The interactions between humans and unmanned aerial vehicles (UAVs), whose applications are increasing in the civilian field rather than for military purposes, are a popular future research area. Human–UAV interactions are a challenging problem because UAVs move in a three-dimensional space. In this paper, we present an intelligent human–UAV interaction approach in real time based on machine learning using wearable gloves. The proposed approach offers scientific contributions such as a multi-mode command structure, machine-learning-based recognition, task scheduling algorithms, real-time usage, robust and effective use, and high accuracy rates. For this purpose, two wearable smart gloves working in real time were designed. The signal data obtained from the gloves were processed with machine-learning-based methods and classified multi-mode commands were included in the human–UAV interaction process via the interface according to the task scheduling algorithm to facilitate sequential and fast operation. The performance of the proposed approach was verified on a data set created using 25 different hand gestures from 20 different people. In a test using the proposed approach on 49,000 datapoints, process time performance of a few milliseconds was achieved with approximately 98 percent accuracy.

Günlük hayatta kullanılan teknolojilere olan ihtiyaçların artmasıyla birlikte bu teknolojilerden biri olan İnsansız Hava Araçları (İHA) kullanımı da oldukça yaygınlaşmaktadır. İHA’lar üzerindeki teknolojik gelişme ve yenilikler İnsan-İHA etkileşimi konusunu ön plana çıkarmıştır. Bu çalışmada İnsan-İHA etkileşimi ve kontrolü sağlamak için giyilebilir akıllı bir eldiven tasarımı önerilmiştir. Gerçekleştirilen eldiven tasarımının temel yapısında; esneklik sensörleri(İvme Ölçer, Gyro, Pusula ve Yükseklik Sensörü) içeren IMU sensör ünitesi ve Arduino Uno gibi donanımlar kullanılarak el hareketlerini tanıma işlemi gerçekleştirilmiştir. Geliştirilen uygulama çatısı, el hareketlerine karşılık gelen değerlerin hangi eksen yönünde hareket olduğunu tespit etmekte ve hareketlere karşı oluşan sinyallerin tespiti noktasında kolaylık sağlamıştır. El hareketinin tespiti için 20 farklı kişiden örnekler alınarak bir veri seti oluşturulmuştur. Oluşturulan veri seti üzerinden sınıflandırma işlemi yapılarak el hareketi türleri belirlenmiştir. Sınıflandırmanın doğruluk oranı %96,8 olarak tespit edilmiştir. Elde edilen hareket sinyallerinin, Unity ortamında tasarladığımız İHA simülasyonu üzerinden test işlemi başarıyla gerçekleştirilmiştir. Sensörlerden alınan sinyaller ve geliştirdiğimiz uygulama çatısı ile hesaplamalar sonucunda elde edilen hareket verileri gerçek zamanlı olarak İHA simülasyonuna gönderilmiş ve İHA kontrol hareketlerinin, el hareketlerince belirlenen komutlara doğru cevaplar verdiği gözlemlenmiştir.

Background/Objectives: EEG-based mental performance classification requires participant-separated validation and traceable feature identities. Methods: BioTWavePat-XFE constructs five single-rhythm and 15 signed cross-rhythm channel-rank transition layers, uses four cumulative-weighted selectors and tkNN/IMV classification, and decodes retained identities with Directed Lobish. We compared Protocol A (whole-dataset feature and pooled-test outcome selection), Protocol B (training-fold outcome selection with Protocol A features), and Protocol C (all data-dependent steps restricted to outer training data). STEW and MAT used participant-wise LOSO. TMPD included all 55 participants in 54 identifier groups; two same-class participants sharing an identifier were withheld together. Results: Protocol A segment accuracies were 83.08% (STEW), 93.14% (TMPD), and 91.15% (MAT). Protocol C accuracies were 80.46%, 82.50%, and 74.65%, with balanced accuracies of 80.46%, 75.17%, and 64.15%, respectively. These are the primary estimates without the identified selection leakage under the stated participant-separated validation design. Conclusions: Whole-dataset selection inflated the original estimates, particularly for TMPD and MAT. MAT Protocol C performance was close to majority prediction. Directed Lobish exposes selected feature identities without establishing physiological connectivity, causality or biomarker validity.