机械表学信号识别手动的图案,使用集群智能算法,基于加速传感器的优化支向量机器
Yue Zhang1, Gangsheng Cao2, Maoxun Sun3
1School of Mechanical Engineering, Nantong University, Nantong 226019 China.
Medical engineering & physics
|February 28, 2024
概括
这项研究通过机械学 (MMG) 信号和优化的支持矢量机器 (SVM) 来增强手部运动分类. 使用时间域 (TD) 和频域 (FD) 功能的灰狼优化 (GWO) 实现了93.55%的准确性,优于小型数据集的其他方法.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 机械肌图 (MMG) 信号分析为手动分类提供了潜力.
- 准确的分类对于人机交互和可穿戴设备至关重要.
- 优化机器学习模型是改善基于MMG的识别的关键.
研究的目的:
- 调查小群智能算法的有效性,以优化支持矢量机 (SVM) 以使用MMG信号进行手动模式识别.
- 为了比较不同特征提取方法 (时间域,波形包节点能量,频域,卷积神经网络) 的性能,当与优化的SVM相结合时.
- 确定特征提取和优化算法的最佳组合,以准确高效地分类手动.
主要方法:
- 从MMG信号中提取的时间域 (TD),波形包节点能量 (WPNE),频域 (FD) 和卷积神经网络 (CNN) 特性.
- 采用了三种群体智能算法: Bald Eagle Search (BES),Sparrow Search Algorithm (SSA) 和 Grey Wolf Optimization (GWO) 来优化SVM分类器. 为了优化SVM分类器,我们使用了三种群体智能算法.
- 训练并测试了优化的SVM模型,使用不同的功能集来识别手动.
主要成果:
- 与BES和SSA相比,灰狼优化 (GWO) 的时间消耗较低.
- 将GWO优化的SVM与TD+FD功能相结合,实现了93.55%的分类准确度,超过了其他测试方法.
- CNN的特征提取提供了域名知识独立性.
- 具有TD+FD功能的GWO-SVM在分类小型MMG数据集方面被证明是优越的.
结论:
- 群体智能优化,特别是GWO,显著提高了基于MMG的手动分类SVM性能.
- 将TD和FD功能与GWO-SVM相结合,为识别手动提供了高度准确和高效的方法,特别是在数据有限的情况下.
- 这些发现支持优化MMG信号分析在先进的人机界面和可穿戴技术中的应用.
