SAWSense：使用表面声波进行表面绑定事件识别

文献标题

SAWSense: Using Surface Acoustic Waves for Surface-bound Event Recognition

文献信息

• 主题领域: 表面声波传感技术用于用户触摸事件和活动识别
• 关键词: 表面声波, 触摸检测, 活动识别, 手势界面, 声学, 传感

研究背景与问题

• 问题或挑战:

  1. 现有的振动或声学传感器，如加速度计或麦克风，无法同时兼顾高带宽、低噪声敏感性和长距离采集能力。
  2. 加速度计和地震仪等传感器有较低的采样带宽，传统麦克风对环境噪声敏感，妨碍在噪声环境中的使用。
  3. 虽然已有触摸及活动识别技术，但多侧重于特定场景，且部署成本较高。

• 研究重要性: 探索一种能够在多种材料表面上鲁棒工作、对环境噪声免疫、适合宽频带事件识别并具有低成本和低功耗特点的新型传感方法，将为用户界面及智能家居等应用带来革新。

• 研究动机与相关工作:

  1. 表面声波（SAWs）是一种二维波，仅限于表面的空气-材料边界，避免了空气传播噪声的干扰且具有低衰减特性。
  2. 重新用途化的语音拾取单元（VPU）拥有高带宽，同时可隔离环境声音，与现有传感器互补。

解决方案

• 方法或解决方案:

  1. 利用VPU重新捕获表面声波，进行事件检测和机器学习分类。
  2. 设计了一个优化的信号处理与机器学习分类管道，包括定制化的Mel频率倒谱系数（cMFCC）。
  3. 使用数据扩展及特征变换技术，提升跨用户和跨材料识别的性能。

• 创新之处:

  1. 提出一种低成本、高灵敏度且能长距离捕捉表面声波的新传感方式。
  2. 在多种表面和复杂几何上进行实验，表现出鲁棒性和适应性。
  3. 在声音环境复杂的条件下，不依赖高昂或繁琐的部署进行高精度触摸和事件识别。

• 实施步骤与关键技术:

  1. 硬件: 利用VPU传感器及定制PCB捕获SAW信号。
  2. 信号处理: 使用cMFCC提取频域特征，结合信息的能量分析优化频带分布。
  3. 机器学习:
     • 用基本的线性支持向量机（SVM）、随机森林分类器以及简单的多层感知器（MLP）分类模型进行评估；
     • 提出并验证数据增强和跨材料特征映射技术。

研究成果

• 具体成果:

  1. 提出一种鲁棒的表面声波传感系统，可识别多种触摸手势，以97%以上的分类准确率区分6种轨迹板样式手势。
  2. 在家庭环境中，能以99%以上的准确率识别16种厨房活动（如搅拌、切菜、放置器具等）。
  3. 在奇异几何体或柔性材料（如玩具龙和服装袖口）上成功验证。

• 与现有解决方案的对比:

  • SAWSense传感器相较于加速度计、地震仪和传统麦克风，在环境噪声下表现更好；同时具备更高的带宽，与传统麦克风不同，不会受到外部音频污染。

• 实验或评估结果:

  1. 单通道实验显示可信检测范围超过1米；加入第二通道后，能进一步识别手势方向。
  2. 数据增强明显提高了跨用户手势识别的准确率（达97.6%）。
  3. 基于不同材料特性调整的特征变换技术，使跨材料性能从59.2%提升至98.0%。

• 局限性与未来方向:

  1. 只有单个VPU时，无法区分同时发生的多个表面事件。
  2. SAW只能检测直接发生在所在表面的触摸/事件，多表面联动仍需额外部署。
  3. 未来可考虑：
     • 利用多个传感器进行事件分离。
     • 在更大规模和多样性的数据集上优化模型性能。
     • 在不同复杂情境（如活动时穿戴设备）中进行测试。