Contribution To Gestures Recognition Using Multimodal Signals Through Deep Learning
Résumé: This work aims to advance gesture recognition by combining multimodal signals, including surface electromyography (sEMG), accelerometer, and eye-tracking data, using deep learning techniques. The proposed hybrid architecture incorporates Convolutional Neural Networks (CNNs) for feature extraction and Long Short-Term Memory (LSTM) networks for time series processing, aiming to enhance gesture recognition accuracy. The evaluation involves two stages: first, assessing performance with sEMG data alone, and second, evaluating a multimodal dataset with accelerometers and eye-tracking. The MeganePro dataset is used for training deep learning algorithms to improve hand gesture recognition and develop intuitive human-computer interaction control mechanisms. This research significantly contributes to the field of gesture recognition.
Mots-clès:
Nos services universitaires et académiques
Thèses-Algérie vous propose ses divers services d’édition: mise en page, révision, correction, traduction, analyse du plagiat, ainsi que la réalisation des supports graphiques et de présentation (Slideshows).
Obtenez dès à présent et en toute facilité votre devis gratuit et une estimation de la durée de réalisation et bénéficiez d'une qualité de travail irréprochable et d'un temps de livraison imbattable!
Aucun fichier associé
Si le fichier est volumineux, l'affichage peut échouer. Vous pouvez obtenir le fichier directement en cliquant sur le bouton "Télécharger".
