基于肌肉协同的表面肌电通道选择方法

TP391; 将不同肌肉对运动任务的贡献度作为最优通道选择的优化准则,提出了基于肌肉协同(Muscle Synergy,MS)的通道选择方法.首先对原始肌电信号进行预处理,提取时域特征,然后使用非负矩阵分解(Non-Negative Matrix Factorization,NMF)算法分别对每个手势动作提取肌肉协同矩阵并进行转换;再将每个手势动作在各个肌电通道上的肌肉权重系数进行求和,得到所有肌电通道的重要性系数;最后通过支持向量机(Support Vector Machines,SVM)、随机森林(Random Forest,RF)、K近邻分类器(K-Nearest Neighbor,KN...

Full description

Saved in:
Bibliographic Details
Published in华东理工大学学报（自然科学版） Vol. 50; no. 3; pp. 427 - 434
Main Authors 周雕, 周建华, 宗静, 张琪, 伏云发
Format Journal Article
LanguageChinese
Published 昆明理工大学信息工程与自动化学院,脑认知与脑机智能融合创新团队,昆明 650500 01.06.2024
Subjects
gesture recognition
surface electromyography
表面肌电信号
肌肉协同
channel selection
通道选择
muscle synergy
non-negative matrix factorization
非负矩阵分解
手势识别
Online AccessGet full text

Cover

More Information
Summary:TP391; 将不同肌肉对运动任务的贡献度作为最优通道选择的优化准则,提出了基于肌肉协同(Muscle Synergy,MS)的通道选择方法.首先对原始肌电信号进行预处理,提取时域特征,然后使用非负矩阵分解(Non-Negative Matrix Factorization,NMF)算法分别对每个手势动作提取肌肉协同矩阵并进行转换;再将每个手势动作在各个肌电通道上的肌肉权重系数进行求和,得到所有肌电通道的重要性系数;最后通过支持向量机(Support Vector Machines,SVM)、随机森林(Random Forest,RF)、K近邻分类器(K-Nearest Neighbor,KNN)进行分类.采用Ninapro数据库中DB5子数据库记录的表面肌电信号对该方法进行测试,测试结果表明,提取 10个最优通道时,与以往研究中提出的顺序前向选择(Sequential Forward Selection,SFS)、马尔可夫随机场(Markov Random Field,MRF)和Relief-F通道选择方法相比,本文方法确定的肌电信号子集获得的识别精度与MRF和Relief-F方法相近,比SFS方法略低,但计算成本比它们均低.
ISSN:1006-3080
DOI:10.14135/j.cnki.1006-3080.20230302002