13、资源受限环境下的触摸模态分类与人体识别技术

资源受限环境下的触摸模态分类与人体识别技术

1. 触摸模态分类的研究背景与方法

1.1 相关研究进展

在触摸模态分类领域，已有众多研究采用不同的模型和方法。例如，使用长短期记忆网络（LSTM）和门控循环单元（GRU）对三种触摸模态进行分类，LSTM 和 GRU 分别取得了 84.23% 和 83.78% 的显著准确率，且与文献中的相同问题相比，浮点运算次数（FLOPs）减少了 99.989%。还有研究使用 LogitBoost 对九种静态触摸模态进行分类，模型达到了 71% 的分类准确率。另外，将 3D 张量触觉数据转换为 2D RGB 图像，并使用预训练的卷积神经网络（CNN）进行分类，采用 Inception Resnet 模型得到了 76.9% 的分类准确率，但计算成本过高。

1.2 选择的深度网络

为了对基于字母模式的动态触摸模态进行分类，选择了三种不同的深度神经网络：1 - D CNN、LSTM 和 GRU。
- 1 - D 卷积神经网络（1 - D CNN） ：传统 CNN 用于触觉应用时，需要将时间序列数据预转换为图像表示。而 1 - D CNN 能够直接处理 1 - D 时间序列，通过 3D 内核在输入张量上沿时间方向滑动进行卷积操作，学习输入张量的时空表示。
- 循环神经网络（RNN） ：RNN 能够建模长距离时间依赖关系。动态触摸模态富含时间特征，使得 RNN 成为该分类任务的潜在候选模型。这里选择了 LSTM 和 GRU 两种基于 RNN 的网络，它们工作方法相似，但 GRU 架构中的门数量较少，复杂度低于 LSTM。