决策变化知情拒绝提升基于模式识别的肌电控制的鲁棒性
信号处理
2024-09-24 v1
摘要
后处理技术已被证明可以提高基于模式识别的肌电控制中分类器生成的决策流的质量。然而，这些技术大多是在表现良好且平稳的数据上单独进行测试的，未能充分评估它们在动态使用过程中平滑与延迟之间的权衡。因此，在这项工作中，我们在连续和动态类别转换的背景下，调查并比较了 8 种不同的后处理和决策流改进方案：多数投票、贝叶斯融合、起始锁定、异常值检测、基于置信度的拒绝、置信度缩放、先验调整和自适应窗口。然后，我们提出了两种新的时间感知后处理方案，它们利用决策流和置信度流的变化来更好地拒绝不确定的决策。我们的决策变化知情拒绝 (DCIR) 方法在稳态和转换期间，无论使用传统分类器还是深度分类器，在错误率和决策流波动性方面均优于现有方案。这些结果表明，在肌电控制中适当利用时间上下文可以获得额外的鲁棒性。
引用
@article{arxiv.2409.14169,
title = {Decision-change Informed Rejection Improves Robustness in Pattern Recognition-based Myoelectric Control},
author = {Shriram Tallam Puranam Raghu and Dawn MacIsaac and Erik Scheme},
journal= {arXiv preprint arXiv:2409.14169},
year = {2024}
}
备注
Published in IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS