HulaMove：使用商用IMU进行腰部交互

文献标题

HulaMove: Using Commodity IMU for Waist Interaction

文献信息

• 发表会议: CHI Conference on Human Factors in Computing Systems (CHI '21)
• 发表时间: 2021年5月8日–13日
• 研究领域: 人机交互（HCI）
• 关键词: 腰部交互, 无设备传感, 惯性测量单元(IMU), 无需视觉, 全天候交互, 虚拟现实, 增强现实, 日常操作优化, 全身交互

研究背景与问题

• 研究问题: 当前的人机交互方法正逐渐从手动操作扩展到不同的人体部位输入（如脸部、脚部）。多数基于腰部运动的研究集中于被动追踪用户日常活动，但尚未探索腰部主动控制交互的能力。而腰部作为人体最大的关节，能方便地被使用者主动控制。
• 研究意义: 腰部交互能够提供全新的“免视线、免动手”输入方式，尤其在用户眼睛和双手忙碌的场景下（如厨房操作或携带重物时），还可提升虚拟现实（VR）中的沉浸感。
• 相关工作: 现有基于其他身体部位（如足部、手部或耳朵）的交互研究大多依赖专用硬件，而已有的IMU研究通常也对设备位置严格限制。该领域缺乏基于腰部输入的详细交互设计与性能分析。

解决方案

• 方法概述: 提出一种名为HulaMove的交互技术，利用智能手机上的内置IMU传感器识别用户的腰部运动。该系统无需额外硬件即可实现实时腰部手势识别，并支持真实世界和虚拟现实中的交互操作。
• 创新之处:
  • 交互设计空间: 通过用户研究明确了腰部交互的最佳手势设计，适合的运动类型及其方向数量。
  • 轻量级模型与普适性: 使用简单校准步骤使系统适应手机不同放置位置，并保证高识别精度。
  • 树形CNN分类: 提出分层分类器提高识别精度，同时允许灵活扩展。
• 技术实现:
  • 主要步骤:
    1. 校准步骤：将IMU数据转换至人体坐标系统。
    2. 手势检测：滑动窗口过筛IMU数据以捕捉手势。
    3. 手势识别：通过层次树形CNN模型对手势归类。
  • 使用了预处理技术（如低通滤波），并根据用户简短的四步校准过程动态调整模型参数。

研究成果

• 具体成果:
  • 用户实验1: 通过目标采集和确认任务，发现用户能够轻松辨别8个方向的移动和2个旋转方向，同时“快速返回”是最优的动作确认技术。
    • 用户能够接受的手势: 8种移动手势，其中正前后移动因社交考量被替代为偏前/偏后移动。
  • 系统性能评估: 在手势检测的准确率为97.5%，日常使用中的误报率仅0.1%，误识别率<3%。
  • 用户实验2: 在真实场景和VR中测试，HulaMove使交互时间减少了41.8%（对比传统触摸屏），同时在VR场景中显著提升了用户沉浸感。
• 对比优势:
  • 相比传统硬件依赖型方法，HulaMove无需附加硬件，普适性强。
  • 与其他交互方式相比，其“免视线、免动手”特性尤其适合特定工作场景或增强沉浸式体验。
• 实验局限性与未来方向:
  • 腰部设计空间未完全发掘（如多层圆形区域、增加速度或运动轨迹维度）。
  • 合理性验证需扩展至更多元的日常干扰场景。
  • 移动端算法部署仍待优化（如提升实时性并降低功耗）。