Selama beberapa dekad yang lalu, para saintis komputer telah mengembangkan pelbagai model dan pendekatan untuk menganalisis aspek yang berbeza dari tingkah laku dan komunikasi manusia, seperti ucapan, emosi dan gerak isyarat. Sebilangan besar teknik yang ada untuk pengecaman isyarat tangan bergantung pada penggunaan teknologi yang boleh dipakai dengan satu sensor dan hanya dapat mengenali sebilangan gerak isyarat asas yang terhad.
Penyelidik di Universiti Comenius Bratislava di Slovakia baru-baru ini telah mengembangkan WaveGlove, sistem baru untuk pengecaman isyarat tangan yang menggunakan pelbagai sensor inersia, dan bukannya satu sensor. Sistem baru ini pada dasarnya adalah sarung tangan dengan sensor inersia yang diletakkan di setiap jarinya.
"Makalah terbaru kami mempamerkan penggunaan beberapa sensor inersia untuk pengenalan gerakan tangan (HGR)," kata salah seorang penyelidik yang menjalankan kajian itu. "Dengan membangun prototaip perkakasan khusus dan mengusulkan model berbasis Transformer baru (seni bina rangkaian, yang mempunyai banyak kejayaan dalam tugas pemprosesan bahasa semula jadi), kami menunjukkan bahawa menggunakan beberapa sensor dapat memberikan pengaruh yang signifikan terhadap ketepatan klasifikasi dan memungkinkan untuk perbendaharaan kata isyarat yang lebih kaya. "
Dengan menggunakan WaveGlove, sistem pengenalan isyarat tangan yang mereka buat, para penyelidik dapat memperoleh dua set data yang mengandungi lebih dari 11000 sampel isyarat tangan. Mereka kemudian merancang dua perbendaharaan kata isyarat yang berbeza, satu mengandungi 8 gerakan tangan (WaveGlove-single) dan satu lagi mengandungi 10 gerakan tangan yang lebih kompleks dan dirancang dengan teliti, yang mana jari individu bergerak secara berbeza (WaveGlove-multi).
Kehadiran pelbagai sensor membolehkan kita merancang dan mengklasifikasikan kosa kata isyarat yang lebih kaya berbanding dengan sensor genggam tunggal. Gerak isyarat yang kami klasifikasikan menggunakan pelbagai sensor serupa dengan yang sudah kami gunakan dalam kehidupan seharian. Ini menjadikan penggunaan peranti seperti WaveGlove lebih mudah dan semula jadi.
Selain menyusun set data isyarat tangan dan mengesahkan keberkesanan sistem WaveGlove, para penyelidik membuat penanda aras lebih daripada 10 kaedah klasifikasi untuk pengenalan isyarat tangan, beberapa di antaranya telah dikembangkan sebagai sebahagian daripada penyelidikan mereka sebelumnya. Mereka menilai kaedah ini pada banyak kumpulan data yang berbeza, kerana mereka berharap ini dapat membantu menyeragamkan hasil dalam bidang pengenalan gerakan tangan.
Penemuan yang dikumpulkan oleh pasukan penyelidik ini boleh membawa banyak implikasi berharga. Pertama, karya mereka dapat memberitahu penyelidikan yang memfokuskan pada pengenalan gerakan tangan dan membantu meningkatkan sistem yang ada. Kedua, prototaip WaveGlove yang mereka buat akhirnya dapat digunakan untuk meningkatkan komunikasi antara manusia dan mesin, membolehkan yang terakhir menafsirkan isyarat tangan manusia dengan lebih baik.