HCI.TOPHCI, made easy
首页arXiv论文机构作者设计规范问题知识卡创新日程
首页arXiv论文机构作者设计规范问题知识卡创新日程
学习AI编程数据说明HCI 会议HCI 论文关于薛志荣
search
当前筛选
search
全部

论文

浏览与搜索 全部 的 HCI 研究论文

当前筛选
作者: 9119
共 13 条

ReflecTrace:通过角膜反射在普通智能手机上实现无触点悬停交互

Nakamura 等人利用前置摄像头捕捉角膜反射,通过CNN检测悬停手指位置,在粗网格达95%准确率,端到端延迟约22ms,实现普通智能手机无触点悬停交互。

YN
Yudai Nakamura et al.庆应义塾大学

拉链打印:使用二维扁平拉链结构实现快速可组装的三维打印

我们提出了一种制造由集成拉链结构的 3D 打印扁平片组成物体的方法。物体通过连接拉链组件手动组装成 3D 形状。通过采用允许片之间角度无关连接的拉链设计,我们的方法使表面和拉链组件能够以相同的方向打印,从而实现高质量重建输入模型,同时缩短 3D 打印过程并减少材料浪费。我们实现了一个完全自动化的流程,以 3D 模型为输入,将其转换为可展开面片,生成拉链结构,并将其展平以进行后续 3D 打印。我们证明我们的方法显著减少了制造时间和支撑材料消耗。我们还展示了突出该方法多功能性的应用示例。

TY
Takumi Yamamoto et al.庆应义塾大学

SoilSense:利用土壤微生物燃料电池创建有形界面

Min等人开发SoilSense系统,将土壤微生物燃料电池重新用作有形交互界面,通过阴极压力产生的电压变化实现多样交互模式。

TM
Tian Min et al.庆应义塾大学

ScanRing:使用距离传感器和IMU传感器的智能戒指混合认证系统

Miyashita 等人提出 ScanRing 混合认证系统,利用距离传感器和IMU传感器通过移动戒指捕捉面部结构和运动特征,在不依赖摄像头情况下实现98.41%认证准确率。

KM
Kai Miyashita et al.庆应义塾大学
广告推荐

学习 AI 编程到 CodeNow

系统课程、实战项目、持续更新,适合想真正把 AI 用进开发流程的人。

立即查看open_in_new

MaGEL:支持变形手势识别的柔软透明输入设备

Oguri 等人研发了 MaGEL 柔软透明输入设备,利用光强变化结合机器学习以 94.1% 准确率识别 13 种变形手势,实现自然的交互体验。

FO
Fumika Oguri et al.青山学院大学

FlexEar-尖端:使用压力控制的形状可调耳尖

Amesaka等人设计FlexEar-Tips空气可调耳塞,通过气压传感反馈实现大小自适应,评估显示其可提升触觉识别率并改善音乐沉浸感

TA
Takashi Amesaka et al.庆应义塾大学

IrOnTex:基于可熨烫3D打印对象的定制交互式纺织品制作与原型设计

Yu等人提出IrOnTex,利用可熨烫3D打印对象制作定制交互式纺织品,实现快速原型设计。

JY
Jiakun Yu et al.

EarHover: 使用声音泄漏信号实现可穿戴设备的空中手势识别

Suzuki 等人开发 EarHover 系统,利用可穿戴设备声音泄漏现象和外部麦克风实现空中手势识别,从 27 种手势中筛选出 7 种最适用的手势。

SS
Shunta Suzuki et al.庆应义塾大学

探索用户自定义手势作为听力设备输入及利用IMU识别耳触手势

Sato 等人通过手势引发研究探索可穿戴设备的用户自定义手势输入,发现 IMU 传感器对耳内设备识别率达91.0%,耳挂设备为74.7%。

YS
Yukina Sato et al.庆应义塾大学

AudioMove:将空间音频应用于多方向肢体运动指导

Xia 等人提出 AudioMove 非视觉肢体运动指导系统,利用空间音频传递多平面方向信息,实验证明该方案可在日常生活中提供自然、普适的锻炼训练体验。

CX
Chengshuo Xia et al.西安电子科技大学

TouchLog:使用光电反射传感器的手指微手势识别

Kitamura 等人提出 TouchLog 指甲式设备,通过指尖皮肤变形识别 11 种拇指-食指微手势,实现单手输入,准确率达 91.5%

RK
Riku Kitamura et al.庆应义塾大学

使用声音泄漏信号进行听力设备用户认证的方法

Amesaka 等人提出利用听力设备声音泄漏信号进行生物特征认证的新方法,使用外部麦克风捕获耳道等声学特征,16人测试准确率达 87.0%-96.7%。

TA
Takashi Amesaka et al.庆应义塾大学

ReflecTouch: 使用角膜反射图像检测智能手机的抓握姿势

Zhang等人提出ReflecTouch方法,通过前置摄像头捕捉角膜反射图像检测手机握持姿势,无需额外传感器即可区分六种握持方式,准确率达85%。

XZ
Xiang Zhang et al.庆应义塾大学
论文标题作者研究主题论文库年份

ReflecTrace:通过角膜反射在普通智能手机上实现无触点悬停交互

Nakamura 等人利用前置摄像头捕捉角膜反射,通过CNN检测悬停手指位置,在粗网格达95%准确率,端到端延迟约22ms,实现普通智能手机无触点悬停交互。

YN
Yudai Nakamura et al.庆应义塾大学

拉链打印:使用二维扁平拉链结构实现快速可组装的三维打印

我们提出了一种制造由集成拉链结构的 3D 打印扁平片组成物体的方法。物体通过连接拉链组件手动组装成 3D 形状。通过采用允许片之间角度无关连接的拉链设计,我们的方法使表面和拉链组件能够以相同的方向打印,从而实现高质量重建输入模型,同时缩短 3D 打印过程并减少材料浪费。我们实现了一个完全自动化的流程,以 3D 模型为输入,将其转换为可展开面片,生成拉链结构,并将其展平以进行后续 3D 打印。我们证明我们的方法显著减少了制造时间和支撑材料消耗。我们还展示了突出该方法多功能性的应用示例。

TY
Takumi Yamamoto et al.庆应义塾大学

SoilSense:利用土壤微生物燃料电池创建有形界面

Min等人开发SoilSense系统,将土壤微生物燃料电池重新用作有形交互界面,通过阴极压力产生的电压变化实现多样交互模式。

TM
Tian Min et al.庆应义塾大学

ScanRing:使用距离传感器和IMU传感器的智能戒指混合认证系统

Miyashita 等人提出 ScanRing 混合认证系统,利用距离传感器和IMU传感器通过移动戒指捕捉面部结构和运动特征,在不依赖摄像头情况下实现98.41%认证准确率。

KM
Kai Miyashita et al.庆应义塾大学
广告推荐

学习 AI 编程到 CodeNow

系统课程、实战项目、持续更新,适合想真正把 AI 用进开发流程的人。

立即查看open_in_new

MaGEL:支持变形手势识别的柔软透明输入设备

Oguri 等人研发了 MaGEL 柔软透明输入设备,利用光强变化结合机器学习以 94.1% 准确率识别 13 种变形手势,实现自然的交互体验。

FO
Fumika Oguri et al.青山学院大学

FlexEar-尖端:使用压力控制的形状可调耳尖

Amesaka等人设计FlexEar-Tips空气可调耳塞,通过气压传感反馈实现大小自适应,评估显示其可提升触觉识别率并改善音乐沉浸感

TA
Takashi Amesaka et al.庆应义塾大学

IrOnTex:基于可熨烫3D打印对象的定制交互式纺织品制作与原型设计

Yu等人提出IrOnTex,利用可熨烫3D打印对象制作定制交互式纺织品,实现快速原型设计。

JY
Jiakun Yu et al.
emoji_events

EarHover: 使用声音泄漏信号实现可穿戴设备的空中手势识别

Suzuki 等人开发 EarHover 系统,利用可穿戴设备声音泄漏现象和外部麦克风实现空中手势识别,从 27 种手势中筛选出 7 种最适用的手势。

SS
Shunta Suzuki et al.庆应义塾大学

探索用户自定义手势作为听力设备输入及利用IMU识别耳触手势

Sato 等人通过手势引发研究探索可穿戴设备的用户自定义手势输入,发现 IMU 传感器对耳内设备识别率达91.0%,耳挂设备为74.7%。

YS
Yukina Sato et al.庆应义塾大学

AudioMove:将空间音频应用于多方向肢体运动指导

Xia 等人提出 AudioMove 非视觉肢体运动指导系统,利用空间音频传递多平面方向信息,实验证明该方案可在日常生活中提供自然、普适的锻炼训练体验。

CX
Chengshuo Xia et al.西安电子科技大学

TouchLog:使用光电反射传感器的手指微手势识别

Kitamura 等人提出 TouchLog 指甲式设备,通过指尖皮肤变形识别 11 种拇指-食指微手势,实现单手输入,准确率达 91.5%

RK
Riku Kitamura et al.庆应义塾大学

使用声音泄漏信号进行听力设备用户认证的方法

Amesaka 等人提出利用听力设备声音泄漏信号进行生物特征认证的新方法,使用外部麦克风捕获耳道等声学特征,16人测试准确率达 87.0%-96.7%。

TA
Takashi Amesaka et al.庆应义塾大学

ReflecTouch: 使用角膜反射图像检测智能手机的抓握姿势

Zhang等人提出ReflecTouch方法,通过前置摄像头捕捉角膜反射图像检测手机握持姿势,无需额外传感器即可区分六种握持方式,准确率达85%。

XZ
Xiang Zhang et al.庆应义塾大学