科學家用機器學習訓練出一個智能AI耳機線

科學家 Alex Olwal 實現了一個奇思妙想，讓紡織品擁有與人交互的能力。

經過改善美學、溫馨度和人體工程學能夠幫助紡織品科學技術融入咱們的平常生活中。材料和柔性電子技術的進步使得傳感和顯示技術可以融入到外套、衣服和毯子等軟質材料中。如今織物覆蓋的智能揚聲器和編織耳機線已經實現了這個設想。

Alex Olwal 開發了不一樣的原型機來展現電子布藝架構的功能：電子布藝 USB-C 耳機能夠控制手機上的媒體播放，連帽衫抽繩能夠在衣服上無形中增長音樂控制，還有一個交互式的線，用於智能音箱的手勢控制。

互動式喇叭線，可同時使用連續（扭動/滾動）和離散手勢（捏/拍）控制音樂播放。

左邊：輕點 = 播放/暫停；中間。雙擊 = 下一個軌道； 右邊。滾動 = 音量+/-

具備嵌入式觸摸感應，手勢識別和視覺反饋的可擴展交互式電子紡織體系結構。

把機器學習與交互式紡織品結合

在 ACM CHI 2020 會議論文集中，他將交互性帶到了軟設備裏，並展現了機器學習(ML)與交互式紡織品拓撲結構相結合，如何實現離散和連續手勢的並行使用。

實驗從 12 位新參與者中收集了數據，獲得了 864 個手勢樣本，每一個手勢都有 16 個特徵，這些特徵隨時間線性插值到 80 個觀察值。

因爲適應個體差別，所以參與者以本身的風格進行八個手勢操做，而無需反饋，由於分類高度依賴於用戶風格、偏好和解剖結構。

所以，流水線被設計爲用於依賴用戶的培訓，以使各個樣式具備不一樣的參與者，例如順時針/逆時針使用不一致，時間手勢之間重疊對於與用戶無關的系統，須要解決此類差別，例如，對於一致性的更嚴格的說明，來自更多人羣的數據以及更多樣化的環境。培訓過程當中的實時反饋還將幫助減輕用戶學習調整其行爲時的差別。

[

十二個參與者（水平軸）對八個手勢（垂直軸）執行了9次重複（動畫）。每一個子圖像顯示 16 個重疊的特徵向量，並隨時間插值 80 個觀察值。

經過對八個重複進行訓練並經過九個排列對一個重複進行測試，對每一個手勢上的每一個用戶執行了交叉驗證，並得到了約 94％ 的手勢識別精度。這一結果使人鼓舞，特別是考慮到這種低分辨率傳感器矩陣所具備的表現力。

這裏值得注意的是，重複感測矩陣中的固有關係很是適合於機器學習分類。研究中使用的 ML 分類器可對有限的數據進行快速訓練，從而使依賴於用戶的交互系統變得合理。根據他的經驗，對典型手勢的訓練少於 30s，這與訓練指紋傳感器所需的時間至關。

ACM CHI 2020 會議論文集：
https://dl.acm.org/doi/abs/10...