基于电肌图学信号收集和智能感应通道的运动活动行为预测研究
Fengjin Ye1, Yuchao Zhao2, Zohaib Latif3
1College of Ocean Culture and Tourism, Xiamen Ocean Vocational College, Xiamen, Fujian, China.
PeerJ. Computer science
|March 10, 2025
概括
这项研究引入了一种使用电肌图 (EMG) 信号预测体育行为的新方法. 改进的技术在肌肉活动分析中实现了超过95%的准确性,改善了训练并降低了受伤风险.
科学领域:
- 生物力学和体育科学 生物力学和体育科学
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 通过肌电图 (EMG) 信号准确分析肌肉活动对于运动行为预测至关重要.
- 现有的方法面临着噪音和信号质量方面的挑战,限制了预测可靠性.
- 开发强大的特征提取技术对于推进体育科学和预防伤害至关重要.
研究的目的:
- 为EMG信号提出一种先进的多通道相关性特征提取方法.
- 通过改进的消噪算法来提高EMG信号质量.
- 提高体育行为预测模型的准确性和稳定性.
主要方法:
- 用非线性函数和控制系数来改善信号质量,增强了波段值反噪算法.
- 多通道线性和非线性相关性特征提取使用互联信息通过copula.
- 堆叠组合学习模型集成XGBoost,KNN,RF和NB进行分类.
主要成果:
- 实现了超过95%的预测准确度,明显优于传统方法.
- 证明有效的降噪和改善的信号噪声比.
- 验证了跨多个数据集的多通道相关性特征的稳定性,减轻了交叉通话和噪音.
结论:
- 拟议的多通道相关性特征提取方法为体育行为预测的EMG信号分析提供了重大进展.
- 增强的Denoising和集体学习方法为体育科学应用提供了可靠和准确的工具.
- 这项研究为优化体育训练策略和提高运动员安全奠定了基础.
