基于典型相关分析的长期稳定肌电分类
机器学习
2023-01-25 v1 人机交互
信号处理
应用统计
摘要
基于表面肌电（sEMG）信号解码区分手势是控制假肢装置与人机接口（HMI）的成熟方法。然而，尽管该方法在受控实验条件下取得了有前景的结果，其在长期真实应用场景中的部署仍受若干挑战阻碍。最关键的挑战之一是在不对解码系统重新训练的情况下，跨多日维持高EMG数据分类性能。性能下降主要源于由电极移位、肌肉伪影、疲劳、用户适应或皮肤-电极界面问题引起的高EMG变异性。此处我们提出一种基于典型相关分析（CCA）的新统计方法，可跨多日稳定EMG分类性能以用于假肢装置的长期控制。我们展示了CCA如何通过最大化多日采集数据集间的相关性，显著减少标准分类器跨日观察到的性能下降。我们的结果表明，仅在实验首日获取的EMG数据上训练的分类器，通过对少量手势获得的数据使用CCA变换，跨多日维持了90%的相对准确率，补偿了长期周期内出现的EMG数据变异性。该方法消除了对大数据集及多次或周期性训练会话的需求，而后者目前阻碍了基于常规模式识别方法的可用性。
引用
@article{arxiv.2301.09729,
title = {Long-term stable Electromyography classification using Canonical Correlation Analysis},
author = {Elisa Donati and Simone Benatti and Enea Ceolini and Giacomo Indiveri},
journal= {arXiv preprint arXiv:2301.09729},
year = {2023}
}