BudsID：适用于移动设备的耳塞式手指识别输入

研究背景与问题

• 发现的问题或挑战： 传统无线耳机由于其尺寸小、没有可视化界面以及动态使用场景（如行走中操作），导致输入方式受限，通常仅支持少量触摸或划动输入。现有交互技术对耳机的输入表达能力依然不足，难以满足日益复杂的使用需求。

• 重要性： 随着无线耳机功能的扩展，如健康追踪、生物识别认证、智能家居控制等，其对丰富交互输入的需求不断增长。开发新的耳机交互方式，特别是在动态场景中的高效输入，能够显著提升用户体验并扩展应用场景。

• 研究动机与相关工作： 虽然此前在智能手表等可穿戴设备上已有借助磁场传感和手指识别等输入技术的尝试，但尚未有研究探索此技术在耳机上应用的可能性。现有耳机输入模式，如耳部变形检测、面部附近手势输入等，还未在行走等动态场景中检验其性能。

解决方案

• 提出的解决方案： 论文提出了一个名为 BudsID 的系统，通过耳机内置的磁力计和戴在用户手指上的磁环，检测不同手指的触摸来进行手指识别。基于这种输入方法，可以区分使用不同手指的触摸，从而实现多种功能的映射。

• 创新之处：

  1. 适配耳机的新场景：将手指识别技术首次应用于耳机设备，突破动态场景的输入瓶颈。
  2. 优异的分类性能：开发的深度学习模型实现了高到96.9%的准确率。
  3. 支持多指双击输入：结合连续双击手势进一步提升输入表达性，可支持九种独立输入操作。
  4. 硬件开放性：设计了开源原型，支持低资源设备上的模型运行。

• 实施步骤与关键技术：

  1. 硬件原型设计：基于 Arduino Nano BLE Sense 板和磁力计，构建了一款能检测三维磁场变化的无线耳机，并搭配嵌入磁铁的手指环。
  2. 数据收集与预处理：磁场数据被采样和预处理，包括正则化及数据窗口化，之后输入分类模型。
  3. 分类模型设计：
     • 1D 卷积神经网络 (1D-CNN)：针对原始传感器数据进行处理，适用于移动设备的轻量级架构。
     • 支持向量机 (SVM)：以简单统计特征为基础，为资源有限设备提供可替代方案。
  4. 用户测试：通过两次研究（单次触摸和双次触摸）验证技术的准确性和可用性，最终将结果用于设计实际应用场景。

研究成果

• 具体成果：

  1. 用户性能：实验表明，用户能够快速（单次触摸耗时0.98秒，双次触摸间隔0.4秒）且准确（错误率2.8%-5.6%）地完成触摸任务。
  2. 分类性能：
     • 单指触摸的深度学习分类器平均准确率为96.4%。
     • 双指连续触摸的分类准确率达到94.7%（个体模型）。
     • 支持向量机分类器表现稍低，但适合低资源应用。
  3. 可用性与反馈：BudsID 在主观评价中超越传统单点触摸交互模式，获得更高的易用性和记忆性分数（如 SUS 分数为69.25, 超过传统系统的60分）。

• 与现有方案的优势：

  • 精确度超越了智能手表等设备上的类似手指识别应用（如超声波为93.7%，电容触摸为79.4%）。
  • 对动态移动场景表现优异，且支持扩展性强的双次触摸手势。
  • 能在低资源的微控制器平台（如耳机原型）上运行，延迟符合实时需求。

• 局限性与未来方向：

  1. 佩戴舒适性：用户对佩戴磁环的接受度仍需提升，未来可探索将磁体集成至更小设备或替代设计（如可附加至指甲的磁铁）。
  2. 行为差异：不同手指（尤其中指与无名指）分类混淆问题可能受手臂摆动等行为影响，可通过优化用户指导和设备设计进一步改善。
  3. 输入扩展性：现阶段仅支持轻拍操作，未来可结合滑动、拖动等手势丰富输入方式。
  4. 低资源运行优化：虽然微型架构表现良好，但双击分类的准确率（82.4% LOOCV）在新用户使用场景中仍需改进。

这一研究为无线耳机的未来发展提供了重要路径，提出了一种兼具创新性、准确性和用户友好的手指识别输入方式，为更多复杂交互场景的实现奠定了基础。