Accessible Input on Small Touchscreens: Evaluating Deep Learning Architectures for Stroke and Motion Gestures

Abstract: Persoanele cu deficiențe motorii ale membrelor superioare întâmpină adesea dificultăți în interacțiunea cu ecrane tactile de dimensiuni reduse și cu dispozitive digitale. Pentru a răspunde acestei provocări, prezentăm o evaluare comparativă a unor arhitecturi reprezentative de învățare profundă pentru recunoașterea intrărilor realizate prin gesturi pe ecran tactil și prin mișcări efectuate în aer, utilizând un set de date deschis ce conține gesturi colectate de la persoane cu deficiențe motorii ale membrelor superioare. Dintre arhitecturile evaluate, modelul 1D-CNN a obținut cele mai bune performanțe de recunoaștere, cu o acuratețe de 94,7% pentru gesturile de trasare și de 84,0% pentru gesturile de mișcare. Analiza noastră a evidențiat, de asemenea, că performanța recunoașterii gesturilor, exprimată prin ratele de acuratețe, nu poate fi explicată în totalitate prin afecțiunile de sănătate ale participanților sau prin scorurile generale WHODAS privind sănătatea și dizabilitatea. Acest fapt sugerează necesitatea adoptării unor abordări de proiectare bazate pe abilitățile utilizatorilor.

Conferință: ICUSI ’26 – Proceedings of ICUSI ’26, the 2026 International Conference on User-System Interaction, 140-144.

Link: https://rochi.utcluj.ro/icusi/proceedings/articles/3/26.pdf