|
这些列按字母顺序表示移动
（见图4.3）。每个图表都显示了取决于样本的电压。样品数量为750
采样率为250Hz，持续时间为3秒。注：每种颜色代表一次试验。切断
带通滤波器的频率：0.2Hz和124Hz
25
图4.10：此图显示了前臂设置的带通滤波测量。这些行表示
肌肉按升序排列（见图4.2）。这些列按字母顺序表示移动
（见图4.3）。每个图表都显示了取决于样本的电压。样品数量为750
采样率为250Hz，持续时间为3秒。注：每种颜色代表一次试验。切断
带通滤波器的频率：10Hz和124Hz
26
图4.11：此图说明了前臂设置的带通滤波和RMS测量。这些行表示
肌肉按升序排列（见图4.2）。这些列按字母顺序表示移动
（见图4.3）。每个图表都显示了取决于样本的电压。样品数量为750
采样率为250Hz，持续时间为3秒。注：每种颜色代表一次试验。切断
带通滤波器的频率：10Hz和124Hz。RMS的窗口长度：30
27
支持向量机KNN（K＝1）KNN（K=2）KNN
0
20
40
60
80
100 93.75 96.25 97.5 95 95
85 87.5
90 91.25
85
80
73.75
83.75
87.5
80 80
71.25
77.5
67.5
75
65 63.75
60
52.5
准确度%
未经加工的
带通，带通
带通+RMS
带通+权重空间
图4.12：该图说明了使用两个预处理步骤带通的不同分类器的精度
以及带通+权重空间。滤波器参数：0.2Hz，124Hz。
支持向量机KNN（K＝1）KNN（K=2）KNN
0
20
40
60
80
100 93.75 96.25 97.5 95 95
87.5
27.5 30 31.25
二十六点二五二五二五
88.75 88.75 86.25
82.5
72.5
61.25
28.75
48.75
40 40
50 50
准确度%
未经加工的
带通，带通
带通+RMS
带通+权重空间
图4.13：该图说明了使用两个预处理步骤带通的不同分类器的精度
以及带通+权重空间。滤波器参数：10Hz、124Hz。
28
4.5讨论
在上一节中，我们观察到了将在下一节中讨论的相关性。我们首先讨论
在带通和带通+RMS预处理步骤下的结果。带通滤波信号的精度
当下限截止频率被设置为0.2Hz时。当低截止频率
最高精度为31.25%。考虑到
如果存在四个不同的类，则猜测一个类的准确率为25%，因此
带通滤波后的信号刚好高于均匀猜测。由于肌电图的频谱为10Hz至250Hz
这导致分类器通过对肌电信号进行分类没有达到那么高的准确度的结论。
这一结果表明，低频现象（小于10Hz）对于改善分类也很重要
费率。这些低频信号可能与当
电极和皮肤随着手臂移动而变化。
大多数可分类信息在0.2Hz和10Hz之间。带通滤波数据不能用作
分类。将其与带通+RMS数据进行比较表明，带通+RMS数据没有受到显著影响
通过改变较低的截止频率，因此图4.14所示的管道是
本文测量的肌电信号。
尽管对运动伪影进行分类输出了较高的准确性，但它不能反映对肌电图进行分类的预期目标
信号。也没有证据表明这些运动伪影是可重复的测量。然而，EMG信号
科学证明。
图4.14：该图说明了预处理步骤和分类器训练的流程。
原始数据在LOOCV测试下提供了较高的分类率。然而，请注意，培训数据是收集的
在重复序列中进行运动的单个批次中。因此，在对原始数据进行分类时
并且还考虑了偏移。然而，这些功能是不可重复的。也就是说，如果在
第二批或第二天不太可能发生相同的偏移和漂移。另一方面，减损
滤出漂移和DC分量的数据可以提供长期训练模型。这使得
数据在实践中很困难。
然而，从图4.12中值得注意的是，最近的邻居（K=1）比K=2的KNN稍差。
这表明分类器正受到噪声的影响。SVM在原始数据中的性能与
KNN有四个和八个邻居。C最近的邻居（K＝1）比K＝2的KNN稍差。
这表明分类器正受到噪声的影响。SVM在原始数据中的性能与
KNN有四个和八个邻居。考虑到SVM在训练期间计算量很大，但在
分类，SVM相对于KNN的优点似乎是：无需参数调整K，计算成本低
在分类期间。
由于原始数据中观察到的数据漂移和偏移问题，将使用带通滤波+RMS
以便进行更详细的分析。因此，有必要审查这些数据的混淆矩阵。让抓握=c1
伸展手弯曲=c2，过度伸展=c3，向内旋转=c4。对于KNN，K设置为1、2、4和8。
SVM使用一对多策略对多个类进行分类（第83页[4]）。图4.15显示了
六个选项。
根据混淆矩阵，计算了图4.15所示的精度[19]。观察
图4.13中的精度和图4.16中的精度可以看出，SVM、KNN（K=1）和KNN
最高精度和平均精度。在本文中，SVM、KNN（K=1）和KNN
被确定为用于分类EMG信号的应用分类器中的最佳分类器。预处理步骤包括带阻、带通
计算结果令人满意。图4.17澄清了结果。
29
之前。c1之前。c2之前。c3之前。补体第四成份
行为c1 20 0 0
行为c2 0 18 0 2
行为c3 0 0 15 5
行为c4 0 1 1 18
（a） “SVM带通+RMS”的混淆矩阵
之前。c1之前。c2之前。c3之前。补体第四成份
行为c1 20 0 0
行为c2 13 7 0 0
行为c3 2 0 18 0
行为c4 9 1 6 4
（b） “GC带通+RMS”的混淆矩阵
之前。c1之前。c2之前。c3之前。补体第四成份
行为c1 17 2 0 1
行为c2 1 18 1 0
行为c3 0 1 17 2
行为c4 0 0 1 19
（c） “KNN带通+RMS（K=1）”的混淆矩阵
之前。c1之前。c2之前。c3之前。补体第四成份
行为c1 18 1 0 1
行为c2 1 18 1 0
行为c3 0 3 15 2
行为c4 0 0 2 18
（d） “KNN带通+RMS（K=2）”的混淆矩阵
之前。c1之前。c2之前。c3之前。补体第四成份
行为c1 16 3 0 1
行为c2 1 15 2 2
行为c3 0 2 15 3
行为c4 0 0 0 20
（e） “KNN带通+RMS（K=4）”的混淆矩阵
之前。c1之前。c2之前。c3之前。补体第四成份
行为c1 15 4 0 1
行为c2 1 11 6 2
行为c3 0 1 12 7
行为c4 0 0 0 20
（f） “KNN带通+RMS（K=8）”的混淆矩阵
图4.15：带通滤波后的SVM、GC、KNN（K=1）、KNNN（K=2）、K NN（K=4）和KNN的混淆矩阵
+RMS数据集。
预处理=预测类，act.=实际班级
30
第11节
c2 0.9
c3 0.75
c4 0.9
平均0.8875
（a） “SVM带通+RMS”的精度
第11节
c2 0.35
c3 0.9
c4 0.2
平均0.6125
（b） “GC带通+RMS”的精度
c1 0.85
c2 0.9
c3 0.85
c4 0.95
平均0.8875
（c） “KNN带通+RMS（K=1）”的精度
c1 0.9
c2 0.9
c3 0.75
c4 0.9
平均0.8625
（d） “KNN带通+RMS（K=2）”的精度
c1 0.8
c2 0.75
c3 0.75
c4 1级
平均0.825
（e） “KNN带通+RMS（K=4）”的精度
c1 0.75
c2 0.55
c3 0.6
c4 1级
平均0.725
（f） “KNN带通+RMS（K=8）”的精度
图4.16:SVM、KNN和GC与RMS的精度。
图4.17：此图说明了最终的预处理步骤。SVM、KNN（K=1）和KNN
被确定为最佳分类器。
31
5结论和未来工作
像OpenBCI板这样的低成本肌电图（EMG）设备最近变得流行和便宜。此外
3D打印机的大规模部署使得廉价假肢设备的可用性变得便宜。由于成本低
低成本的BCI和三维打印的假手都可以用作廉价的替代品
致动假肢。
本文研究了机器学习分类方法是否以及哪些方法提供了有用的分类率
给定来自低成本OpenBCI板的噪声和损坏的测量。第一步比较不同的测量
EMG（第2.3章）信号的方法。我们介绍了肌电图中常见的不同预处理步骤
文学即带通滤波、时间窗上的均方根和径向基函数回归
（第3.1章）。对于肌电信号的分类，本文研究了K最近邻（第3.2章），支持
向量机（第3.3章）和高斯分类器（第3.4章）。
使用OpenBCI板，我们应用了第3章的方法
用于电极放置。必须找到并测量前臂表面肌肉的位置
运动。最多可以同时测量四块肌肉（第4.3章）。四种不同的动作
对提出的方法进行了分类。随后，将这些分类器与不同的预处理进行比较
方法。带通滤波+RMS+SVM、带通滤波+RMS+KNN（K=1）和
带通滤波+RMS+KNN（K=2）实现带通滤波+RMS+KNN（K=2）实现了86.25%到88.75%的准确率，这是最成功的分类器
（第4.5章）。直接基于原始数据的分类被认为不相关，因为它依赖于信号的漂移
并且偏移为在试验期间没有重复性的特征。
作为今后的工作，可以提高测量和分类方法的质量。例如
可以研究更复杂的分析和预处理方法。提高信号质量
阻抗测试可以集成到测量程序中[3]。此外，使用活性电极可以
增加测量的EMG信号的质量[9]。为了实际的在线使用，在C/C中实现代码++
是理想的。通过减少计算时间，可以考虑在线学习。这是一个重要的功能
当使用低成本设备作为信号时，在试验过程中往往表现出低重复性，因此，一种自适应方法
估计新参数变得至关重要。可以考虑使用核的SVM。因为训练集是
小而大的训练集允许使用交叉验证来改进参数。在这种情况下，测量应
可长时间重复。这可以通过制定将电极放置在同一位置的方法来实现
事实上，这是使用
硬件 |
