La reconnaissance gestuelle a de multiples applications dans les domaines de la médecine et de l'ingénierie. Le problème de la reconnaissance des gestes de la main consiste à identifier, à tout moment, un geste donné effectué par la main. Dans ce travail, nous proposons un nouveau modèle de reconnaissance des gestes de la main en temps réel. L'entrée de ce modèle est l'électromyographie de surface mesurée par le capteur commercial du brassard Myo placé sur l'avant-bras. La sortie est le libellé du geste exécuté par l'utilisateur à tout moment. Le modèle proposé est basé sur le voisin le plus proche Λ et sur des algorithmes de distorsion temporelle dynamique. Ce modèle peut apprendre à reconnaître n'importe quel geste de la main. Pour évaluer la performance de notre modèle, nous avons mesuré et comparé sa précision à la reconnaissance de 5 classes de gestes à la précision du système propriétaire du brassard Myo. À la suite de cette évaluation, nous avons déterminé que notre modèle est plus performant (86 % de précision) que le système Myo (83 %).

El reconocimiento de gestos tiene múltiples aplicaciones en los campos de la medicina y la ingeniería. El problema del reconocimiento de gestos de la mano consiste en identificar, en cualquier momento, un gesto dado realizado por la mano. En este trabajo proponemos un nuevo modelo de reconocimiento de gestos manuales en tiempo real. La entrada de este modelo es la electromiografía de superficie medida por el sensor comercial del brazalete Myo colocado en el antebrazo. La salida es la etiqueta del gesto ejecutado por el usuario en cada momento. El modelo propuesto se basa en el vecino Λ-más cercano y en algoritmos dinámicos de distorsión del tiempo. Este modelo puede aprender a reconocer cualquier gesto de la mano. Para evaluar el rendimiento de nuestro modelo, medimos y comparamos su precisión al reconocer 5 clases de gestos con la precisión del sistema patentado del brazalete Myo. Como resultado de esta evaluación, determinamos que nuestro modelo funciona mejor (86% de precisión) que el sistema Myo (83%).

Gesture recognition has multiple applications in medical and engineering fields. The problem of hand gesture recognition consists of identifying, at any moment, a given gesture performed by the hand. In this work, we propose a new model for hand gesture recognition in real time. The input of this model is the surface electromyography measured by the commercial sensor the Myo armband placed on the forearm. The output is the label of the gesture executed by the user at any time. The proposed model is based on the Λ-nearest neighbor and dynamic time warping algorithms. This model can learn to recognize any gesture of the hand. To evaluate the performance of our model, we measured and compared its accuracy at recognizing 5 classes of gestures to the accuracy of the proprietary system of the Myo armband. As a result of this evaluation, we determined that our model performs better (86% accurate) than the Myo system (83%).

للتعرف على الإيماءات تطبيقات متعددة في المجالات الطبية والهندسية. تتكون مشكلة التعرف على إيماءات اليد من تحديد، في أي لحظة، إيماءة معينة تقوم بها اليد. في هذا العمل، نقترح نموذجًا جديدًا للتعرف على إيماءات اليد في الوقت الفعلي. مدخلات هذا النموذج هو تخطيط كهربية السطح الذي يقاس بواسطة المستشعر التجاري شارة الذراع Myo الموضوعة على الساعد. الإخراج هو تسمية الإيماءة التي ينفذها المستخدم في أي وقت. يعتمد النموذج المقترح على أقرب جار وخوارزميات تشويه الوقت الديناميكية. يمكن أن يتعلم هذا النموذج التعرف على أي إيماءة لليد. لتقييم أداء نموذجنا، قمنا بقياس ومقارنة دقته في التعرف على 5 فئات من الإيماءات بدقة نظام الملكية لشارة الذراع Myo. نتيجة لهذا التقييم، قررنا أن أداء نموذجنا أفضل (دقة 86 ٪) من نظام Myo (83 ٪).