本研究提出了一种新型XMANet模型，解决了现有EMG手势识别方法的性能不足。实验结果表明，XMANet在多个数据集上显著优于传统模型，展示了细粒度特征在EMG分类中的潜力。

本研究开发了一个基于视频的美式手语词典，旨在帮助学习者解决查找不熟悉手势的困难。通过手势识别技术和用户体验研究，分析了初学者在使用过程中的互动问题，如系统延迟和隐私顾虑，为词典系统的设计提供了指导。

本文回顾了手势识别的最新进展，分析了不同摄像头输入数据，并探讨了在真实环境中实现稳健识别的挑战，为未来研究提供指导。

面部控制是一种无障碍功能，允许用户通过头部移动和面部手势控制光标。该功能利用机器学习生成478个面部点的3D网格，实现精准的实时手势识别，帮助运动障碍者更方便地使用Chromebook。它将与其他20多种无障碍功能一起，提升学生的学习体验，促进课堂独立参与。

本文介绍了WiFi感知技术的进展，提出了多个新方法以提高移动活动识别和健康监测的准确性。研究包括SenseFi基准、OFTTA框架、CODA机制和DTSDA模型，特别是CrossFi框架通过改进的孪生网络显著提升了手势识别的表现，展示了广泛的应用潜力。

本研究推出了阿塞拜疆手语数据集（AzSLD），包含30,000个高质量视频，为手势识别模型的训练与评估提供了重要资源，推动手语识别与翻译的发展。

本文探讨了无线网络中的数据稀缺问题，指出传统数据增强技术的局限性。引入生成性人工智能后，提出了一种基于生成扩散模型的Wi-Fi手势识别数据增强框架，模拟结果显示其有效性，为无线网络的数据增强提供了新视角和应用潜力。

本研究通过引入美国手语知识图谱（ASLKG），提高了美国手语（ASL）语言模型的可及性和可解释性。结果表明，基于ASLKG训练的模型在手势识别和视频分类任务中表现优异。

本研究比较了人机交互中面部和手势识别算法的性能，评估了其准确性、鲁棒性和效率。结果表明，全面分析这些算法能显著提升互动系统的直观性和用户友好性。

本研究创建了一个包含7200张图像的泰语手语手指拼写数据集，以解决数据不足问题，推动手势识别技术的发展，促进深度学习和计算机视觉的应用。

本文提出了一种基于All-ConvNet+TL模型的手势识别方法，显著提升了跨会话和跨被试的识别性能。研究利用多模态卷积神经网络和深度学习技术，在sEMG信号处理方面取得了高准确率，适用于人机交互和机器人控制等领域。

本文介绍了一种基于深度学习的手势识别技术，通过动态采样和时间归一化组件提升手势分类准确率。新框架在便携设备上实现80%的准确度和0.12秒的延迟，静态手势识别准确率提高至95%。采用脉冲神经网络和随机通道消除方法，显著增强了手势识别的鲁棒性和准确性，展示了实际应用潜力。