Resumen

Las primitivas de movimiento o sinergias se han extraído de los movimientos de la mano humana utilizando varios métodos de factorización matricial, reducción de la dimensionalidad y clasificación. El análisis de componentes principales (PCA) se utiliza ampliamente para obtener los primeros vectores propios significativos de covarianza que explican la mayor parte de la varianza de los datos. El análisis lineal discriminante (LDA) también se utiliza como método de aprendizaje supervisado para clasificar las posturas de la mano correspondientes a los objetos agarrados. Las sinergias obtenidas mediante el ACP son vectores de componentes principales alineados con las varianzas dominantes. Por otro lado, las sinergias obtenidas mediante LDA son vectores discriminantes lineales que separan los grupos de varianzas. En este trabajo, se extrajeron sinergias cinemáticas variables en el tiempo en los movimientos de agarre de la mano humana utilizando estos dos métodos diametralmente opuestos y se evaluaron en la reconstrucción de los movimientos posturales naturales y del lenguaje de signos americano (ASL). Se utilizó un LDA no supervisado (ULDA) para extraer discriminantes lineales. Los resultados sugieren que PCA superó a LDA. Se discutió la singularidad, las ventajas y las desventajas de cada uno de estos métodos en la representación de los movimientos de la mano de alta dimensión en dimensiones reducidas.

• Materias:Algoritmos (Matemáticas) Ingeniería del transporte Neurociencias Seguridad del transporte Ingeniería ferroviaria
• Subjects:Agorithms (Math) Transport engineering Neurosciences Transport safety Railway engineering
• Palabras claves:factorización de varias matrices, lda, sinergia, grupo de varianza, análisis de componentes principales, vector discriminante lineal, movimiento dimensional de la mano, análisis discriminante lineal, lengua de signos americana, vectores propios de covarianza
• Keywords:several matrix factorization, lda, synergy, group of variance, principal components analysis, linear discriminant vector, dimensional hand movement, linear discriminant analysis, american sign language, eigenvectors of covariance