Resumen

Este artículo presenta un método para reconocer en línea el movimiento continuo de todo el cuerpo humano utilizando sensores dispersos de bajo coste. Las únicas señales de entrada necesarias son aceleraciones lineales sin ninguna información de rotación, que son proporcionadas por cuatro sensores Wiimote conectados a las cuatro extremidades humanas. Basándose en el modelo de Markov oculto fusionado (FHMM) y el proceso autorregresivo, se propone un modelo de fusión predictivo (PFM) que tiene en cuenta las distintas influencias de las extremidades superiores e inferiores, establece HMM para cada parte y las fusiona utilizando un modelo de fusión probabilístico. A continuación, se introduce un proceso autorregresivo en el HMM para predecir el gesto, lo que permite al modelo tratar con datos de señal incompletos. Para reducir el número de alternativas en el proceso de reconocimiento en línea, se construye un modelo de grafo que rechaza partes de tipos de movimiento basándose en la estructura del grafo y en resultados de reconocimiento anteriores. Por último, se presenta un método de segmentación de señales en línea basado en información semántica y PFM para finalizar la tarea de reconocimiento eficiente. Los resultados indican que el método es robusto, con una elevada tasa de reconocimiento de señales dispersas y deficientes, y puede utilizarse en diversas aplicaciones interactivas.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:proceso autorregresivo, método de segmentación de señales en línea, tarea de reconocimiento eficaz, alta tasa de reconocimiento, datos de señales incompletos, proceso de reconocimiento en línea, sólo señales de entrada, modelo de fusión predictivo, resultados de reconocimiento anteriores, modelo de fusión probabilístico
• Keywords:autoregressive process, online signal segmentation method, efficient recognition task, high recognition rate, incomplete signal data, online recognition process, only input signals, predictive fusion model, previous recognition results, probabilistic fusion model