研究谱系与文献计量

依据 2016–2026 年间全球发表的手势相关研究文献的计量统计，本节呈现手势交互领域的知识结构与演进趋势。

文献计量可视化

研究领域演进趋势

从知识图谱与文献计量的角度可以清晰观察到，手势研究领域的演进遵循以下轨迹：

• 早期阶段（2016–2019）：以算法精度提升为核心目标，研究集中于特征工程、传感器选型与分类器设计，场景主要限于受控实验室环境。
• 中期转型（2020–2022）：深度学习（CNN/RNN/Transformer）大规模进入，跨数据集泛化与多模态融合（sEMG + IMU + 摄像头）成为主要方向，VR/AR 与车载场景开始吸引大量研究关注。
• 近期前沿（2023–2026）：研究主题向语义理解、情境感知与系统体验迁移；与 LLM、具身智能的融合探索加速；可穿戴生理信号（sEMG、PPG、EIT）在微手势与身份认证方向的商业化应用增多。

文献计量分析不仅呈现了手势研究的历史轨迹，更为本白皮书的研究边界划定提供了实证依据。以下三个维度的分析直接支撑了本书聚焦 sEMG 微动手势的选题逻辑：

① 产出密度与研究空白的错配

从关键词聚类图（图 1.5.3）可以观察到，"hand gesture recognition"、"deep learning"、"convolutional neural network"等核心词汇构成高密度聚簇，意味着这些方向已进入成熟期——算法精度的边际提升空间有限，论文数量仍在增长但创新密度下降。与此形成对比的是，"dataset"、"benchmark"、"annotation protocol"等数据基础设施词汇的聚簇密度显著偏低，且在时序上出现较晚。这一错配表明：算法研究已大幅超前于数据基础设施建设，高质量标准化数据集是当前最稀缺的资源。

② sEMG 研究的规模与缺口

在各子领域文献量对比中（图 1.5.2），sEMG/EMG 相关手势研究在 2020 年后加速增长，但其数据集规模与视觉手势数据集相比仍有数量级差距：现有主流 sEMG 数据集（NinaPro、CSL-HDEMG、CapMyo 等）最大受试者规模约为数十至数百人，而大型视觉数据集（如 HaGRID）已达万人量级。受试者多样性不足直接制约了 sEMG 手势模型的跨用户泛化能力，也是目前商用 sEMG 产品仍需个人校准的根本原因之一。

③ 近期前沿的收敛信号

2023–2026 年的新增文献聚类呈现出明显的收敛趋势：研究热词从"accuracy improvement"向"user experience"、"ecological validity"、"continuous authentication"和"on-device inference"迁移。这一收敛意味着领域共识正在形成——手势识别的核心问题已不再是"能不能识别"，而是"能不能在真实场景中、对真实用户群体可靠运行"。这一判断进一步强化了本书以标准化评估体系和多场景数据集为核心贡献的研究定位。