利用MediaPipe获取手部关键点坐标，实现动态手势识别，并由特定的手势控制用户界面。 识别的手势包括： 1. 仅食指、中指竖立的情况下往下滑动 -> 打开菜单 2. 仅食指竖立的情况下往右滑动 -> 点击菜单的选项 3. 五指张开的情况下向左滑动 -> 关闭菜单

利用yolov7对红色障碍物数据集进行训练。 此外，该项目的应用场景在于户外，因此在输入到yolo之前，需对图像的亮度进行适当处理。

该项目的目的是通过人体表面肌电信号识别特定手势，数据来源于kaggle平台的公开数据集EMG Signal for gesture recognition，其中的数据来自不同的用户，每条数据的核心信息为8个channel。 训练过程中，使用2个卷积层提取特征，再经过2个GRU层，最后进行全连接。此外，训练集中的肌电信号被录者不会出现在测试集中，即训练集与测试集的用户不同。经测试，未经过针对某特定用户进行训练所得到的预训练模型，最终的正确率大约在85%左右，而针对特定用户训练后，模型正确率可达98%以上。