基于半监督序列学习的自适应肌电模式分类贝叶斯方法
信号处理
2023-10-03 v1
摘要
直观的人机接口可利用模式分类，根据肌肉收缩期间产生的肌电图（EMG）信号估计执行的人体运动。基于EMG的接口持续使用会因电极移位和肌肉疲劳逐渐改变信号特性，导致分类精度逐渐下降。本文提出一种利用半监督序列学习的自适应EMG模式分类贝叶斯方法。所提方法使用基于高斯分布的贝叶斯分类模型预测运动类别并估计其置信度。随后对高预测置信度的数据赋予伪标签，并在贝叶斯更新框架内顺序更新模型的后验分布，从而实现对随时间变化的信号特性的自适应运动识别。在六名健康成年人上的实验结果表明，所提方法能抑制分类精度随时间的退化，并优于传统方法。这些发现证明了所提方法的有效性及其对实际基于EMG控制系统的适用性。
引用
@article{arxiv.2310.00252,
title = {Bayesian Approach for Adaptive EMG Pattern Classification Via Semi-Supervised Sequential Learning},
author = {Seitaro Yoneda and Akira Furui},
journal= {arXiv preprint arXiv:2310.00252},
year = {2023}
}
备注
6 pages, 5 figures, accepted at IEEE SMC 2023