sEMG电极（重）放置与特征集大小对手部运动识别的影响

在重复的肌电图测量中，记录电极阵列的重新定位可能会导致手部运动分类系统中的位移误差。为了探究当电极阵列沿受试者前臂平移或绕其旋转时，对于不同数量的特征，分类器重训练是否能达到令人满意的结果，我们记录了10名健康志愿者的表面肌电图 (sEMG) 信号，包括三种抓握动作和6种腕部运动。对于特征提取，我们应用了主成分分析，特征集大小从1到8个主成分不等。我们比较了三种分类器：LDA (Linear Discriminant Analysis)、QDA (Quadratic Discriminant Analysis) 和 ANN (Artificial Neural Network) 的重训练分类器结果与留一法交叉验证分类程序的结果。我们的结果表明，当阵列电极重新定位时，分类准确率没有显著差异，表明分类重训练和最优特征集选择是成功的。结果也如预期表明，主成分的数量对于约90%的可接受分类准确率起着关键作用。对于最大的数据集（9种手部运动），LDA和QDA优于ANN，而对于三种抓握动作，ANN显示出有前景的结果。有趣的是，我们表明电极阵列位置与特征集大小之间的交互作用不具有统计学显著性。本研究强调了测试影响分类准确率的因素之间及其对分类器选择的交互作用，以及独立评估其影响的重要性，从而为手部运动识别系统的设计建立指导原则。本研究记录的数据存储在 Zenodo 仓库中 (doi: 10.5281/zenodo.4039550)。