本发明属于手势识别技术领域，具体是一种基于手套采集的手势识别方法及人机交互装置。
背景技术：
近年来随着电子产品的迅速发展，各式各样的智能设备不断进入人们的视野。人机交互是智能设备工作的关键环节之一，但传统的键盘、鼠标、遥控器等输入装置在便携程度上略显不足，在一定程度上影响了用户的使用体验。因此，手势控制、语音控制等新型人机交互方式受到越来越广泛的关注。对用户而言，手势控制具有使用自然、直观的独到优势，是十分理想的人机交互方式。
手势识别技术是手势控制的核心问题，目前主要有基于视觉与基于手套两条路线。随着人工智能的日趋火热，基于视觉的手势识别技术发展得更为成熟，甚至在三星智能电视上已经得到了应用。相比之下，基于手套的方案显得颇受冷落，如文献1：肖茜，杨平，徐立波.一种基于MEMS惯性传感器的手势识别方法[J].传感技术学报.2013(05):611-615；文献2：陈意，杨平，陈旭光.一种基于加速度特征提取的手势识别方法[J].传感技术学报.2012(08):1073-1078；文献3：陈意.基于MEMS惯性传感器的移动电子设备手势识别技术研究[D].电子科技大学,2013；这三个文献的研究者均采用了决策树分类器，做了有益的探索和改进；文献4：王原，汤勇明，王保平.基于加速度传感器的大手势集手势识别算法改进研究[J].传感技术学报.2013(10):1345-1351；研究者采用了加权树结构模版库做了有益的探索和改进；文献5：王万良，杨经纬，蒋一波.基于运动传感器的手势识别[J].传感技术学报.2011,24(12):1723-1727；研究者采用隐马尔可夫模型做了有益的探索和改进；但手势识别率和识别速度取得的进步不够显著，仍是其走向实用的重要制约。
基于视觉的手势识别技术通常要求使用者始终面对设备，且与图像采集装置间不可有障碍物遮挡视线，在弱光条件下手势识别率可能会显著降低。
基于手套的方案有效地克服了上述缺点，不仅在控制智能家用电器方面具有优势，在诸如机械臂控制、无人飞行器控制此类工业领域中也有良好的应用潜力，甚至在战场上可开发为单兵通信设备使用。
技术实现要素：
本发明针对上述问题，为了提高基于手套的手势识别方案的识别率和识别速度，提出了一种基于手套采集的手势识别方法及人机交互装置。
所述的基于手套采集的手势识别人机交互装置，包括采集手套、调理器和处理模块；处理模块通过串行接口或USB接口等与外部设备连接。
采集手套上设置有弯曲传感器及惯性测量单元，处理模块包括模数转换器和主处理器，两者集成在一块芯片上；调理器同时连接弯曲传感器和模数转换器；惯性测量单元直接与主处理器相连接。
弯曲传感器及惯性测量单元分别采集原始数据，其中弯曲传感器将其输出电阻送至调理器进行调理，转化为电压输出给模数转换器，模数转换器将电压输出的模拟量转换为数字量，提交给主处理器。
惯性测量单元采集的原始数据按通信协议直接传输给主处理器；主处理器对接收的数据进行处理，执行手势识别算法，并输出识别结果；同时接收指令并执行相应操作。
本发明所述的基于手套采集数据的手势识别方法，具体步骤如下：
步骤一、用户自行定义一系列手势，用集合G＝{G1,G2,G3,...}表示；
步骤二、针对用户随机实施的某个动作，采集手势识别人机交互装置中弯曲传感器和惯性测量单元输出的数据。
数据包括：弯曲传感器的输出电阻，惯性测量单元X、Y、Z三轴的加速度及角速度。
步骤三、处理模块中的数据长度计数器对采集的惯性测量单元输出的数据进行统计，判断计数器的值是否小于预先设定的固定值；如果是，则将采集的数据舍弃，结束识别；否则，进入步骤四继续后续识别。
固定值根据元器件的不同设定不同值；
步骤四、分别计算X轴、Y轴、Z轴的角速度能量，寻找角速度能量最大轴。
角速度能量定义为
式中，Ek,av为k轴角速度能量(k＝X,Y,Z)；l为惯性测量单元输出的角速度数据的长度；ωki为第i帧数据中的k轴角速度。
寻找角速度能量最大轴方法如下：
若某一轴角速度能量大于另两轴角速度能量与相应校正系数的乘积之和，则判定该轴为角速度能量最大轴；若上述情形均不满足，则判定角速度能量最大轴不存在。
步骤五、针对角速度能量最大轴分别为X轴、Y轴或Z轴的情形，分别提取最大轴对应的加速度和/或角速度的特征序列；
特征序列分为符号序列和差分符号序列；
针对长度为l的原始角速度数据dav,1,dav,2,…,dav,l，选定零值上界ub与零值下界lb，对该段数据做如下处理：
得到序列d1',d2',…,dl'，再将新序列中相邻的相等项合并，得到符号序列；
对原始角速度数据dav,1,dav,2,…,dav,l做如下处理：Δi＝dav,i+1-dav,i(i＝1,2,…,l-1)
得到差分序列Δ1,Δ2,…,Δl-1，再提取差分序列的符号序列，得到差分符号序列。
步骤六、将角速度能量最大轴对应的加速度和/或角速度的特征序列与用户自定义的各手势的特征序列进行匹配，判断最大轴提取的特征序列是否与对应手势的特征序列相同，如果是，进入步骤十一，否则，进入步骤七。
若角速度能量最大轴为X轴，则提取至少一个轴的加速度和/或角速度的特征序列，与预先设定的手势G1的特征序列进行匹配，并判断是否为手势G1，如果是，进入步骤十一，否则，进入步骤七。
若角速度能量最大轴为Y轴，则提取至少一个轴的加速度和/或角速度的特征序列，与预先设定的手势G2的特征序列进行匹配，判断是否为手势G2，如果是，进入步骤十一，否则，进入步骤七。
若角速度能量最大轴为Z轴，则提取至少一个轴的加速度和/或角速度的特征序列，与预先设定的手势G3的特征序列进行匹配，判断是否为手势G3，如果是，进入步骤十一，否则，进入步骤七。
步骤七、针对角速度能量最大轴不存在，或角速度能量最大轴对应的加速度和/或角速度的特征序列与用户自定义的各手势的特征序列均不匹配的情形，则分别计算X轴、Y轴、Z轴的加速度能量，寻找加速度能量最大轴。
加速度能量定义为
式中，Ek,ac为k轴加速度能量；aki为第i帧数据中的k轴加速度；akgi为第i帧数据中的k轴重力加速度分量。
寻找加速度能量最大轴方法如下：
若某一轴加速度能量大于另两轴加速度能量与相应校正系数的乘积之和，则判定该轴为加速度能量最大轴；若上述情形均不满足，则判定加速度能量最大轴不存在。
步骤八、针对加速度能量最大轴分别为X轴、Y轴或Z轴的情形，分别提取最大轴对应的加速度和/或角速度的特征序列；
特征序列分为符号序列和差分符号序列；
针对长度为l的原始加速度数据dac,1,dac,2,…,dac,l，选定零值上界ub'与零值下界lb'，对该段数据做如下处理：
得到序列d1″,d2″,…,dl″，再将新序列中相邻的相等项合并，得到符号序列；
对原始加速度数据dac,1,dac,2,…,dac,l做如下处理：Δi'＝dac,i+1-dac,i'(i＝1,2,…,l-1)得到差分序列Δ1',Δ2',…,Δl-1'，再提取差分序列的符号序列，得到差分符号序列。
步骤九、将加速度能量最大轴对应的加速度和/或角速度的特征序列与用户自定义的各手势的特征序列进行匹配，判断最大轴提取的特征序列是否与对应手势的特征序列相同，如果是，进入步骤十一，否则，进入步骤十。
若加速度能量最大轴为X轴，则提取至少一个轴的加速度和/或角速度的特征序列，与预先设定的手势G4的特征序列进行匹配，判断该动作是否为手势G4，如果是，进入步骤十一，否则，进入步骤十。
若加速度能量最大轴为Y轴，则提取至少一个轴的加速度和/或角速度的特征序列，与手势G5的特征序列进行匹配，判断该动作是否为手势G5；如果是，进入步骤十一，否则，进入步骤十。
若加速度能量最大轴为Z轴，则提取至少一个轴的加速度和/或角速度的特征序列，与手势G6的特征序列进行匹配，判断该动作是否为手势G6；如果是，进入步骤十一，否则，进入步骤十。
步骤十、针对加速度能量最大轴不存在，或该动作尚未被判断为任意一种手势的情形，则依次对提取的最大轴对应的至少一个加速度和/或角速度的特征序列进行组合，继续与后续的设定手势G7、G8…的特征序列进行匹配。
步骤十一、当某个提取的特征序列与用户自定义的手势的特征序列匹配时，进行各手指弯曲状态的判断。
首先，认为同一手指在同一伸展或弯曲状态下，弯曲传感器的输出服从正态分布，即
式中，Fp,state为弯曲传感器的输出，p表示手指编号，state表示手指状态，μp,state为总体均值，为总体方差，总体均值μp,state与总体方差均已预先设定。
然后，第q根手指的弯曲传感器的输出若满足：Fq∈(μq,stretch-3σq,stretch,μq,stretch+3σq,stretch)，则判断该手指为伸展状态，同理若满足Fq∈(μq,fist-3σq,fist,μq,fist+3σq,fist)则判断该手指为弯曲状态。
步骤十二、综合判断得到的手势种类以及各手指的弯曲状态，给出用户做出动作的识别结果。
本发明的优点在于：
1)、一种基于手套采集的手势识别人机交互装置，通过弯曲传感器与惯性测量单元，同时采集与手指弯曲程度及与手部运动状态相关的数据，增加了识别手势可以利用的数据类型，能够较精细地区分各种手势，进而增加了可识别的手势及手势组合的类型和数量。
2)、一种基于手套采集的手势识别方法，能识别类型和数量较多的预先规定的各类手势及手势组合；该方法具有运算量小、识别速度快，判断过程自然、直观的特点。
附图说明
图1为本发明一种基于手套采集的手势识别人机交互装置的示意图；
图2为本发明一种基于手套采集的手势识别方法的步骤流程图。
具体实施方式
下面结合附图对本发明的具体实施方法进行详细说明。
本发明提出了一种基于手套采集的手势识别方法及人机交互装置，所述的手势识别人机交互装置，如图1所示，包括采集手套、调理器和处理模块；处理模块通过串行接口或USB接口等与外部设备连接。
采集手套上设置有弯曲传感器及惯性测量单元，处理模块包括模数转换器和主处理器，两者集成在一块芯片上；调理器同时连接弯曲传感器和模数转换器；惯性测量单元直接与主处理器相连接。
弯曲传感器及惯性测量单元分别采集原始数据，其中弯曲传感器将输出电阻送至调理器进行调理，转化为电压输出给模数转换器，模数转换器将电压输出的模拟量转换数字量，提交给主处理器。
惯性测量单元采集的原始数据直接传输给主处理器，主处理器对提交的数据进行处理，，执行手势识别算法，并输出识别结果；同时接收指令并执行相应操作。
本发明所述的基于手套采集数据的手势识别方法，采用了以特征量和特征序列为核心的决策树分类器，按该方法逐层判断，如图2所示，具体步骤如下：
步骤一、用户自行定义一系列手势，用集合G＝{G1,G2,G3,...}表示；
步骤二、针对用户随机实施某个动作，采集手势识别人机交互装置中弯曲传感器和惯性测量单元输出的数据。
数据包括：弯曲传感器的输出电阻，惯性测量单元X、Y、Z三轴的加速度及角速度。
在本实施例中，惯性测量单元的输出数据相对起主要作用，弯曲传感器的输出数据相对起辅助作用。如，仅依靠惯性测量单元的输出数据就可识别出挥臂手势，引入弯曲传感器输出数据后，可将挥臂手势细分为比划数字1的挥臂手势、比划数字2的挥臂手势等等。从排列组合的角度来看，惯性测量单元与弯曲传感器相辅相成，大幅增加了可识别手势的数量。
步骤三、处理模块中的数据长度计数器对采集的惯性测量单元输出的数据进行统计，判断计数器的值是否小于预先设定的固定值；如果是，则将统计的数据舍弃，结束识别；否则，进入步骤四继续进行后续识别。
固定值根据元器件的不同设定不同值；
步骤四、分别计算惯性测量单元中X轴、Y轴、Z轴的角速度能量，寻找角速度能量最大轴。
角速度能量定义为
式中，Ek,av为k轴角速度能量(k＝X,Y,Z)，下标av表示角速度(angular velocity)；l为惯性测量单元输出的角速度数据的长度；ωki为数据长度中第i帧的k轴角速度。
寻找角速度能量最大轴方法如下：
若某一轴角速度能量大于另两轴角速度能量与相应校正系数的乘积之和，则判定该轴为角速度能量最大轴。
具体为：若X轴角速度能量大于Y轴角速度能量与Z轴角速度能量之和的两倍，则判定X轴为角速度能量最大轴；若Y轴角速度能量大于X轴角速度能量与Z轴角速度能量之和，则判定Y轴为角速度能量最大轴；若Z轴角速度能量大于X轴角速度能量与Y轴角速度能量之和，则判定Z轴为角速度能量最大轴；
若上述情形均不满足，则判定角速度能量最大轴不存在。
步骤五、针对角速度能量最大轴为X轴、Y轴或Z轴时，分别提取每个轴对应的加速度和/或角速度的特征序列；
特征序列包括符号序列和差分符号序列；
针对长度为l的原始角速度数据dav,1,dav,2,…,dav,l，选定零值上界ub与零值下界lb，对该段数据做如下处理：
得到序列d1',d2',…,dl'，再将新序列中相邻的相等项合并，得到符号序列；
对原始角速度数据dav,1,dav,2,…,dav,l做如下处理：Δi＝dav,i+1-dav,i(i＝1,2,…,l-1)
得到差分序列Δ1,Δ2,…,Δl-1，再提取差分序列的符号序列，得到差分符号序列。
步骤六、将角速度能量最大轴对应的加速度和/或角速度的特征序列与用户自定义的各手势的特征序列进行匹配，判断最大轴提取的特征序列是否与对应手势的特征序列相同，如果是，进入步骤十一，否则，进入步骤七。
匹配特征序列是指比较两特征序列是否一致的处理过程；各手势的特征序列已预先设定，在手势识别过程中不随采集得到的原始数据变化而变化。
若角速度能量最大轴为X轴，则提取该动作一个或多个轴加速度和/或角速度的特征序列，与手势G1的特征序列进行匹配，判断该动作是否为手势G1；
若角速度能量最大轴为Y轴，则提取该动作一个或多个轴加速度和/或角速度的特征序列，与手势G2的特征序列进行匹配，判断该动作是否为手势G2；
若角速度能量最大轴为Z轴，则提取该动作一个或多个轴加速度和/或角速度的特征序列，与手势G3的特征序列进行匹配，判断该动作是否为手势G3。
步骤七、针对角速度能量最大轴不存在，或角速度能量最大轴对应的轴加速度和/或角速度的特征序列与用户自定义的各手势的特征序列均不匹配的情形，分别计算X轴、Y轴、Z轴的加速度能量，寻找加速度能量最大轴。
加速度能量定义为
式中，Ek，ac为k轴加速度能量，(k＝X,Y,Z)，下标ac表示加速度(acceleration)；aki为第i帧数据中的k轴加速度；akgi为第i帧数据中的k轴重力加速度分量。
寻找加速度能量最大轴方法如下：
若某一轴加速度能量大于另两轴加速度能量与相应校正系数的乘积之和，则判定该轴为加速度能量最大轴；若上述情形均不满足，则判定加速度能量最大轴不存在。
具体为：若X轴加速度能量大于Y轴加速度能量与Z轴加速度能量之和的两倍，则判定X轴为加速度能量最大轴；若Y轴加速度能量大于X轴加速度能量与Z轴加速度能量之和，则判定Y轴为加速度能量最大轴；若Z轴加速度能量大于X轴加速度能量与Y轴加速度能量之和，则判定Z轴为加速度能量最大轴。
步骤八、针对加速度能量最大轴分别为X轴、Y轴或Z轴的情形，分别提取最大轴对应的加速度和/或角速度的特征序列；
特征序列分为符号序列和差分符号序列；
针对长度为l的原始加速度数据dac,1,dac,2,…,dac,l，选定零值上界ub'与零值下界lb'，对该段数据做如下处理：
得到序列d1″,d2″,…,dl″，再将新序列中相邻的相等项合并，得到符号序列；
对原始加速度数据dac,1,dac,2,…,dac,l做如下处理：Δi'＝dac,i+1-dac,i'(i＝1,2,…,l-1)得到差分序列Δ1',Δ2',…,Δl-1'，再提取差分序列的符号序列，得到差分符号序列。
步骤九、将加速度能量最大轴得到的对应特征序列与用户自定义的各手势的特征序列进行匹配，判断最大轴对应提取的特征序列形成的动作是否与对应的手势相同，如果是，进入步骤十一，否则，进入步骤十。
具体为：
若加速度能量最大轴为X轴，则提取该动作一个或多个轴加速度和/或角速度的特征序列，与手势G4的特征序列进行匹配，判断该动作是否为手势G4；
若加速度能量最大轴为Y轴，则提取该动作一个或多个轴加速度和/或角速度的特征序列，与手势G5的特征序列进行匹配，判断该动作是否为手势G5；
若加速度能量最大轴为Z轴，则提取该动作一个或多个轴加速度和/或角速度的特征序列，与手势G6的特征序列进行匹配，判断该动作是否为手势G6。
步骤十、针对加速度能量最大轴不存在，或某动作尚未被判断为任意一种手势，则依次对提取的最大轴对应的至少一个轴加速度和/或角速度的特征序列进行组合，继续与后续的设定手势G7、G8…的特征序列进行匹配。
步骤十一、当某个最大轴提取的特征序列与用户自定义的手势的特征序列匹配时，进行各手指弯曲状态的判断。
设同一手指在同一状态(伸展或弯曲)下，弯曲传感器输出服从正态分布，即
式中，Fp,state为弯曲传感器的输出，p表示手指编号，state表示手指状态，μp,state为总体均值，为总体方差，总体均值μp,state与总体方差均已预先设定。
然后，第q根手指的弯曲传感器的输出若满足：Fq∈(μq,stretch-3σq,stretch,μq,stretch+3σq,stretch)，则判断该手指为伸展状态，若满足Fq∈(μq,fist-3σq,fist,μq,fist+3σq,fist)则判断该手指为弯曲状态。
步骤十二、综合所有的手势种类以及各手指的弯曲状态，给出用户做出动作的识别结果。
实施例：
以Flex Sensor 2.2”作弯曲传感器；以MPU6050作惯性测量单元，采样频率设为100Hz；以嵌有Microchip PIC32MX795F512L单片微型计算机的chipKIT Max32开发板作处理模块；调理器由阻值约为68kΩ的固定电阻与集成运算放大器LM324组成，其中固定电阻起分压作用，集成运算放大器的反相输入端与输出端相连，作电压跟随器使用。
惯性测量单元MPU6050具有静止事件特性；该特性表现为，惯性测量单元MPU6050采集的原始加速度数据经内置的、截止频率5Hz(可由程序设置)的高通滤波器后送入内置的运动处理单元，若三轴加速度经高通滤波后均小于可由程序设置的静止事件加速度阈值(如0.01g，g为重力加速度)，并保持小于静止事件加速度阈值超过可由程序设置的静止事件时间阈值(如128毫秒)，则运动处理单元认为惯性测量单元处于静止状态；当惯性测量单元由非静止状态变为静止状态，或相反地，由静止状态变为非静止状态时，称运动处理单元检测到一个静止事件。
同时，惯性测量单元MPU6050具有数据就绪中断特性，该特性表现为，每当惯性测量单元MPU6050完成三轴加速度、三轴角速度采样并将采样值存入相应寄存器后，可以在INT引脚发出中断请求信号，具体表现为，INT引脚电平改变。
处理模块利用上述的静止事件特性与数据就绪中断特性采集弯曲传感器及惯性测量单元输出的数据；
具体为：使能惯性测量单元MPU6050的数据就绪中断，处理模块监视惯性测量单元MPU6050的INT引脚，当引脚电平状态变化时，认为MPU6050采集完毕一帧数据，读取惯性测量单元MPU6050中与静止事件特性相关的寄存器值，判断惯性测量单元MPU6050是否处于静止状态，若惯性测量单元MPU6050处于非静止状态，则读取惯性测量单元MPU6050数据寄存器，获得三轴加速度及三轴角速度数据并储存于处理模块中；同时，启动模数转换器采样与转换，将调理器输出的模拟电压转换为数字量储存于处理模块中；若惯性测量单元MPU6050处于静止状态且处理模块已经存有三轴加速度及三轴角速度数据，则认为一个动作已经结束，停止采集数据；若惯性测量单元MPU6050处于静止状态但处理模块尚未存有三轴加速度及三轴角速度数据，则不做任何处理。
每次开始采集弯曲传感器与惯性测量单元输出的数据前，必须先清空处理模块中已储存的数据。利用惯性测量单元提供的静止事件特性判断动作的起点与终点，减少了处理模块的运算负担，提高了手势识别速度。
同时，处理模块设置有数据长度计数器，每次响应INT引脚电平变化时读取的三轴加速度及三轴角速度数据称为一帧数据，每读取并储存一帧数据，数据长度计数器自增一。停止采集数据后，若数据长度计数器值小于30，即读取并储存的数据不足30帧，则不对已储存的数据进行后续处理，直接舍弃，开始下一次采集。每次采集弯曲传感器与惯性测量单元输出的数据前，必须先清零数据长度计数器。
针对采集的惯性测量单元输出的数据，分别计算X轴、Y轴、Z轴的角速度能量，寻找角速度能量最大轴：
若角速度能量最大轴为X轴，则提取该动作X轴角速度的符号序列，若该动作X轴角速度的符号序列为“-1,1”，则判断该动作为抖手腕手势；若角速度能量最大轴为Y轴，则提取该动作Y轴角速度的符号序列，若该动作Y轴角速度的符号序列为“1”或“-1”，则判断该动作为翻转手势；若角速度能量最大轴为Z轴，则提取该动作Z轴角速度的符号序列，若该动作Z轴角速度的符号序列与“1”、“-1”、“1,-1”、“-1,1”中的任一序列匹配，则判断该动作为挥臂手势。
若角速度能量最大轴不存在，或角速度能量最大轴对应的轴加速度和/或角速度的特征序列与给定的手势特征序列匹配失败，则分别计算X轴、Y轴、Z轴的加速度能量，判断Z轴是否为加速度能量最大轴。
若Z轴加速度能量大于X轴加速度能量与Y轴加速度能量之和，则判定Z轴为加速度能量最大轴；反之则判定加速度能量最大轴不存在。本实施例中，因预先定义的手势均不以X轴或Y轴为加速度能量最大轴，故只判断Z轴是否为加速度能量最大轴。
若加速度能量最大轴为Z轴，则提取该动作Z轴加速度的符号序列，并判断动作姿态：若手心朝上且该动作Z轴加速度的符号序列为“-1”或“-1,1”，则判断该动作为上移手势；若手心朝上且该动作Z轴加速度的符号序列为“1”或“1,-1”，则判断该动作为下移手势；若手心朝下且该动作Z轴加速度的符号序列为“-1”或“-1,1”，则判断该动作为下移手势；若手心朝下且该动作Z轴加速度的符号序列为“1”或“1,-1”，则判断该动作为上移手势；若手心朝左且该动作Z轴加速度的符号序列为“-1”或“-1,1”，则判断该动作为左移手势；若手心朝左且该动作Z轴加速度的符号序列为“1”或“1,-1”，则判断该动作为右移手势；若手心朝右且该动作Z轴加速度的符号序列为“-1”或“-1,1”，则判断该动作为右移手势；若手心朝右且该动作Z轴加速度的符号序列为“1”或“1,-1”，则判断该动作为左移手势。
若加速度能量最大轴不存在，或该动作的特征序列与给定序列匹配失败，则提取该动作X轴加速度及Z轴加速度的符号序列进行组合判断，若该动作X轴加速度符号序列为“-1,1,-1,1”或1,-1,1,-1”，且Z轴加速度符号序列为“-1,1,-1”，则判断该动作为画圆手势；若该动作X轴加速度符号序列为“-1,1,-1,1”或1,-1,1,-1”，且Z轴加速度符号序列为“-1,1,0,1,-1”则判断该动作为画三角手势。
当动作已经被判断为某一种手势，则对各手指的弯曲状态进行判断。
具体地，取调理器分压电路总压降与10位模数转换器比较电压同为5V，则模数转换器输出数字量的范围为0～1023，以各弯曲传感器模拟量输出经调理器调理、模数转换器转换得到的数字量输出为各对应手指弯曲程度的表征，若数字量输出大于或等于临界值，则判断该手指为伸展状态；若数字量输出小于临界值，则判断该手指为弯曲状态。更具体地，对大拇指，临界值取473；对食指，临界值取502；对中指，临界值取529；对无名指，临界值取550；对小拇指，临界值取640。
最后，通过通用异步收发器，或USB、Wi-Fi、蓝牙等，将判断得到的手势类型及各手指弯曲状态按照约定格式发送至计算机。
具体地，将欲识别的各手势分别编号，以1字节的编号数据表示判断得到的手势类型，另以1字节的低5位表示各手指的弯曲状态，某位置1表示相应手指处于弯曲状态，反之某位置0表示相应手指处于伸展状态。