Resumen

Recientemente, el reconocimiento social de gestos táctiles se ha considerado un tema importante para la modalidad táctil, que puede conducir a una interacción humano-robot altamente eficiente y realista. En este trabajo, se selecciona una red neuronal convolucional profunda para implementar un sistema de reconocimiento de gestos táctiles sociales para muestras de entrada crudas (datos de sensores) solamente. El reconocimiento de gestos táctiles se realiza utilizando un conjunto de datos previamente medidos con numerosos sujetos que realizan gestos sociales variados. Este conjunto de datos se denomina corpus de tacto social, en el que el tacto se realizó sobre un brazo de maniquí. Para evaluar el rendimiento del sistema se utiliza un método de validación cruzada de un solo sujeto. El método propuesto puede reconocer los gestos casi en tiempo real tras adquirir un número mínimo de fotogramas (el rango medio de la longitud de los fotogramas fue de 0,2% a 4,19 de la longitud de los fotogramas originales) con una precisión de clasificación del 63,7%. La precisión de clasificación alcanzada es competitiva en términos de rendimiento de los algoritmos existentes. Además, el sistema propuesto supera a otros algoritmos de clasificación en términos de ratio de clasificación y tiempo de reconocimiento de toques sin preprocesamiento de datos para el mismo conjunto de datos.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:reconocimiento de gestos táctiles, red neuronal convolucional, precisión de clasificación alcanzada, rango de fotogramas, tiempo de reconocimiento táctil, muestra de entrada sin procesar, conjunto de datos, términos de clasificación, número de fotogramas, longitud del fotograma original
• Keywords:touch gesture recognition, convolutional neural network, achieved classification accuracy, range of frame, touch recognition time, raw input sample, dataset, terms of classification, number of frame, original frame length