В данной работе основное внимание было уделено трехмерному эксперименту с сенсорным экраном, предназначенным для изучения данных траекторий движения руки и их последующего воздействия на опыт пользователя при взаимодействии с данным экраном. Основная цель этого тезиса состояла в том, чтобы проанализировать траектории движения руки. Эти данные были собраны при съемке видеороликов с повышенной частотой кадров при взаимодействии испытуемогои компьютера с при помощи трехмерного сенсорного экрана. Траектории руки записывались для каждой экспериментальной сессии в виде последовательностей расположения руки испытуемого. Используя параметры траектории руки, такие как местоположение целевого объекта и его параллакс, текущие параметры оценивали функции, позволяющие классифицировать классы параллакса. Был разработан механизм анализа траекторий движения руки. Траектории руки были отфильтрованы с помощью локально-линейной модели (алгоритм loess). Для достижения цели работы было извлечено 40 свойств траекторий, чтобы предоставить полезную информацию о поведении испытуемого. Модели классификации траекторий руки были реализованы с максимальной точностью 73% для классификации двух классов и 33% для классификации четырех классов. Сделан вывод о том, что траектории являются сложными данными для классификации.

• РЕФЕРАТ
• THE ABSTRACT
• содержание
• ВВЕДЕНИЕ
• 1 ОПИСАНИЕ ЭКСПЕРИМЕНТА С 3D СИМУЛЯТОРОМ
  • 1.1 Система измерения траекторий движения руки
  • 1.2 Отслеживание движения руки
• 2 МЕТОДЫ АНАЛИЗА ТРАЕКТОРИЙ ДВИЖЕНИЯ РУКИ
  • 2.1 Предобработка данных
    • 2.1.1 Фильтрация траекторий
    • 2.1.2 Уменьшение размерности
  • 2.2 Извлечение признаков
    • 2.2.1 Скорость и ускорение
    • 2.2.2 Положение и точность
    • 2.2.3 Характеристики, представляющие интерес для анализа указательных действий
  • 2.3 Кластеризация траекторий
  • 2.4 Классификация траекторий
  • 2.5 Прогнозирование траекторий
• 3 ОПИСАНИЕ ПРОЦЕССА АНАЛИЗА ТРАЕКТОРИЙ
  • 3.1 Технология пайплайн
  • 3.2 Фильтрация траекторий
  • 3.3 Генерация особенностей траекторий
  • 3.4 Преобразование данных
    • 3.4.1 Уменьшение размерности
    • 3.4.2 Нормализация данных
  • 3.5 Классификация
    • 3.5.1 Метод опорных векторов
    • 3.5.2 Random Forest
    • 3.5.3 Многослойный персептрон
• 4 ЭКСПЕРИМЕНТЫ
  • 4.1 Входные данные
  • 4.2 Результаты экспериментов
    • 4.2.1 Эксперименты над исходным набором данных
    • 4.2.2 Бинарная классификация
    • 4.2.3 Классификация четырех классов
• Заключение
• Список литературы