使用基于两个sEMG电极信号的机器学习评估手动分类性能
Hope O Shaw1, Kirstie M Devin1, Jinghua Tang1
1School of Engineering, Faculty of Engineering and Physical Sciences, University of Southampton, Southampton SO17 1BJ, UK.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
这项研究表明,使用仅两根表面肌电图 (sEMG) 电极,肌电动手操控具有很高的精度. 机器学习算法,特别是SVM,实现了与多电极系统可比的性能,增强了假肢功能.
科学领域:
- 生物医学工程 生物医学工程
- 康复技术 康复技术 康复技术
- 人与计算机的交互
背景情况:
- 基于分类的肌电控制可以实现先进的假肢手的功能.
- 高精度通常依赖于多个sEMG电极或额外的传感器.
- 两电极sEMG系统很常见,但缺乏详细的性能研究.
研究的目的:
- 用两个sEMG电极研究信号处理和机器学习算法的分类性能.
- 为了比较LDA,KNN和SVM对肌电动手控的有效性.
- 为了确定两个电极系统的最佳特征选择策略.
主要方法:
- 采集了来自九名参与者执行六个手动的sEMG信号,使用一个两电极的Delsys Trigno系统.
- 应用信号处理技术和机器学习算法 (LDA,KNN,SVM).
- 分析了分类准确性,行动特定准确性和F1得分,探索特征准确性关系.
主要成果:
- 获得了93 ± 2%的整体分类准确率和97 ± 2%的特定行动准确率.
- SVM算法的表现优于LDA和KNN,F1得分为87±7%.
- 分类准确性与特征数量呈现了对数关系,在五个特征处停滞不前.
结论:
- 双电极sEMG系统可以实现高分类精度的肌电控制.
- 与LDA和KNN相比,SVM为此应用提供了优越的性能.
- 这些发现支持用于广泛使用的双电极肌电手系统的信号处理和机器学习策略的改进.
