Forschende der Northwestern University haben mit dem Projekt EITWatch eine Methode zur Handgestenerkennung auf Basis einer handelsüblichen Smartwatch-Plattform erfolgreich umgesetzt. Das System nutzt planare elektrische Impedanztomographie (EIT), um Bewegungen der Hand über elektrische Signale am Handgelenk zu identifizieren. Als technische Basis dient eine Smartwatch, die mit einem ESP32-S3-Mikrocontroller ausgestattet ist.
Präzise Erfassung durch integrierte Elektroden
Die technische Umsetzung der EITWatch basiert auf einer Sensoranordnung aus acht Elektroden, die in einem Ring mit einem Durchmesser von 31 Millimetern untergebracht sind. Diese Elektroden messen die Veränderungen der elektrischen Impedanz, die durch die Aktivität von Muskeln und Sehnen bei unterschiedlichen Handbewegungen entstehen.
In ersten Testreihen erreichte das System eine beachtliche Genauigkeit. Bei der Erkennung von sogenannten Makro-Gesten wurde ein Wert von 92,5 Prozent erzielt. Auch feinere Bewegungen, die als Mikro-Gesten klassifiziert werden, konnten mit einer Genauigkeit von 91,5 Prozent erfasst werden. Damit demonstriert das Projekt, dass die EIT-Technologie grundsätzlich geeignet ist, komplexe Eingabebefehle auf kompakten Wearables zu verarbeiten.
Herausforderungen bei Langzeitnutzung und Nutzerwechsel
Trotz der hohen initialen Erfolgsraten zeigen die Untersuchungen der Northwestern University auch deutliche Grenzen der aktuellen Implementierung auf. Den Daten zufolge sinkt die Genauigkeit der Gestenerkennung nach einer Nutzungsdauer von 48 Stunden signifikant ab. In diesem Zeitraum falle die Präzision bei Makro-Gesten auf 73,2 Prozent, während sie bei Mikro-Gesten auf 70,4 Prozent zurückgehe.
Die EITWatch-Technologie erreicht beeindruckende 92,5% Genauigkeit bei Handgesten – doch die größten Hürden liegen in der Langzeitstabilität und der Kalibrierung für neue Nutzer. Unser Leitfaden zeigt Ihnen, wie Sie diese Herausforderungen meistern und die Open-Source-Designs für Ihre eigenen Projekte nutzen. Jetzt kostenlosen Bauplan anfordern
Noch größere Hürden zeigen sich bei der Anwendung durch neue Nutzer, für die das System zuvor nicht kalibriert wurde. Hier liege die Genauigkeit laut den Messergebnissen lediglich bei 63,1 Prozent für Makro-Gesten und sinke bei Mikro-Gesten auf 55,3 Prozent. Diese Werte verdeutlichen, dass die Zuverlässigkeit der EIT-basierten Erkennung derzeit noch stark von einer kontinuierlichen Kalibrierung oder nutzerspezifischen Trainingsdaten abhängt.
Energieverbrauch und Hardware-Spezifikationen
Der Betrieb der Gestenerkennung erfolgt vollständig auf dem Gerät (On-Device). Dabei verbraucht die Hardware im aktiven Zustand eine Stromstärke von 35 mA bei einer Spannung von 4,3 V. Auf Basis dieser Leistungsdaten ergibt sich für die Smartwatch eine Akkulaufzeit von etwa 8,6 Stunden. Dies stellt eine Herausforderung für den Einsatz im Alltag dar, da die Laufzeit unter der eines üblichen Arbeitstages liegt.
Offene Entwicklungsplattform durch Open-Source-Lizenzen
Sie entwickeln Wearables und suchen nach zuverlässiger Gestensteuerung? Die EITWatch-Daten zeigen: Nach 48 Stunden sinkt die Genauigkeit auf 73,2%, bei neuen Nutzern sogar auf 63,1%. Unser Report liefert Ihnen die entscheidenden Optimierungsansätze – von der Kalibrierung bis zur Energieeffizienz. Optimierungs-Report jetzt sichern
Ein wesentlicher Aspekt des EITWatch-Projekts ist der Open-Source-Ansatz. Die Forschenden der Northwestern University haben die gesamte Entwicklung der Öffentlichkeit zugänglich gemacht. Die Hardware-Designs wurden unter der Lizenz CERN-OHL-P-2.0 veröffentlicht, während die zugehörige Software unter der Apache-2.0-Lizenz steht.
Durch diese Freigabe soll es der Entwicklergemeinschaft ermöglicht werden, die Technologie weiter zu optimieren, insbesondere im Hinblick auf die Langzeitstabilität der Erkennungsraten und die Energieeffizienz des Gesamtsystems.
