一种融合尺寸减小方法,用于表面电肌图信号的特征

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:

• 表面电肌图 (sEMG) 信号具有高维度,导致直接处理的大量计算需求.
• 对于实时应用,如假肢控制和康复等,sEMG的高效处理至关重要,需要快速反.
• 现有的缩小尺寸的方法可能不会在各种分类任务中始终提供最佳性能.

研究的目的:

• 提出一种专门为sEMG信号设计的新型特征聚变尺寸减小方法.
• 为了提高sEMG信号分析的实时处理能力和响应速度.
• 验证拟议方法在提高分类准确性和稳定性方面的有效性.

主要方法:

• 开发了一种特征融合尺寸减小技术,利用sEMG信号特征内固有的相关性.
• 收集了8名从事5种不同的腿部运动的sEMG数据.
• 功能矩阵的分类性能,无论是在减小尺寸之前还是之后,都使用六种不同的分类器进行了评估.

主要成果:

• 拟议的特征融合尺寸缩小方法实现了优异的分类性能,达到高达98.3%的准确性.
• 获得的最高综合评价指数为0.9958,表明卓越的表现.
• 该方法在与使用的分类器无关的情况下,与三种常见的缩小尺寸技术相比,显示出优越和稳定的性能.

结论:

• 开发的特征融合尺寸减小方法为sEMG信号处理提供了显著的优势.
• 该方法提高了分类准确性,并在实时应用中提供稳定,可靠的结果.
• 这种方法对sEMG信号处理具有较高的实用价值,与现有的缩小维度技术相比.