一个基于sEMG控制运动解码的反复动作潜力的自适应细分方案
Anil Sharma1, Nikhil Vivek Shrivas2, Ila Sharma3
1Department of Electronics and Communication Engineering, Malaviya National Institute of Technology, Jaipur, India. 2020rec9510@mnit.ac.in.
Physical and engineering sciences in medicine
|May 6, 2025
概括
本研究引入了用于电肌图 (EMG) 信号处理的自适应细分方法,改进了特征提取以获得更好的解码精度. 与传统的恒定宽度细分相比,这种新的方法提高了系统性能.
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) 控制的解码系统对于假肢和人机接口至关重要.
- 传统的EMG信号处理依赖于恒定宽度细分,这与EMG信号的固有复杂性和随机性作斗争.
- 需要更复杂的细分技术来提高基于EMG的系统的准确性和减少延迟.
研究的目的:
- 为EMG信号处理提出并验证一种新的自适应细分方法.
- 通过捕获动作潜在模式来增强特征提取,以提高解码精度.
- 为了比较拟议的自适应细分与传统的恒定宽度细分的性能.
主要方法:
- 开发了一种基于EMG信号中动作潜力的重复模式的新型自适应细分方法.
- 从细分的EMG数据中提取了20个时间域特征.
- 使用线性差异分析 (LDA),k-最近邻居 (kNN) 和决策树 (DT) 分类器来评估性能.
- 实验验证了这种方法,使用12个对象执行八种不同的运动.
主要成果:
- 拟议的自适应细分实现了124ms的平均细分宽度,错误率很小.
- 科目和运动的平均F1分数为82.078% (LDA),81.51% (kNN) 和80.81% (DT).
- 五倍交叉验证的准确率达到78.3% (LDA),78.2% (kNN) 和76.70% (DT).
- 统计分析 (t-test) 显示,相对于恒定宽度细分,性能显著改善.
结论:
- 拟议的自适应细分方法有效地捕捉了EMG信号的复杂性,优于恒定宽度细分.
- 这种新的方法为提高EMG控制的解码系统的准确性和效率提供了一个有希望的解决方案.
- 适应性细分策略为实时EMG应用中特征提取提供了更强大的基础.
