分析类别转换对基于模式识别的肌电控制方案设计的影响

尽管人们不断努力提高分类准确率，但有报告指出，离线准确率并不能很好地衡量基于模式识别的肌电控制的可用性。造成这种差异的一个潜在原因是，在常规使用过程中会发生收缩类别之间的转换，据报道这会对模式识别系统造成问题。然而，这些转换在训练和测试过程中通常被忽略或未定义。在这项工作中，我们提出了一组指标，用于分析连续控制期间收缩类别之间自主变化时发生的转换。这些指标量化了转换期间发生的常见错误类型，并将它们与仅适用于数据稳态部分的现有指标进行比较。然后，我们使用这些指标在一个新颖的数据集上分析了 6 种常用分类器的转换特性，该数据集包含七种不同收缩类别所有组合之间的连续转换。结果表明，线性判别分类器在转换和稳态条件下始终优于其他传统分类器，尽管其离线性能几乎相同。结果还表明，尽管离线训练指标与稳态性能相关，但它们与转换性能不相关。这些见解表明，所提出的指标集可以改变模式识别系统的评估视角，并提供更具代表性的分类器性能图景，从而有可能缩小离线性能与在线可用性之间的差距。