基于手势分类表现的sEMG特征评估方法的比较研究
Hiba Hellara1,2, Rim Barioul1, Salwa Sahnoun2
1Professorship for Measurements and Sensor Technology, Chemnitz University of Technology, Rechenhainer Straße 70, 09126 Chemnitz, Germany.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
选择正确的特征提取方法是使用电肌图 (EMG) 信号准确识别手势的关键. 递归特征消除 (RFE) 方法在提高准确性和减少特征数量方面显示出有希望.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 精确的手势识别对于人机交互和假肢技术至关重要.
- 电肌图 (EMG) 信号为捕捉手部运动提供了一种有希望的,非侵入性的方法.
- 有效的特征提取和选择对于基于EMG的强大的手势分类至关重要.
研究的目的:
- 系统地比较基于EMG的手势识别的六种过器和包装器特征评估方法.
- 调查不同特征选择技术对分类准确性的影响.
- 为了确定最佳的功能子集,以提高手势识别性能.
主要方法:
- 从多个传感器的sEMG数据中提取了37个时间和频域特征.
- 评估了六种特征选择方法,包括最小冗余最大相关性 (mRMR),递归特征消除 (RFE),相互信息 (MI) 和特征重要性 (FI).
- 在基准和现实世界手势数据集上测试的方法,来自14名健康受试者执行15个练习.
主要成果:
- RFE方法显示了提高分类准确性的潜力,选择了65个特征以达到97.14%的准确性.
- 相互信息 (MI) 在200个特征中达到97.38%的准确性,而特征重要性 (FI) 在140个特征中达到97.62%.
- 进一步的改进确定了三个额外的特征,将精度提高到97.38%,强调了特征选择对效率的重要性.
结论:
- 选择特征选择方法显著影响基于EMG的手势识别精度.
- 像RFE这样的方法可以减少特征维度,同时保持高分类性能.
- 为了开发先进的手势识别系统,需要对功能选择优化进行进一步的研究.
