در سالهای اخیر ساخت ابزارهایی که بتواند دشواری ارتباط میان افراد ناشنوا و عموم جامعه را آسان کرده و زبان اشاره را ترجمه کند مورد توجه پژوهشگران قرار گرفته است. با این حال مشکلاتی مانند پایین بودن صحت و سرعت محاسبات و هزینهی زیاد ابزار مانع تجاریسازی تحقیقات شده است. دیگر چالش موجود در ساخت ابزار کاربردی، لزوم عملکرد خوب ...
بیشتر
در سالهای اخیر ساخت ابزارهایی که بتواند دشواری ارتباط میان افراد ناشنوا و عموم جامعه را آسان کرده و زبان اشاره را ترجمه کند مورد توجه پژوهشگران قرار گرفته است. با این حال مشکلاتی مانند پایین بودن صحت و سرعت محاسبات و هزینهی زیاد ابزار مانع تجاریسازی تحقیقات شده است. دیگر چالش موجود در ساخت ابزار کاربردی، لزوم عملکرد خوب روشها در دیدگاه آموزش به روش کنار گذاشتن یک نفر یا به بیانی دیگر در طبقهبندی دادههای یک فرد جدید است. از این رو در این مقاله روشی کارآمد برای تشخیص حرکات دست با هدف ترجمهی زبان اشاره ارائه شده است تا ضمن به کارگیری روشی با ابعاد کم، عملکرد بهتری در انواع روشهای آموزش به دست آید. در روش پیشنهادی، ویژگیهای مقدار میانگین قدر مطلق، واریانس، ریشهی میانگین مربعات، طول شکل موج، کشیدگی و چولگی از تبدیل موجک تجربی سیگنالهای الکترومایوگرام و اینرسی استخراج گردیده است. سپس با روش ReliefF ویژگیهای موثر انتخاب شده و برای طبقهبندی حرکات دست از ماشین بردار پشتیبان با هستهی تابع پایهی شعاعی استفاده شده است. درصدهای صحت روش پیشنهادی روی پایگاه دادهی PSL و مجموعههای DB2، DB3، DB5 و DB7 از پایگاه دادهی نیناپرو به ترتیب در دیدگاه کلمه-فرد برابر 31/99%، 11/97%، 58/96%، 12/96% و 32/97%، در دیدگاه کلمه-همهی افراد برابر 78/99%، 22/97%، 46/95%، 23/97% و 72/97% و در دیدگاه کنار گذاشتن یک فرد برابر 43/97%، 68/94%، 66/89%، 55/91% و 81/94% به دست آمده است.