评估表面肌电模式识别中分类器的置信度

表面肌电图（EMG）可通过模式识别作为各种设备和软件的接口信号。在基于EMG的模式识别中，分类器不仅应准确，还应对其预测输出适当的置信度（即正确性的概率）。如果置信度准确反映真实正确的可能性，那么它在运动拒绝和在线自适应等各种应用任务中都将有用。本文旨在确定在EMG模式识别中提供更高准确率和更好置信度的分类器类型。我们在四个EMG数据集上从视觉和定量两方面评估了各种判别式和生成式分类器的性能。分析结果表明，虽然基于深度神经网络的判别式分类器表现出高准确率，但其输出的置信度与真实概率存在差异。相比之下，基于尺度混合模型的分类器（一种能考虑EMG方差不确定性的生成式分类器）在准确率和置信度方面均表现出优越性能。