分析不同窗口超参数对基于sEMG运动意图分类的深度CNN的影响
计算机视觉与模式识别
2022-09-14 v1
摘要
在基于肌电图（EMG）的假肢控制中，使用深度神经网络通过从EMG信号中自动学习肌肉激活模式，为手工特征提供了有前景的替代方案。同时，将原始EMG信号作为卷积神经网络（CNN）输入，为假肢的有效控制提供了一种简单、快速且理想的方案。因此，本研究探讨了窗口长度与重叠率之间的关系，其可能影响用于CNN的鲁棒原始EMG二维（2D）信号的生成，并推导了能够保证网络最优性能的此类参数适当组合的经验法则。此外，我们研究了CNN感受窗口大小与原始EMG信号大小之间的关系。实验结果表明，CNN性能随生成信号内重叠率的增加而提升，当重叠率为窗口长度的75%时，准确率最高提升9.49%，F1-score最高提升23.33%。类似地，网络性能随感受窗口（核）尺寸增大而提升。本研究结果表明，在2D EMG信号中采用75%重叠率与更宽网络核的组合，可为基于EMG-CNN的假肢控制方案提供理想的运动意图分类。
引用
@article{arxiv.2209.05804,
title = {Analyzing the Impact of Varied Window Hyper-parameters on Deep CNN for sEMG based Motion Intent Classification},
author = {Frank Kulwa and Oluwarotimi Williams Samuel and Mojisola Grace Asogbon and Olumide Olayinka Obe and Guanglin Li},
journal= {arXiv preprint arXiv:2209.05804},
year = {2022}
}