一个封装框架用于特征选择和ELM权重优化,用于基于FMG的标志识别
S Al-Hammouri1, R Barioul2, K Lweesy3
1Biomedical Engineering Department, College of Engineering, Jordan University of Science and Technology, P.O. Box 3030, Irbid 22110, Jordan.
Computers in biology and medicine
|July 14, 2024
概括
这项研究表明,使用混合二元灰狼粒子群优化器 (BGWOPSO) 优化极端学习机器 (ELM) 显著提高了使用强力肌图 (FMG) 传感器的手势识别精度.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 人与计算机的交互
背景情况:
- 强迫肌肉学 (FMG) 提供无接触,高精度的手势识别.
- 对辅助技术来说,对美国手语手势的分类至关重要.
研究的目的:
- 为了评估一个六个传感器的FMG手来分类众多的手势.
- 优化极端学习机器 (ELM) 分类器使用群集智能算法进行特征选择.
主要方法:
- 研究了二元灰狼优化器 (BGWO),二元虫优化器 (BGOA) 和二元混合灰狼粒子群优化器 (BGWOPSO).
- 雇佣了BGWOPSO用于特征选择和ELM优化,这是一个新的应用程序.
- 收集了来自多名志愿者执行37种不同的手势的数据.
主要成果:
- 在优化ELM方面,BGWOPSO算法表现出卓越的性能.
- 特性选择和ELM优化提高了分类准确度,从32%提高到69.84%.
- 六个传感器的FMG手有效地分类了各种各样的手势.
结论:
- 混合群集智能优化 (BGWOPSO) 对于基于FMG的手势识别是有效的.
- 优化ELM与BGWOPSO显著提高了对美国手语手势的分类准确性.
- 一个简单的六传感器FMG系统可以实现强大的手势分类.


