Selama beberapa dekade terakhir, ilmuwan komputer telah mengembangkan beragam model dan pendekatan untuk menganalisis berbagai aspek perilaku dan komunikasi manusia, seperti ucapan, emosi, dan gerak tubuh. Sebagian besar teknik yang ada untuk pengenalan gerakan tangan bergantung pada penggunaan teknologi yang dapat dikenakan dengan satu Sensor dan hanya dapat mengenali gerakan dasar dalam jumlah terbatas.
Para peneliti di Comenius University Bratislava di Slovakia baru-baru ini mengembangkan WaveGlove, sistem baru untuk pengenalan gerakan tangan yang menggunakan beberapa sensor inersia, bukan satu sensor. Sistem baru ini pada dasarnya adalah sebuah sarung tangan dengan sensor inersia yang ditempatkan di setiap jarinya.
“Makalah terbaru kami menunjukkan penggunaan beberapa sensor inersia untuk pengenalan gerakan tangan (HGR),” salah satu peneliti yang melakukan penelitian tersebut, mengatakan. “Dengan membangun prototipe perangkat keras khusus dan mengusulkan model baru berbasis Transformer (arsitektur jaringan, yang memiliki banyak keberhasilan pada tugas pemrosesan bahasa alami), kami menunjukkan bahwa menggunakan banyak sensor dapat memiliki efek signifikan pada akurasi klasifikasi dan memungkinkan untuk kosakata gerak tubuh yang lebih kaya.”
Menggunakan WaveGlove, sistem pengenalan gerakan tangan yang mereka buat, para peneliti dapat memperoleh dua kumpulan data yang berisi lebih dari 11000 sampel gerakan tangan. Mereka kemudian merancang dua kosakata gerakan yang berbeda, satu berisi 8 gerakan seluruh tangan (WaveGlove-tunggal) dan yang lain berisi 10 gerakan tangan yang lebih kompleks dan dirancang dengan cermat, di mana setiap jari bergerak secara berbeda (WaveGlove-multi).
Kehadiran beberapa sensor memungkinkan kami untuk merancang dan mengklasifikasikan kosakata gerakan yang lebih kaya dibandingkan dengan sensor genggam tunggal. Gerakan yang kami klasifikasikan menggunakan beberapa sensor serupa dengan yang sudah kami gunakan dalam kehidupan sehari-hari. Ini membuat penggunaan perangkat seperti WaveGlove lebih mudah dan lebih alami.
Selain mengumpulkan kumpulan data gerakan tangan dan mengonfirmasi keefektifan sistem WaveGlove, para peneliti membandingkan lebih dari 10 metode klasifikasi untuk pengenalan gerakan tangan, beberapa di antaranya telah mereka kembangkan sebagai bagian dari penelitian mereka sebelumnya. Mereka mengevaluasi metode ini pada banyak kumpulan data yang berbeda, karena mereka berharap ini akan membantu menstandardisasi hasil di bidang pengenalan gerakan tangan.
Temuan yang dikumpulkan oleh tim peneliti ini dapat memiliki banyak implikasi berharga. Pertama, pekerjaan mereka dapat menginformasikan penelitian yang berfokus pada pengenalan gerakan tangan dan membantu meningkatkan sistem yang ada. Kedua, prototipe WaveGlove yang mereka buat pada akhirnya dapat digunakan untuk meningkatkan komunikasi antara manusia dan mesin, memungkinkan yang terakhir untuk lebih menafsirkan gerakan tangan manusia.