Advancing Hand Gesture Recognition with High Resolution Electrical Impedance Tomography

睡觉就是睡觉

已于 2023-11-12 20:53:42 修改

阅读量153

点赞数 1

分类专栏： EIT 文章标签：人工智能图像处理

于 2023-08-10 14:27:54 首次发布

本文链接：https://blog.csdn.net/qq_62897915/article/details/132208704

版权

EIT 专栏收录该内容

3 篇文章 1 订阅

订阅专栏

Zhang Y, Xiao R, Harrison C. Advancing hand gesture recognition with high resolution electrical impedance tomography[C]//Proceedings of the 29th Annual Symposium on User Interface Software and Technology. 2016: 843-850.

论文链接：Advancing Hand Gesture Recognition with High Resolution Electrical Impedance Tomography | Proceedings of the 29th Annual Symposium on User Interface Software and Technology

前言

本文介绍了一种新的电阻抗手势识别系统，提供了更好的采样速度和分辨率。更多的电极将产生更密集的感测路径网格。

Two-poles：该方法受皮肤阻抗的影响，因此通常使用较大的电极来获得与皮肤的较大接触面积，从而排除了密集的电极阵列。然而，这种方法由于其技术简单而流行。

Four-poles:这种差分测量方法使得四极感测对皮肤处的接触条件不太敏感。

1.EIT图像重建：

EIT图像重建的基本目标是获得物体内部的“电导率图像”。使用有限元方法将内部离散化以生成网格，并且计算每个网格单元处的电导率。通常，更精细的网格提供更高分辨率的输出图像，但增加了计算要求。

早期的算法基于线性反投影（例如，[9])，其通常用于PET和CT图像重建（分别使用伽马和X射线）。该技术假定电流大致沿着某些固定的等势线行进。然而，由于这不能准确地捕获电信号的完整3D运动，因此精度可能受到限制[42]。Tomo [43]采用这种方法来获得计算成本低且简单的图像重建。

最近的方法使用最小二乘优化来找到“最佳拟合”图像[38]。为了解决这个非线性问题，系统通常采用牛顿-拉夫森或高斯-牛顿迭代，这是计算昂贵的。对于实时使用，复杂的单次迭代方法，例如最大后验估计器[2]，能够在执行重要的预计算后快速生成可接受的图像。我们采用后一种方法。

2.多路复用器：

两个32比1多路复用器（ADG732 [6]）将VCCS端子连接到任意两个电极，形成信号投影对。另外两个多路复用器将前置放大器缓冲器端子连接到两个电极，以形成电压测量对。

在双极EIT感测中，我们测量VCCS输出与接收器电极之间的电压。在这种情况下，电压测量对与信号投影对相同。在四极方案中，电压测量对不同于电流投射对。注意系统捕获电极之间的电压差（即，我们不与地面比较）。

3.模拟采样：

我们首先用前置放大器放大信号。当在四极和二极测量方案之间切换时，调整增益值以保持一致的动态范围。我们还使用具有15.6kHz截止频率的高通滤波器来去除环境EMI（例如，电源线噪声）。然后，输入信号由AVDD/2（1.65 V）偏置，并由我们的微处理器ADC以2 MHz、12位分辨率进行采样。

4.数据采集：

多路复用器选择适当的电极后，我们等待100 µs，以使交流耦合电容上的直流偏置稳定。然后，我们收集250个样本，或大约五个周期的40 kHz激励信号（收集多个周期以减少噪声）。计算样本的均方根（RMS）以形成单个测量。传感器然后移动到下一个测量，相应地重新配置多路复用器。在它收集当前帧的所有值之后，它通过蓝牙将RMS测量值发送到笔记本电脑。测量的数量和我们的系统的帧速率可以在表1中找到。

5.内部图像重建：

我们在配备2.7 GHz英特尔酷睿i5处理器的13英寸2015 MacBook Pro上执行了所有内部图像重建。重建算法源自EIDORS工具包[37]，该工具包提供了一个大型的不同求解器库。在初步实验之后，我们选择了节点一步高斯-牛顿迭代求解器，该求解器在有限元网格的每个节点处产生电导率的最大后验（MAP）估计[2]。

该算法由单个超参数μ参数化，该参数控制输出的平滑。在我们所有的实验中，我们将双极配置的超参数值固定为μ=0.03，四极配置的超参数值固定为μ=0.001。求解器需要一个预先计算的步骤，在我们的笔记本电脑上大约需要三秒钟;随后的图像重建被执行为单个矩阵乘法，每个图像花费2.4ms（为32个电极提供的数字，这是计算上最昂贵的情况）。

6.手势识别分类：

我们将重建的图像下采样到16 × 16像素，并使用得到的256个数据点作为原始特征。我们使用Weka工具包[18]提供的支持向量机（SVM）实现进行分类（SMO;具有默认参数的多项式核）。

7.制备：

为了分析我们的断层重建的质量，我们需要一个稳定和已知的参考输入。为此，我们使用了一个直径为20厘米的丙烯酸圆柱体，其中填充了3厘米的盐水（9000 ppm NaCl，接近人体组织的电导率）。我们使用丙烯酸形状来制作不同的EIT“幻影”[15，19，30]用于测试;这些形状的阻抗大约是25°C盐水的1017倍。