基于Johnson $S_\mathrm{U}$平移系统的神经网络及其在肌电信号分类中的应用
信号处理
2019-12-10 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
肌电图（EMG）分类是基于EMG的控制系统中的关键技术。现有EMG分类方法未考虑EMG特征具有偏度和峰度分布的特性，导致需要超参数调优等缺陷。本文提出一种基于Johnson 平移系统的神经网络，能够表示具有偏度和峰度的分布。Johnson系统是一种正态化平移，将非正态数据变换为正态分布，从而能够表示广泛的分布。在本研究中，基于多元Johnson 平移系统的判别模型通过对数线性化转换为系数与输入向量的线性组合，随后嵌入神经网络结构，从而允许计算各类输入向量的后验概率并将模型参数确定为网络的权重系数。网络学习的收敛唯一性在理论上得到保证。实验中，使用人工生成数据评估了所提网络对包含偏度和峰度分布的适用性，并通过EMG分类实验评估了其对真实生物数据的适用性。结果表明，所提网络无需超参数优化即可实现高分类性能。
引用
@article{arxiv.1912.04218,
title = {A Neural Network Based on the Johnson $S_\mathrm{U}$ Translation System and Related Application to Electromyogram Classification},
author = {Hideaki Hayashi and Taro Shibanoki and Toshio Tsuji},
journal= {arXiv preprint arXiv:1912.04218},
year = {2019}
}