通过概率知识转移进行自适应的EMG模式分类,使用基于规模混合的贝叶斯序列学习

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) 信号对于控制诸如肌电假肢之类的设备至关重要.
• 由于肌肉疲劳和电极转移等因素导致EMG信号的时间变化,随着时间的推移降低了分类准确性.
• 现有的EMG接口在不断适应这些信号变化方面扎.

研究的目的:

• 开发一种适应性方法,用于强大的EMG信号分类.
• 为了应对基于EMG的接口性能下降的挑战.
• 通过使用EMG信号来提高人机交互的可靠性和准确性.

主要方法:

• 规模混合物分类模型 (SMCM) 与贝叶斯序列自我训练 (BSST) 的集成.
• 使用贝叶斯更新和基于预测信心的伪标签对模型参数的连续更新.
• 使用SMCM进行差异不确定性建模来表示EMG信号分布,并增强信心估计.

主要成果:

• 与传统方法相比,拟议的SMCM-BSST方法显示出更高的分类准确性.
• 该方法有效地减轻了短期和长期 (30天) 数据集的精度退化.
• 观察到预测信心估计的可靠性有所提高.

结论:

• SMCM和BSST的组合可以有效地适应EMG信号的变化.
• 这种方法为开发可靠且持续执行的基于EMG的接口提供了实际解决方案.
• 该研究强调了先进机器学习技术克服生物信号处理局限性的潜力.