메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
김성중 (연세대학교) 김종만 (연세대학교) 안순재 (연세대학교) 구범모 (연세대학교) 김영호 (연세대학교)
저널정보
Korean Society for Precision Engineering Journal of the Korean Society for Precision Engineering Journal of the Korean Society for Precision Engineering Vol.35 No.1
발행연도
2018.1
수록면
13 - 18 (6page)
DOI
10.7736/KSPE.2018.35.1.13

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Deaf people use their own national sign or finger languages for communication. They have a lot of inconvenience in both social and financial problems. In this study, a finger language recognition system using an ensemble machine learning algorithm with an armband sensor of 8 channel surface electromyography (sEMG) is introduced. The algorithm consisted of signal acquisition, digital filtering, feature vector extraction, and an ensemble classifier based on artificial neural network (EANN). It was evaluated with Korean finger language (14 consonants, 17 vowels and 7 numbers) in 20 normal subjects. EANN was categorized with the number of classifiers (1 to 10) and the size of training data (50 to 1500). Mean accuracies and standard deviations for each structure were then obtained. Results showed that, as the number of classifiers (1 to 8) and the size of training data (50 to 300) were increased, the average accuracy of the E-ANN classifier was increased while the standard deviation was decreased. Statistical analysis showed that the optimal E-ANN structure was composed with 8 classifiers and 300 training data. This study suggested that E-ANN was more accurate than the general ANN for sign/finger language recognition.
#Armband sensor (암밴드 센서) #Pattern recognition (패턴 인식) #Ensemble machine learning (앙상블 기계 학습) #Electromyography (근전도) #Finger recognition (지화)

목차

1. 서론
2. 방법
3. 결과 및 토의
4. 결론
REFERENCES

참고문헌 (26)

참고문헌 신청
Oleg, C., “Multi-Country Assessment of National Capacity to Provide Hearing Care,” World Health Organization, pp. 10-13, 2013. Ong, S. C. and Ranganath, S., “Automatic Sign Language Analysis: A Survey and the Future Beyond Lexical Meaning,” IEEE Transactions on Pattern Analysis & Machine Intelligence, Vol. 27, No. 6, pp. 873-891, 2005. Barberis, D., Garazzino, N., Prinetto, P., Tiotto, G., Savino, A., et al., “Language Resources for Computer Assisted Translation from Italian to Italian Sign Language of Deaf People,” Proc. of Accessibility Reaching Everywhere AEGIS Workshop and International Conference, 2011. Singha, J. and Das, K., “Recognition of Indian Sign Language in Live Video,” International Journal of Computer Applications, Vol. 70, No. 19, pp. 17-22, 2013. Dong, C., Leu, M. C., and Yin, Z., “American Sign Language Alphabet Recognition Using Microsoft Kinect,” Proc. of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, pp. 44-52, 2015.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

돌봄로봇 공통안전 요구사항 표준 개발 연구
안순재 ,  육선우 ,  유우진 외 1명 재활복지공학회논문지 2022 .11

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2018-555-001725565