我对机器学习还很陌生，所以如果我搞砸了，请原谅我。我正在从事一个涉及手势检测的可穿戴项目，寻找有关可能适用的算法的任何指针。
基本上会有传感器采集手腕处的肌腱运动以提供输入，因此为简单起见，我假设这意味着 5 个特征（每个手指一个），每个特征的值范围为 0-100。
手势也可以分为 5 类。用户将多次执行每种类型的手势以提供训练数据，然后对于每个手势类，我需要一种算法来根据该训练数据确定最佳模型。
在初始训练之后，每当用户做一个手势时，它都会将传感器读数输入到每个模型中，以查看哪个是最接近的匹配。此外，由于这是一种可穿戴设备，因此最好针对低内存和低处理能力进行优化。
如果有人对模型类型或生成它们的算法有任何意见，我应该研究一下，我会很感激的！
编辑：这是来自 4 个传感器在 3 个不同手势期间的一些示例数据。这些基本上只是手腕肌腱上传感器的压力读数。
提供有关传感器生成的实际数据的更多详细信息可能非常有用。你能为任何简单的手势提供一个简单的例子吗？
无论如何，让我们尝试通过以下方式解决问题：
f(t){1,2,3,..100} 所以我们可以画出类似下面的东西（可以吗？）：
您可以从该数据中提取各种高级特征，但我建议将拐点作为最直接的选择：
基本上，这些点定义了一个模式。我将使用来自不同答案的数字来说明这个想法。例如，下面的朴素模式用于识别一个圆圈。
在您的情况下，情况稍微简单一些，因为传感器输出是您可以使用的唯一数据。当然，您可以组合多个传感器来定义更复杂的交互场景：
您也可以考虑f'(t)以区分慢速和快速运动等。
更新
谢谢你的数据。从数据的角度来看，这三个手势看起来确实非常相似（参见下面的可视化）。
看起来确实需要几个特征来识别手势。
可行的方法类型取决于所捕获的与输出分类相关的数据的性质。如果手势在 5 维输入空间中是线性可分的，那么简单的逻辑回归既便宜又快速。
或者，一种弱但非常便宜的方法是找到每个手势的平均输入向量，并简单地确定输入在任何点上最接近哪个手势向量。不利的一面是，您可能需要另一个课程来“不打手势”。
也可以从许多用户那里收集大量测试数据来预训练模型，只要用户之间的读数变化不大，你就不需要逐个用户进行训练（在可穿戴设备上）本身）。在大多数情况下，预测是有效的，因此您不会受到计算能力的限制。