Analyse 802.11 konformer Kanalzustandsinformationen zum Zweck der Gebärdenerkennung mittels maschinellem Lernen
Analysis of 802.11 compliant channel state information for the purpose of sign recognition using machine learning
- Diese Arbeit untersucht die Verwendung von WiFi-Sensing, um feingranulare Bewegungen der Hände und Arme, hier der deutschen Gebärdensprache, zu erkennen. Zu diesem Zweck werden zunächst Kanalzustandsinformationen verschiedener statischer und dynamischer Gesten mithilfe zweier ESP32-Boards aufgezeichnet. Diese werden anschließend gefiltert und mittels maschinellem Lernen (LSTMs und Inception Time) analysiert. Beide Modelle liefern vielversprechende Ergebnisse, wobei das Inception Time Modell mit ca. 85\% Genauigkeit bessere Ergebnisse liefert als das LSTM Modell mit nur ca. 72\%. Die Modelle werden verglichen und die Ergebnisse tiefgehend diskutiert.
| Author: | Leon Donald Wutke |
|---|---|
| URN: | urn:nbn:de:bsz:mit1-opus4-160160 |
| Advisor: | Dirk Labudde, Timo Hoß |
| Document Type: | Master's Thesis |
| Language: | German |
| Date of Publication (online): | 2025/04/11 |
| Year of first Publication: | 2025 |
| Publishing Institution: | Hochschule Mittweida |
| Granting Institution: | Hochschule Mittweida |
| Date of final exam: | 2025/01/20 |
| Release Date: | 2025/04/11 |
| GND Keyword: | Maschinelles Lernen; Gebärdensprache; Drahtloses lokales Netz |
| Page Number: | 128 |
| Institutes: | Angewandte Computer‐ und Biowissenschaften |
| DDC classes: | 006.31 Maschinelles Lernen |
| Open Access: | Frei zugänglich |
