基于MUAP识别和分离的EMG控制模式识别系统的高效方法
Anil Sharma1, Ila Sharma1, Anil Kumar2
1Department of Electronics and Communication, Malviya National Institute of Technology, Jaipur, 302017, Rajasthan, India.
Computers in biology and medicine
|September 28, 2024
概括
本研究引入了一种新的信号处理方法,用于使用动力单元动作潜力 (MUAP) 分解进行电肌图 (EMG) 模式识别. 这种方法提高了准确性,并减少了细分宽度,以改善假肢控制.
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:
- 电肌图 (EMG) 信号处理对于控制外部设备至关重要.
- 表面电极从多个肌肉中捕获MUAP,使分析复杂化.
- 有效的特征提取和分类是精确基于EMG的控制的关键.
研究的目的:
- 开发一种新的信号处理方法,用于使用MUAP分解和细分的EMG模式识别.
- 提高基于EMG的控制系统的效率和准确性.
- 用各种机器学习分类器来评估拟议方法的性能.
主要方法:
- 一个基于初级MUAP波形和相关性得分的MUAP识别和细分的新算法.
- 消除噪音和使用特定的噪声边缘分离活跃的肌肉信号.
- 从可变宽段 (110-200 ms) 提取特征,并使用LDA,kNN,DT和RF模型进行分类.
主要成果:
- 拟议的基于MUAP的细分实现了与传统方法相比,细分宽度减少了20-50%.
- kNN和DT分类器表现出比LDA和RF更优异的性能.
- 最大精度和回忆率达到100%,最高准确率为98.56%.
结论:
- 新的MUAP分解和可变宽度细分方法显著提高了EMG信号处理的准确性.
- 与恒定窗口细分相比,这种方法提供了5%至15%的准确度增加,即使细分宽度减少.
- 这些发现表明,基于EMG的控制系统有更高效,更准确的途径.
