高斯过程潜变模型 - - 基于ANN的自动特征选择和缩小维度的方法,用于控制EMG驱动系统

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) 信号对于假肢,康复和人机接口至关重要.
• 电磁场特征的高维度使准确的分类变得复杂,并增加了计算复杂性.
• 现有的方法难以平衡分类准确性和计算效率.

研究的目的:

• 引入一种新的方法,将特征减少与人工神经网络 (ANN) 结合起来,用于高维EMG分类.
• 为了提高EMG分类的准确性,同时大幅降低计算成本.
• 探索各种维度减小技术对EMG数据的影响.

主要方法:

• 从12个EMG信号通道中提取时间和频率域特征.
• 应用的缩小尺寸的技术:PCA,LDA,PPCA,拉索和GPLVM.
• 使用人工神经网络 (ANN) 进行分类的缩小尺寸特征.

主要成果:

• 线性差异分析 (LDA) 发现不适合此数据集.
• 减小尺寸并没有显著影响分类准确性,但大大降低了计算成本.
• 一般化统计 (GPLVM) 提供了最短的计算时间 (29秒),其次是PCA (35秒).
• 一组5个特征在测试的特征子集中表现最好.

结论:

• 减小尺寸有效地提高了肌电控制中运动识别的准确性.
• 拟议的综合方法为优化与EMG相关的流程提供了有价值的意义.
• 这种方法为高维EMG信号分析提供了计算效率高的解决方案.