樣本集識別的錯誤率是否大於錯誤率記錄庫中記錄的錯誤率最小值；
若是，則進入步驟s3d；
若否，則將當前迭代過程中得到的lstm-rnn模型作為最終的lstm-rnn分類器，並且計數器清零；
s3d、判斷當前驗證樣本集識別的錯誤率是否均大於錯誤率記錄庫最遲記錄的p個錯誤率中的最小值；
若否，則將當前迭代過程中得到的lstm-rnn模型作為最終的lstm-rnn分類器，並且計數器清零；
若是，則計數器加一，錯誤率記錄庫記錄當前驗證樣本集識別的錯誤率，並且判斷計數器的計算值是否超過p；若否，則返回步驟s3b，若是，則迭代停止，將迭代停止時得到的lstm-rnn模型作為最終的lstm-rnn分類器。
s4、通過佩帶在手上的慣性傳感器實時採集傳感信號，然後將慣性傳感器實時採集的傳感信號經過步驟s1處理後得到空中手勢信號測試樣本，將測試樣本輸入至步驟s3中獲取到的lstm-rnn分類器，lstm-rnn分類器執行網絡前向運算，輸出該測試樣本屬於每一類手勢的概率大小，選取概率最大的一類作為該測試樣本的手勢識別結果。其中本實施例中手勢類別包括順時針畫圈、逆時針畫圈、搖一搖、向外翻轉、向內翻轉、舉手和拍肩總共7種。
本實施例上述步驟s1中通過窗口能量閾值法依次檢測出空中手勢信號起始採樣點和結束採樣點，具體過程如下：
s11、參數設置以及初始化：設置一個臨時記憶窗ts、一個用於計算能量的w窗、一個用於保存w窗能量的能量窗e、手寫標誌位trigger、信號長度計數器n以及能量下降個數計數器；其中將手寫標誌位trigger初始值置為假，臨時記憶窗ts、w窗、能量窗e、信號長度計數器以及能量下降個數計數器的初始值均設為0；本實施例中臨時記憶窗ts的長度l1為150，維度w1為6；w窗的長度l2為25，維度w2為6；能量窗e的長度z為10。
s12、針對於慣性傳感器採集的傳感信號，每採集到的一個採樣點信號，分別將這個採樣點信號添加到臨時記憶窗ts和w窗的尾部，並且去除臨時記憶窗ts和w窗存儲的第一個採樣點信號，然後計算w窗當前能量值ecurrent，並且添加到能量窗e的尾部，同時去除能量窗e的第一個值；針對於能量窗e，每當有w窗當前能量值ecurrent添加之後，分別檢測其是否有下降趨勢；
其中w窗當前能量值ecurrent為：
其中l2為w窗的長度，w2為w窗的維度，wij為w窗中第i個採樣點信號第j維的信號能量值。
s13、當w窗持續一段時間出現當前能量值大於等於第一閾值時，將這段時間第一次出現當前能量值大於等於第一閾值時進入到臨時記憶窗ts和w窗尾部的對應採樣點信號作為空中手勢信號起始採樣點信號，並且在w窗第一次出現當前能量值大於等於第一閾值時，設定手寫標誌位trigger為真，信號長度計數器的計數值n加1；在w窗之後每次出現當前能量值大於等於第一閾值時，信號長度計數器的計數值n均加1，並且查看能量窗e是否為下降趨勢；當能量窗e連續兩次出現下降趨勢時，則信號長度計數器停止計數，同時將第二次出現下降趨勢時，對應進入到臨時記憶窗ts和w窗尾部的對應採樣點信號作為空中手勢信號結束採樣點信號；在本實施例中第一閾值為2.9。
本實施例上述步驟s1中，針對於能量窗e，每當有w窗當前能量值ecurrent添加之後，分別通過以下方式檢測其是否有下降趨勢：
針對於能量窗e中存儲的每個能量值et，t＝1,2,...z-1，從第一個開始依次判別其是否大於等於能量窗e中存儲的後一個能量值et+1；若是，即et≥et+1，l＝1,2,...z-1，則能量下降個數計數器的計數值k加1；當能量下降個數計數器的計數值k大於第二閾值時，則判斷能量窗e有下降趨勢，否則判斷能量窗e沒有下降趨勢；其中z為能量場e的長度，在本實施例中z為10；在本實施例中第二閾值為6。
本實施例上述步驟s1中根據空中手勢信號起始採樣點和結束採樣點提取出空中手勢信號序列的具體方式為：將臨時記憶窗t中位置在第l1-n-delta至第l1-delta個的對應採樣點信號作為空中手勢信號序列，其中l1為臨時記憶窗t的長度，n為信號長度計數器的計算值，delta為延遲餘量。本實施例中延遲餘量delta為10。
本實施例中慣性傳感器可以至於智能手錶或手機內，此時佩帶智能手錶或手機在手上即可。
在本實施例中，構造手勢資料庫對本實施例方法進行測試。首先通過20名採集者參與數據採集，包括10名男性和10名女性，每人佩帶具有慣性傳感器的設備(該設備可以為內置加速度計和陀螺儀的智能手錶)在空中執行每個手勢140次，從而採集到包括2800個樣本序列的手勢資料庫，這2800個樣本序列中，包括順時針畫圈、逆時針畫圈、搖一搖、向外翻轉、向內翻轉、舉手和拍肩共7種手勢，其中每種手勢包含400個樣本，每個樣本的維度為6，包含三維加速度與三維角速度。
通過上述手勢資料庫對本實施例方法進行測試的過程具體如下：利用上述手勢資料庫的樣本數據實現用戶混合(mixed-user)系統，其中在訓練與測試樣本選取上，用戶混合系統對手勢資料庫整體按一定比例分為兩部分，一部分的樣本用於訓練，另一部分的樣本用於測試，在本實施例中採用5折交叉驗證，即將手勢資料庫分為5個樣本數相同的子集，各個子集輪流充當測試樣本集，當一個子集作為測試樣本集時，其他幾個子集作為訓練樣本集和驗證樣本集；針對上述獲取到的測試樣本集、訓練樣本集和驗證樣本集，然後通過本實施例方法進行識別後，求得上述7種手勢中每種手勢的5次識別率，其中5次識別率取平均值後得到的平均識別率如表1所示，另外每個樣本的平均識別時間如表2所示；
表1
表2
從表1和表2中可以看出，本實施例基於慣性傳感器的空中手勢識別方法具有較高的識別準確率，並且對每一類手勢的識別，所消耗的平均識別時間都比較短，因此一旦完成lstm-rnn分類器的訓練，本實施例方法就能夠高效準確的進行空中手勢識別，具有較好的實時性。
上述實施例為本發明較佳的實施方式，但本發明的實施方式並不受上述實施例的限制，其他的任何未背離本發明的精神實質與原理下所作的改變、修飾、替代、組合、簡化，均應為等效的置換方式，都包含在本發明的保護範圍之內。