A. 求计算机科学与技术毕业论文题目
你的计算机科学与技术论文准备往什么方向写，选题老师审核通过了没，有没有列个大纲让老师看一下写作方向？
老师有没有和你说论文往哪个方向写比较好？写论文之前，一定要写个大纲，这样老师，好确定了框架，避免以后论文修改过程中出现大改的情况！！
学校的格式要求、写作规范要注意，否则很可能发回来重新改，你要还有什么不明白或不懂可以问我，希望你能够顺利毕业，迈向新的人生。
论文选题的具体方法有哪些
在选题的方向确定以后，还要经过一定的调查和研究，来进一步确定选题的范围，以至最后选定具体题目。下面介绍两种常见的选题方法。
1、浏览捕捉法
这种方法就是通过对占有的文献资料快速地、大量地阅读，在比较中来确定题目的方法。
浏览捕捉法一般可按以下步骤进行：
第一步、广泛地浏览资料。在浏览中要注意勤作笔录，随时记下资料的纲目，记下资料中对自己影响最深刻的观点、论据、论证方法等，记下脑海中涌现的点滴体会。
第二步、是将阅读所得到的方方面面的内容，进行分类、排列、组合，从中寻找问题、发现问题，材料可按纲目分类。
第三步、将自己在研究中的体会与资料分别加以比较，找出哪些体会在资料中没有或部分没有。
2、追溯验证法
这是一种先有拟想，然后再通过阅读资料加以验证来确定选题的方法。
追溯可从以下几方面考虑：
第一步、看自己的“拟想”是否对别人的观点有补充作用，自己的“拟想”别人没有论及或者论及得较少。
第二步、如果自己的“拟想”虽然别人还没有谈到，但自己尚缺乏足够的理由来加以论证，考虑到写作时间的限制，那就应该中止，再作重新构思。
第三步、看“拟想”是否与别人重复。如果自己的想法与别人完全一样，就应马上改变“拟想”，再作考虑；如果自己的想法只是部分的与别人的研究成果重复，就应再缩小范围，在非重复方面深入研究。
第四步、要善于捕捉一闪之念，抓住不放，深入研究。在阅读文献资料或调查研究中，有时会突然产生一些思想火花。
B. 最近做图像识别，想通过MATLAB做手势识别的算法，不知道需要学些什么，做完会是什么样子，求大牛指导
模式识别、机器学习。
一般的做法是：
首先要有一定数量的手势图片；
其次将训练用的手势图片进行人工分类，即“打上标签”
再次将手势图片转换成轮廓图（可以用DFT、DCT、小波变换等计算出边缘，然后对边缘进行“扩张”即可）；
第四是将轮廓图规格化、矢量化，生成向量；
最后以上述向量集来训练学习机（例如：神经网络），直到回归；
获得的结果是能进行手势识别的学习机。
C. AR的核心技术，及与人工智能之间的关系
AR/VR常作为孪生兄弟被相提并论，被普遍认为为应用层新技术或者说是“智能可穿戴设备”，相比人工智能相对的“算法”标签，显得不够有深度有内涵高大上，那AR和人工智能之间到底是什么关系？AR属不属于当下我们认知中的人工智能？
AR属不属于人工智能？看完本文你就懂了 AR资讯
2018年3月，上海市经济和信息化委员会公示了2018年第一批本市人工智能创新发展专项拟支持项目。“一共有19家创新企业入围，亮风台作为AR公司也入围此次支持项目”亮风台工作人员告诉青亭网，这不是AR企业第一次被划归到人工智能，但这种归类方式也并不常见。据了解此专项由经信委与市财政局联合开展，拟支持金额超过1亿。
简单梳理下AR的核心技术
AR（Augmented
Reality），是在现实世界中叠加虚拟信息，也即给现实做“增强”，这种增强可以是来自视觉、听觉乃至触觉，主要的目的均是在感官上让现实的世界和虚拟的世界融合在一起。
其中，对现实世界的认知主要体现在视觉上，这需要通过摄像机来帮助获取信息，以图像和视频的形式反馈。通过视频分析，实现对三维世界环境的感知理解，比如场景的3D结构，里面有什么物体，在空间中的什么地方。而3D交互理解的目的是告知系统要“增强”的内容。
这其中有几个关键点：
首先是3D环境理解。要理解看到的东西，主要依靠物体/场景的识别和定位技术。识别主要是用来触发AR响应，而定位则是知道在什么地方叠加AR内容。定位根据精度的不同也可以分为粗定位和细定位，粗定位就是给出一个大致的方位，比如区域和趋势。而细定位可能需要精确到点，比如3D坐标系下的XYZ坐标、物体的角度。根据应用环境的不同，两种维度的定位在AR中都有应用需求。在AR领域，常见的检测和识别任务有人脸检测、行人检测、车辆检测、手势识别、生物识别、情感识别、自然场景识别等。
在感知现实3D世界并和虚拟内容融合后，需要以一定方式将这种虚实融合信息呈现出来，这里面需要的就是AR中的第二个关键技术：显示技术，
目前大多数的AR系统采用透视式头盔显示器，这其中又分为视频透视和光学透视，其他的代表有光场技术（主要因Magic
Leap而显名）、全息投影（在科幻影视剧作品中常出现）等。
AR中的第三个关键技术在于人机交互，用以让人和叠加后的虚拟信息互动，AR追求在触摸按键之外自然的人机交互方式，比如语音、手势、姿态、人脸等，用的比较多的语音跟手势。
人工智能和AR的技术关联
在人工智能领域有几个概念常被提及，如深度学习（DL）、机器学习（ML），在学术领域包括人工智能（AI）在内几大领域均有自己的研究界限，而在普遍意义上，我们常说的是泛意的人工智能，涵括所有“让机器像人一样”的技术的应用方向。
从这张图也可以简单一窥三者的关系，深度学习是实现机器学习的一种技术方式，而机器学习是为了让机器变得智能，去达到人工智能。可以说人工智能是最终目标，而机器学习是为了实现这个目标延伸出的一个技术方向。在这其中，还有另一个重要概念为计算机视觉（CV），主要来研究如何让机器像人去“看”，是目前人工智能概念中的一个重要分支，这也是因为人类获取信息最主要的方式之一就是视觉，目前计算机视觉已经在商业市场发挥价值，比如人脸识别；自动驾驶中读取交通信号和注意行人以导航；工业机器人用来检测问题控制过程；三维环境的重建图像的处理等等。这些概念既有区分也有一定范围的重叠。
其中，2006年开始，Hinton引发的深度学习热潮开始蔓延，在一定程度上带动了AI的又一次崛起，十年中，在包括语音识别、计算机视觉、自然语言处理在内的多个领域取得重大突破，并向应用领域延伸，正发展的如火如荼。
在AR的核心技术中，3D环境理解、3D交互理解和计算机视觉、深度学习都有着紧密的联系。3D环境理解在学术界里主要对应的是计算机视觉领域，而近年来深度学习在计算机视觉中得到广泛应用。交互方面，更趋自然的交互方式如手势和语音在硬件终端的使用，得益于近几年深度学习在相关领域的突破。也可以说，深度学习在AR中应用主要在视觉关键技术。
目前，AR最常见的形式是2D图片扫描识别，如腾讯QQ-AR火炬活动、支付宝五福等多数AR营销中所见，用手机扫描识别图出现叠加的内容，但主要的研发方向还在3D物体识别和3D场景建模。
现实的物体是以3D形态存在的，有不同的角度和空间方位。所以一个自然的扩展就是从2D图片识别到3D物体识别，识别物体的类别和姿态，深度学习可以用在这里。以水果识别为例，识别不同类别的水果，并且给出定位区域，即集成了物体识别与检测的功能。
3D场景建模，从识别3D物体扩大到更大更复杂的3D区域。比如识别场景里面有哪些东西、它们的空间位置和相互关系等等，这就是3D场景建模，是AR比较核心的技术。这其中涉及目前热门的SLAM（实时定位与地图构建）。通过扫描某个场景，然后在上面叠加虚拟战场等三维虚拟内容。如果只是基于普通2D图像识别就需要有特定的图片，而在图片不可见时会识别失败。而在SLAM技术里面，即使特定平面不存在，但是空间定位依然非常精确，就是因为有周围3D环境的帮助。
这里想探讨下深度学习和SLAM技术的融合，计算机视觉大体上可以分两个流派，一种基于学习的思路，例如特征提取-特征分析-分类，目前深度学习技术在这一路线上取得了主导性的地位。另外一种路线是基于几何的视觉，从线条、边缘、3D形状推出物体的空间结构信息，代表性的技术就是SFM/SLAM。基于学习的方向上深度学习基本上一统天下，但是在基于几何视觉的领域，目前相关的进展还很少。从学术界而言，深度学习技术的研究进展可以说日新月异，而SLAM技术最新十年的进展相对较少。在国际视觉顶级会议ICCV
2015年度组织的SLAM技术专题讨论会上，基于近年深度学习在视觉其它领域的快速发展，有与会专家曾提出SLAM中采用深度学习的可能性，但是目前还没有成熟的思路。总体而言，短期内将深度学习和SLAM融合是一个值得研究的方向，长远来看联合语义和几何信息是一个非常有价值的趋势。因此，SLAM+DL值得期待。
在交互方式方面，主要的包括语音识别和手势识别，语音识别在目前已经取得了较大进展，国内如网络、科大讯飞、云知声等都是其中的佼佼者，AR公司更想突破的是手势识别的成熟商业化。
“亮风台展示过的一款基于深度学习的手势识别系统，主要定义了上下左右、顺时针、逆时针六种手势”亮风台工作人员告诉青亭网，先实现人手的检测和定位，然后通过识别相应的手势轨迹来实现对人手势的识别。虽然人脸识别等其他人工智能热门领域在AR中也有使用，但不是AR公司重要的研发方向。
以上不难看出，AR的底层技术或者说基础部分是计算机视觉以及关联领域的融合，而当下热门的深度学习和AR的结合，也是算法工程师们的努力方向。这也是AR为计算机视觉与人机交互的交叉学科，AR的基础是人工智能和计算机视觉等说法的依据。
20180528163858218.png
图：计算机视觉与AR流程关联
在去年今日头条发布的《人工智能影响力报告》中也简单统计了人工智能科学家的分布情况，这其中包括人脸识别、语音识别、机器人、AR、芯片等领域的公司与大型研发机构，高端研发人员的分布也说明了AI领域的细分方向。
那AR究竟是不是人工智能？
对AR从业者来说，理想的状态是用更智能的AR终端去取代智能手机，所以对于用户来说接触使用AR首先受影响的是内容，其次是终端，AR产业链可以粗略划分为技术提供商、智能终端研发公司，以及AR内容提供商。在这其中，AR设备提供商不可避免关注硬件技术，如底层的芯片、电池、光学镜片等，以及硬件本身的性能优化，而内容提供商更倾向于在现有技术基础上优化内容及表现。所以我们可以说AR技术提供商，或者说在底层算法研发上有一定成绩的AR公司是人工智能公司。
对公司来说，特别是创企会把底层技术转化为成熟的产品或服务，这可能是如无人机、AR智能终端、机器人等，也可能是行业解决方案，以达到商业目的，并且这已经成为在沸腾声音之后，媒体、企业以及大众对AI企业的期待和要求。近期，人工智能产业发展联盟（AIIA）出版的图书《人工智能浪潮：科技改变生活的100个前沿AI应用》将对外发布，以及涵括了目前巨头公司以及创企在商业化上的前沿成果，也直接反映了AI目前的主要商业化方向。
作为技术驱动的商业领域，无论是AR还是人工智能的其他多数方向，技术距离完全成熟还有很长的路程要走，在整个产业链逐渐繁荣，关注商业化实现的同时，也需要有更多公司机构去不断拓展技术边界，建立核心竞争力，让行业爆发更大的价值与潜力，如此，AI时代中国弯道超车当可期。
D. 手势识别算法哪家企业做的好
可以测试下阅面科技手势识别算法，识别精度还是很高的。对姿态和光线的适应性很强，关键是基于深度学习及嵌入式，完全离线本地化运算，无需网络连接。
我们已经在合作了！
E. 10.23——10.27《深度自适应》
领域自适应：
多用于文本分类，属于直推式迁移学习，直推式迁移学习定义：给定一个源域和相应的学习任务，一个目标域和相应的学习任务，直推式学习旨在利用源域和目标域中相同的知识来提高目标域中的目标预测函数。
《基于深度学习的体态与手势感知计算关键技术研究》
基于深度学习的肌电手势识别：
并不需要任何附加信息或手工设计的特征提取器，基于高密度肌电信号（HD-sEMG），使用二维阵列电极采集的肌电信号，使得肌肉活动产生的电势场在时间和空间上的变化可被多个紧密分布在皮肤表面的电极同时记录下来。HD-sEMG中的肌电信号描绘了位于电极覆盖区域内的肌肉活动的时空分布，同时HD-sEMG的瞬时值呈现了在特定时间点肌肉活动所涉及的生理过程的相对全局的测量。瞬时HD-sEMG内部可区分出不同手势模式，可以将采集到的HD-Semg描绘出电势在空间的分布，其对应的热度图即为肌电图像，肌电图像中的像素数（分辨率）由其采集设备中的电极阵列决定，即电极的数量及其电极间距离（例如，具有16行8列的电极网格可W采集8*16像素的肌电图像）。
主要是将原始肌电信号值从（-1，1）映射到（0，255），即，其中x是原始肌电信号，I是肌电图像。构建一个8层CNN结构，网络的前两个卷积层用于提取公共的底层图片特征，作者发现瞬时肌电图像在不同的空间位置上表现出不同的视觉特征。在不同手势中，肌电图像在中部偏下以及顶部的条状区域上亮度较强，提出在3，4层加入局部连接结构（受人脸识别前沿工作的启发），因为局部连接层在不同空间位置上的卷积模板的权重不共享，可以更好的提取图片上不同位置的特征。并依据单个窗口内每帧识别出的手势标签中所占比例最高的标签，因为上述实验仅适用于肌电幅值较大的数据进行训练和测试可以获得较高的手势识别准确率，因此需要对肌电信号采用全波整流和低通滤波（全波整流和低通滤波是被广泛采用的肌电信号幅值估计方法），以获取更好的肌电信号。
基于深度领域自适应的肌电手势识别：
当训练集和测试集的肌电信号来自不同的采集会话的情况。因为电极位移，肌肉疲劳，电极和皮肤之间的阻抗变化等因素的干扰，肌电信号与采集会话高度相关，已经训练好的手势分类器直接被应用在新的会话时通常准确率较低。因为肌电信号的分布在不同的会话之间变化很大，所以来自不同会话的基于瞬时肌电信号的手势识别可以相应地表示为多源领域自适应问题。
当标定数据未标记时，该论文采用自适应批量归一化（AdaBN, Adaptive Batch Normalization）对手势分类器进行适配。假设用于区分不同手势的知识存储在每个层的权重中，AdaBN不需要适配数据的手势标签，而是随着无标签的适配数据的增加，逐步更新少量的网络参数。给定输入U，BN将其转换为V，其中第i个输入特征的转换公式为：
l在训练阶段，每个BN层对于每个源域的均值统计量和方差统计量是独立计算的。因为训练阶段的BN对每个数据批次独立计算统计量，所以只需要确保每个数据批次中的样本来自同一个会话。
l识别阶段，对于给定的未标记数据A，AdaBN执行正向传播算法，更新参数。
该方法准确率：单幅30.5%，150毫秒窗口-39.2%，而另一种算法特征集（150毫秒窗口）和线性判断：34.1%。
随机选择未标记的测试集的子集（0.1%，0.5%，1%，5%，10%）进行深度领域自适应，之后再评测整个测试集上的手势识别的准确率。最后观测到大约5%的适配数据后准确率达到巅峰，适配数据20000帧，在CSL-HDEMG的2048赫兹的采样率下大约10秒。
并且适配算法并不需要观测到所有种类的手势，从27种选择5个和13个进行适配，最终结果分别是31.3%（73.2%），34.6%（81.4%）另一种方法是肌电地势（sEMG topography），定义为肌电信号在时间上的二维平均强度图，其中每个像素是某个通道的肌电信号在特定时间窗口内的均方根，用于手势识别。
《Revealing Critical
Channels and Frequency Bands for Emotion Recognition from EEG with Deep Belief
Network》
在基于脑电信号的情感识别任务中，多通道脑电信号存在不相关的脑电信号，这不仅会引起噪声，还会降低系统对情感识别能力。该论文提出一种新的深度信念网（DBN）来检查用于情感识别的关键EEG信道和频段。
主要从行为和生理反应进行情感分析，因为EEG与表情手势相比，具有较高的准确性和客观评价性。该论文采用ESI神经扫描系统，从62通道电极帽以采样率为1000Hz记录脑电信号。每个实验有15个测试，每个测试包括15s提示，45s测试及反馈，5s休息。盖论文一共评价了30个实验。
先下采样原始脑电数据到200Hz，之后使用0.3Hz到50Hz的带通滤波器滤除噪声和伪影，之后采用之前提出的微分熵（differential entropy）特征[1][2]，对于固定长度的脑电信号，微分熵相当于一定频段内的对数能量谱。此前已经证明微分熵在低频和高频能量之间具有识别EEG模式的能力，因此在五个频段计算微分熵特征（δ：1-3Hz，θ：4 – 7Hz，α：8-13Hz，β：14-30Hz，γ：31-50Hz），使用256点的短时傅里叶变换，并将特征归一化到0-1。
利用五个频段的去噪后的62通道的特征作为输入，DBN达到86.08%的准确率和8.34%标准差，本论文通过分析经过训练的DBN的权重分布来检验关键通道和频带，权重对于识别情感模型是很重要的，因为对于学习任务贡献较大的神经元权值将增加，不相关的神经元权值趋于随机分布，图1为权重在第一层神经网络训练后的分布，可以看出主要在beta和gamma波的权重最大，这说明此频带包含更重要的鉴别信息。
从图2中我们可以看出侧颞区和前额脑区相比其他脑区在beta和gamma频带更容易激活。因此可以得出结论，在识别积极，中性和负面情绪时侧颞叶和前额叶通道是关键通道，beta和gamma是关键频带。
如图3所示，依据脑区中权重分布的特点，设计了四种不同的电极放置剖面，包括4通道，6通道，9通道和12通道，其中4通道的最佳平均精度和标准差为82.88%/10.92%，而所有62通道的最佳平均精度和标准差为83.99%/10.92%，这说明四个相对电极阻轮廓（four profiles of relative electrode sets）FT7,T7,FT8,T8是辨别情感特征的电极。
[1]Duan R N, Zhu J Y, Lu B L. Differential entropyfeature for EEG-based emotion classification[C]// International Ieee/embsConference on Neural Engineering. IEEE, 2013:81-84.
[2]Zheng W L, Zhu J Y, Peng Y, et al. EEG-based emotionclassification using deep belief networks[C]// IEEE International Conference onMultimedia and Expo. IEEE, 2014:1-6.
脑电论文（大脑解码：行为，情绪）：
Real-time naive learning of neural correlates in ECoG Electrophysiology
神经实时朴素学习相关的皮层电生理
地址： http://www.ijmlc.org/papers/40-L0174.pdf
A Deep Learning Method for Classification of EEG Data Based on MotorImagery
基于运动表象的脑电数据分类的深度学习方法
地址： http://www.bio.spbu.ru/faculty/departments/vnd/pdf/journal%202015/moskvich.pdf
Affective state recognition from EEG with deep belief networks
基于深层信念网络的脑电情感状态识别
地址： https://www.cse.buffalo.e//DBGROUP/bioinformatics/papers/Kang_BIBM_2013.pdf
A Novel Semi-Supervised Deep Learning Framework for Affective StateRecognition on EEG Signals
一种用于脑电信号情感状态识别的半监督深度学习框架
地址： https://www.cse.buffalo.e//DBGROUP/bioinformatics/papers/cameraready_xwjiabibe.pdf
Revealing critical channels and frequency bands for emotion recognitionfrom EEG with deep belief network
用深层信念网络揭示脑电情感识别的关键通道和频带
地址： http://bcmi.sjtu.e.cn/~blu/papers/2015/9.PDF
EEG-based emotion recognition using deep learning network withprincipal component based covariate shift adaptation
基于深度学习网络的主成分协移自适应的脑电情感识别
地址： http://europepmc.org/backend/ptpmcrender.fcgi?accid=PMC4165739&blobtype=pdf
Classifying EEG recordings of rhythm perception
节律性脑电记录分类
地址： http://www.terasoft.com.tw/conf/ismir2014/proceedings/T117_317_Paper.pdf
Using Convolutional Neural Networks to
Recognize Rhythm Stimuli from Electroencephalography Recordings利用卷积神经网络识别脑电记录中的节律刺激
地址： http://wwwiti.cs.uni-magdeburg.de/~stober/publ/nips2014.pdf
Convolutional neural network with embedded Fourier transform for EEGclassification
基于嵌入傅立叶变换的卷积神经网络在脑电信号分类中的应用
地址： http://pdfs.semanticscholar.org/9a19/.pdf
Continuous emotion detection using EEG signals and facial expressions
基于脑电信号和表情的连续情绪检测
地址： https://ibug.doc.ic.ac.uk/media/uploads/documents/soleymani-fu-icme14_camera_ready.pdf
‘Deep Feature Learning for EEG Recordings
脑电记录的深部特征学习
地址： https://www.researchgate.net/publication/283986303_Deep_Feature_Learning_for_EEG_Recor
异常分类论文（阿兹海默症，癫痫，睡眠阶段检测）：
Classification of Electrocardiogram Signals with Deep Belief Networks
基于深层信念网络的心电信号分类
http://www.researchgate.net/publication/293781533_Classification_of_Electrocardiogram_Signals_with_Deep_Belief_Networks
Modeling electroencephalography waveforms with semi-supervised deepbelief nets: fast classification and anomaly measurement
半监督深信网模拟脑电波形：快速分类和异常测量
http://xueshu..com/s?wd=paperuri%3A%%29&filter=sc_long_sign&tn=SE_xueshusource_2kw22v&sc_vurl=http%3A%2F%2Fwww.ncbi.nlm.nih.gov%2Fpmc%2Farticles%2FPMC3193936%2Fpdf%2Fnihms322259.pdf&ie=utf-8&sc_us=14353019482626292792
Deep belief networks used on high resolution data for seizure detection
用于癫痫检测的基于高分辨率多道脑电图数据的深度信念网
地址： https://www.knexusresearch.com/wp-content/uploads/2015/07/AAAI_JT_Turner.pdf
Deep Learning in the EEG Diagnosis of Alzheimer’s Disease
深层学习在阿尔茨海默病脑电诊断中的应用
http://vigir.missouri.e/~gdesouza/Research/Conference_CDs/ACCV_2014/pages/workshop3/pdffiles/w3-p7.pdf
Sleep stage classification using unsupervised feature learning
基于无监督特征学习的睡眠阶段分类
https://www.researchgate.net/publication/235943204_Sleep_Stage_Classification_Using_Unsupervised_Feature_Learning
Classification of patterns of EEG synchronization for seizureprediction
癫痫发作的脑电同步模式分类
地址： http://yann.lecun.com/exdb/publis/orig/mirowski-cneuro-09.pdf
Recurrent neural network based prediction of epileptic seizures inintra-and extracranial EEG
基于递归神经网络的颅内外脑电癫痫发作预测
EEG-based lapse detection with high temporal resolution
基于脑电信号的高时间分辨率检测
地址：
http://www.researchgate.net/profile/Richard_Jones21/publication/3039266_EEG-Based_Lapse_Detection_With_High_Temporal_Resolution/links/5457ab030cf2bccc491112ed
F. 2020-11-25FDC2214传感器模块
以铜板作为导体材质，由于DC2214 是基于 LC 谐振电路原理的一个电容检测传感器，所以利用 FDC2214 的工作原理可实现手势接近和识别的功能。当人手接近该导体传感平面时，传感端的电容发生了变化，这就会导致 LC 电路振荡频率的变化，从而反映出手势接近，以及手势的判定。
从手势识别方面讲：关于手势动作捕捉主要是通过光学和传感器两种方式来实现。手势识别推测的算法，包括模板匹配技术（二维手势识别技术使用的）、通过统计样本特征以及深度学习神经网络。而常见的红外识别分辨率低，易受干扰，成本高，维护困难，而2214可以在任意环境下实现接近度感测,成本低,在波动的条件下,可以稳定的显示预期效果。故而我们选择使用2214芯片。
数据通信方面来讲：芯片间的通信只能使用I2C协议，可以采用有限传输和无线传输两种方式。考虑到FDC2214芯片灵敏度极高，无线协议会产生较大干扰使结果不准确，因此采用有线传输的I2C协议传输。
任务要求装置具有训练和判决两种工作模式，在判决模式下实验装置能对指定人员进行猜拳游戏和划拳游戏的判决。猜拳游戏的判决是指对手势比划“石头”、“剪刀”和“布”的判定，划拳游戏的判定是指手势比划“1”、“2”、“3”、“4”和“5”的判定。在训练模式下对任意人员进行猜拳游戏和划拳游戏的手势训练，经过有限次训练后，能进行正确的猜拳游戏和划拳游戏的手势判决。
模式及操作流程使用串口屏显示，首先进入开始界面，选择需要的工作模式。在判决模式下有猜拳游戏和划拳游戏，选择对应的游戏模式进入，在相应的位置做出不同的手势，装置即可做出准确的判定，并将正确的结果显示在串口屏上。在训练模式下，将任意一位人员的手放在装置的指定位置，选择对应的猜拳游戏“石头、剪刀、布”或者划拳模式“1、2、3、4、5”，进入对应的游戏模式之后，系统对此人员的手势信息进行采集，所有的数据采集完成之后，进行判断和存储。返回模式选择界面，选择判决模式，就可以对此人员的手势进行准确的判决，并将判决结果显示在串口屏上。系统在任意模式下都可以返回，可以循环操作。
流程图如下图：
此部分进行采样
此部分 滤波、信号处理、模数转换输入到core计算单元
1、高分辨率，
2、降低噪声
3、可以测量震荡LC谐振器的频率。
每个通道的数字化输出是成比例的fSENSOR/fREF的比值。
G. 手势识别用什么图像特征提取算法
《基于计算机视觉的手势识别研究》中提到了多尺度模型，它就是采用此模型提取手势的指尖的数量和位置，将指尖和掌心连线，采用距离公式计算各指尖到掌心的距离，再采用反余弦公式计算各指尖与掌心连线间的夹角，将距离和夹角作为选择的特征。对于静态手势识别而言，边缘信息是比较常用的特征。中采用的HDC提取关键点的识别算法，基于用八方向邻域搜索法提取出手势图像的边缘，把图像的边缘看成一条曲线，然后对曲线进行处理。