|
這些列按字母順序表示移動
（見圖4.3）。每個圖表都顯示了取決于樣本的電壓。樣品數量為750
采樣率為250Hz，持續時間為3秒。注：每種顏色代表一次試驗。切斷
帶通濾波器的頻率：0.2Hz和124Hz
25
圖4.10：此圖顯示了前臂設置的帶通濾波測量。這些行表示
肌肉按升序排列（見圖4.2）。這些列按字母順序表示移動
（見圖4.3）。每個圖表都顯示了取決于樣本的電壓。樣品數量為750
采樣率為250Hz，持續時間為3秒。注：每種顏色代表一次試驗。切斷
帶通濾波器的頻率：10Hz和124Hz
26
圖4.11：此圖說明了前臂設置的帶通濾波和RMS測量。這些行表示
肌肉按升序排列（見圖4.2）。這些列按字母順序表示移動
（見圖4.3）。每個圖表都顯示了取決于樣本的電壓。樣品數量為750
采樣率為250Hz，持續時間為3秒。注：每種顏色代表一次試驗。切斷
帶通濾波器的頻率：10Hz和124Hz。RMS的窗口長度：30
27
支持向量機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
準確度%
未經加工的
帶通，帶通
帶通+RMS
帶通+權重空間
圖4.12：該圖說明了使用兩個預處理步驟帶通的不同分類器的精度
以及帶通+權重空間。濾波器參數：0.2Hz，124Hz。
支持向量機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
二十六點二五二五二五
88.75 88.75 86.25
82.5
72.5
61.25
28.75
48.75
40 40
50 50
準確度%
未經加工的
帶通，帶通
帶通+RMS
帶通+權重空間
圖4.13：該圖說明了使用兩個預處理步驟帶通的不同分類器的精度
以及帶通+權重空間。濾波器參數：10Hz、124Hz。
28
4.5討論
在上一節中，我們觀察到了將在下一節中討論的相關性。我們首先討論
在帶通和帶通+RMS預處理步驟下的結果。帶通濾波信號的精度
當下限截止頻率被設置為0.2Hz時。當低截止頻率
最高精度為31.25%�？紤]到
如果存在四個不同的類，則猜測一個類的準確率為25%，因此
帶通濾波后的信號剛好高于均勻猜測。由于肌電圖的頻譜為10Hz至250Hz
這導致分類器通過對肌電信號進行分類沒有達到那么高的準確度的結論。
這一結果表明，低頻現象（小于10Hz）對于改善分類也很重要
費率。這些低頻信號可能與當
電極和皮膚隨著手臂移動而變化。
大多數可分類信息在0.2Hz和10Hz之間。帶通濾波數據不能用作
分類。將其與帶通+RMS數據進行比較表明，帶通+RMS數據沒有受到顯著影響
通過改變較低的截止頻率，因此圖4.14所示的管道是
本文測量的肌電信號。
盡管對運動偽影進行分類輸出了較高的準確性，但它不能反映對肌電圖進行分類的預期目標
信號。也沒有證據表明這些運動偽影是可重復的測量。然而，EMG信號
科學證明。
圖4.14：該圖說明了預處理步驟和分類器訓練的流程。
原始數據在LOOCV測試下提供了較高的分類率。然而，請注意，培訓數據是收集的
在重復序列中進行運動的單個批次中。因此，在對原始數據進行分類時
并且還考慮了偏移。然而，這些功能是不可重復的。也就是說，如果在
第二批或第二天不太可能發生相同的偏移和漂移。另一方面，減損
濾出漂移和DC分量的數據可以提供長期訓練模型。這使得
數據在實踐中很困難。
然而，從圖4.12中值得注意的是，最近的鄰居（K=1）比K=2的KNN稍差。
這表明分類器正受到噪聲的影響。SVM在原始數據中的性能與
KNN有四個和八個鄰居。C最近的鄰居（K＝1）比K＝2的KNN稍差。
這表明分類器正受到噪聲的影響。SVM在原始數據中的性能與
KNN有四個和八個鄰居。考慮到SVM在訓練期間計算量很大，但在
分類，SVM相對于KNN的優點似乎是：無需參數調整K，計算成本低
在分類期間。
由于原始數據中觀察到的數據漂移和偏移問題，將使用帶通濾波+RMS
以便進行更詳細的分析。因此，有必要審查這些數據的混淆矩陣。讓抓握=c1
伸展手彎曲=c2，過度伸展=c3，向內旋轉=c4。對于KNN，K設置為1、2、4和8。
SVM使用一對多策略對多個類進行分類（第83頁[4]）。圖4.15顯示了
六個選項。
根據混淆矩陣，計算了圖4.15所示的精度[19]。觀察
圖4.13中的精度和圖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
被確定為用于分類EMG信號的應用分類器中的最佳分類器。預處理步驟包括帶阻、帶通
計算結果令人滿意。圖4.17澄清了結果。
29
之前。c1之前。c2之前。c3之前。補體第四成份
行為c1 20 0 0
行為c2 0 18 0 2
行為c3 0 0 15 5
行為c4 0 1 1 18
（a） “SVM帶通+RMS”的混淆矩陣
之前。c1之前。c2之前。c3之前。補體第四成份
行為c1 20 0 0
行為c2 13 7 0 0
行為c3 2 0 18 0
行為c4 9 1 6 4
（b） “GC帶通+RMS”的混淆矩陣
之前。c1之前。c2之前。c3之前。補體第四成份
行為c1 17 2 0 1
行為c2 1 18 1 0
行為c3 0 1 17 2
行為c4 0 0 1 19
（c） “KNN帶通+RMS（K=1）”的混淆矩陣
之前。c1之前。c2之前。c3之前。補體第四成份
行為c1 18 1 0 1
行為c2 1 18 1 0
行為c3 0 3 15 2
行為c4 0 0 2 18
（d） “KNN帶通+RMS（K=2）”的混淆矩陣
之前。c1之前。c2之前。c3之前。補體第四成份
行為c1 16 3 0 1
行為c2 1 15 2 2
行為c3 0 2 15 3
行為c4 0 0 0 20
（e） “KNN帶通+RMS（K=4）”的混淆矩陣
之前。c1之前。c2之前。c3之前。補體第四成份
行為c1 15 4 0 1
行為c2 1 11 6 2
行為c3 0 1 12 7
行為c4 0 0 0 20
（f） “KNN帶通+RMS（K=8）”的混淆矩陣
圖4.15：帶通濾波后的SVM、GC、KNN（K=1）、KNNN（K=2）、K NN（K=4）和KNN的混淆矩陣
+RMS數據集。
預處理=預測類，act.=實際班級
30
第11節
c2 0.9
c3 0.75
c4 0.9
平均0.8875
（a） “SVM帶通+RMS”的精度
第11節
c2 0.35
c3 0.9
c4 0.2
平均0.6125
（b） “GC帶通+RMS”的精度
c1 0.85
c2 0.9
c3 0.85
c4 0.95
平均0.8875
（c） “KNN帶通+RMS（K=1）”的精度
c1 0.9
c2 0.9
c3 0.75
c4 0.9
平均0.8625
（d） “KNN帶通+RMS（K=2）”的精度
c1 0.8
c2 0.75
c3 0.75
c4 1級
平均0.825
（e） “KNN帶通+RMS（K=4）”的精度
c1 0.75
c2 0.55
c3 0.6
c4 1級
平均0.725
（f） “KNN帶通+RMS（K=8）”的精度
圖4.16:SVM、KNN和GC與RMS的精度。
圖4.17：此圖說明了最終的預處理步驟。SVM、KNN（K=1）和KNN
被確定為最佳分類器。
31
5結論和未來工作
像OpenBCI板這樣的低成本肌電圖（EMG）設備最近變得流行和便宜。此外
3D打印機的大規模部署使得廉價假肢設備的可用性變得便宜。由于成本低
低成本的BCI和三維打印的假手都可以用作廉價的替代品
致動假肢。
本文研究了機器學習分類方法是否以及哪些方法提供了有用的分類率
給定來自低成本OpenBCI板的噪聲和損壞的測量。第一步比較不同的測量
EMG（第2.3章）信號的方法。我們介紹了肌電圖中常見的不同預處理步驟
文學即帶通濾波、時間窗上的均方根和徑向基函數回歸
（第3.1章）。對于肌電信號的分類，本文研究了K最近鄰（第3.2章），支持
向量機（第3.3章）和高斯分類器（第3.4章）。
使用OpenBCI板，我們應用了第3章的方法
用于電極放置。必須找到并測量前臂表面肌肉的位置
運動。最多可以同時測量四塊肌肉（第4.3章）。四種不同的動作
對提出的方法進行了分類。隨后，將這些分類器與不同的預處理進行比較
方法。帶通濾波+RMS+SVM、帶通濾波+RMS+KNN（K=1）和
帶通濾波+RMS+KNN（K=2）實現帶通濾波+RMS+KNN（K=2）實現了86.25%到88.75%的準確率，這是最成功的分類器
（第4.5章）。直接基于原始數據的分類被認為不相關，因為它依賴于信號的漂移
并且偏移為在試驗期間沒有重復性的特征。
作為今后的工作，可以提高測量和分類方法的質量。例如
可以研究更復雜的分析和預處理方法。提高信號質量
阻抗測試可以集成到測量程序中[3]。此外，使用活性電極可以
增加測量的EMG信號的質量[9]。為了實際的在線使用，在C/C中實現代碼++
是理想的。通過減少計算時間，可以考慮在線學習。這是一個重要的功能
當使用低成本設備作為信號時，在試驗過程中往往表現出低重復性，因此，一種自適應方法
估計新參數變得至關重要�？梢钥紤]使用核的SVM。因為訓練集是
小而大的訓練集允許使用交叉驗證來改進參數。在這種情況下，測量應
可長時間重復。這可以通過制定將電極放置在同一位置的方法來實現
事實上，這是使用
硬件 |
