现代信息科技的高速发展正深刻地改变着人们的思维和生活方式,如今,人机交互(human–computer interaction,HCI)在人们生活中扮演着不可或缺的角色。近年来,可穿戴设备、虚拟现实等的广泛使用,使得空中手写交互在人机交互领域中备受关注。空中手写交互,指的是将用户在空中手写的有意义的字符或文本行识别并转化为机器指令的交互方式。在空中手写的众多实现中,基于惯性传感器的空中手写凭借其更宽松的手写环境要求、更低的设备成本、良好的用户隐私保护等优势,在智能家居、智能教育等领域拥有广泛的应用场景。然而,由于惯性传感器信号以抽象的时间序列形式给出,从而导致其直观性差,难以直接提取其隐藏的高级特征,限制了相关的研究和发展。近年来,一种新颖的特征描述器(路径重积分,Path Signature)在机器学习、金融数据分析等领域得到成功的应用,展示了其对时间序列数据中的依赖关系进行建模的卓越能力。另一方面,卷积神经网络(Convolutional Neural Network,CNN)在基于序列型数据的研究上也取得了出色的表现,同时相比于回归神经网络(Recurrent Neural Network,RNN)的内存限制和计算时的弱并行性,CNN具有通过代码高度优化的矩阵乘法来实现高计算效率的优势,更适合部署在计算资源有限的移动智能设备上。针对以上的现状和问题,本文的工作集中在探索如何将路径重积分应用到惯性传感器信号上,通过使用基于路径重积分的特征表达来表征不直观的、具有隐藏信息的惯性传感器信号,从而提高基于惯性传感器信号的空中手写识别系统的识别性能。主要的研究工作包括:1.首次将路径重积分应用到惯性传感器信号上,探索并提出了两种使用路径重积分特征来表征惯性传感器信号的方法:一种是调制路径重积分融合特征表达(MPS),其通过调制融合的方法,将惯性传感器信号的数据流和其对应的路径重积分特征融合在一起;另一种是滑窗路径重积分特征表达(WPS),其通过滑窗的方式,对惯性传感器信号的局部时间计算路径重积分特征,以提取不同的时刻的上下文信息。2.提出了一种基于MPS的空中手写识别方法。我们设计了一个双流CNN网络,通过在公开的6DMG数据集上的实验证明,MPS能够对不同种类的空中手写字符提供更多有效的信息,从而减少拥有相似手写轨迹的字符之间的混淆。该方法获得了优秀的识别性能。3.提出了一种基于WPS的空中手写识别方法。我们设计了一个四流CNN网络,通过在公开的6DMG数据集上的实验证明,相比于MPS,WPS能够抛开原惯性传感器数据,独立有效地表征基于惯性传感器信号的空中手写字符。