本研究由南昌航空大学江西省光电信息科学与技术重点实验室的Jie Li、Bin Liu（IEEE会员）、Yingying Hu、Juan Liu、Xing-Dao He，北京邮电大学信息光子学与光通信国家重点实验室的Jinhui Yuan（IEEE高级会员），以及南昌航空大学与英国诺森比亚大学双聘的Qiang Wu共同完成，发表于IEEE Transactions on Industrial Electronics 2024年4月刊（第71卷第4期）。
研究领域：本研究属于人机交互（Human-Computer Interaction, HCI）中的手势识别技术领域，结合光纤传感与机器学习算法，提出了一种新型可穿戴解决方案。
研究动机：当前手势识别技术主要分为基于视觉和基于传感器的两类方法。视觉方法易受环境光线、背景干扰，而传统传感器（如惯性传感器、光纤布拉格光栅（FBG）、电容传感器等）存在电磁干扰、成本高、系统复杂等问题。因此，本研究旨在开发一种低成本、抗电磁干扰、高灵敏度的D形塑料光纤（Plastic Optical Fiber, POF）曲率传感器，结合机器学习算法实现高精度手势分类。
研究目标：
1. 设计一种高灵敏度的D形POF曲率传感器，集成至弹性手套中实时采集手指运动数据；
2. 构建包含13种静态手势和11种抓握动作的数据集；
3. 通过支持向量机（SVM）和前馈神经网络（FNN）实现高精度分类；
4. 验证系统在混合手势与动作识别中的鲁棒性。
D形POF曲率传感器：
- 结构设计：通过抛光传统圆形POF（直径1 mm，纤芯0.75 mm）形成D形截面，抛光深度0.5 mm，抛光长度1–3 cm，形成两个敏感区域（A1和A2），分别对应手指的第一和第二指关节（图2）。
- 工作原理：弯曲时，抛光区域的倏逝场（Evanescent Field）强度变化导致输出光信号调制，通过光电二极管转换为电压信号（图4）。
硬件集成：
- 五通道信号采集系统集成于8×4.5 cm²的印刷电路板（PCB），包含LED驱动电路（波长650 nm）、电压放大电路、NRF24L01无线传输模块和微控制器（MCU）（图3）。
- 传感器通过硅胶密封固定于弹性针织手套指尖，确保贴合手部（图3e）。
实验对象与数据规模：
- 6名志愿者（3男3女）参与实验，每人每种手势/动作重复20次，共采集：
- 13种静态手势：1560组数据（120组/手势）；
- 11种抓握动作（如握网球、持笔等）：1320组数据（120组/动作）；
- 混合数据集：2880组数据。
数据预处理：
- 归一化：消除光源功率波动和连接不稳定引入的电压偏差（±15 mV，对应5°误差）；
- 数据融合：将五通道手指数据按顺序合并为一列，便于分类模型输入（图8）。
SVM分类器（高斯核函数）：
- 算法选择：采用一对一（One-against-One）多分类策略，高斯核函数（公式1）将数据映射到高维空间以提升非线性分类性能。
- 交叉验证：20折交叉验证，13种手势识别准确率达99.8%，11种抓握动作达97.7%（图9, 11）。
前馈神经网络（FNN）：
- 结构：输入层、500节点隐藏层、输出层，训练集/验证集/测试集比例为70%/15%/15%；
- 混合数据集识别准确率99.4%，优于SVM的98.9%（图13）。
科学价值：
- 提出首个基于D形POF曲率传感器的可穿戴手势识别系统，兼具高灵敏度（R²>0.99）、抗电磁干扰和低成本优势；
- 验证了高斯核SVM和FNN在光纤传感数据分类中的有效性，为多模态动作识别提供新思路。
应用价值：
- 适用于医疗康复机器人、手语分类、水下机器人及航空监测等严苛环境；
- 系统硬件小型化（PCB面积36 cm²）和弹性手套设计提升穿戴舒适性。
与同类技术对比（表I），本系统在识别精度（>97%）、成本和抗干扰性上均优于惯性传感器（易受电磁干扰）和电容传感器（需复杂电路）。未来可通过增加传感器通道数进一步扩展手势库容量。