一种用于人体手臂活动表面肌电信号的高斯-拉普拉斯混合模型
信号处理
2023-01-04 v1 应用统计
摘要
表面肌电图（sEMG）信号的概率密度函数（pdf）服从高斯或拉普拉斯这两种独立标准分布中的任意一种。此外，模型的选择依赖于肌肉收缩力（MCF）水平。为此，本文提出一种统一模型，用以解释不同 MCF 水平下 sEMG 信号的统计特性。我们提出了针对上肢记录信号的拉普拉斯高斯混合（LGM）模型。该模型能够解释对应于不同 MCF 水平的不同活动的 sEMG 信号。模型在多个基准 sEMG 数据集上进行了测试，并从定性与定量两方面进行了验证。结果表明，在低和中收缩力水平下，所提混合模型比拉普拉斯模型和高斯模型都更准确；而在高收缩力水平下，LGM 模型表现为高斯模型。对 LGM 模型的混合权重进行分析发现，在低和中 MCF 水平下，LGM 模型的两个混合权重均有贡献，而在高收缩力水平下拉普拉斯权重变弱。所提上肢 sEMG 信号的 LGM 模型解释了不同 MCF 水平下的 sEMG 信号，有助于更好地理解 sEMG 信号的统计特性，并改善分类问题中的特征表示。
引用
@article{arxiv.2301.01080,
title = {A Laplacian Gaussian Mixture Model for Surface EMG Signals of Human Arm Activity},
author = {Durgesh Kusuru and Anish C. Turlapaty and Mainak Thakur},
journal= {arXiv preprint arXiv:2301.01080},
year = {2023}
}