利用滑动窗口归一化提升基于肌电图实时运动预测的机器学习模型性能
信号处理
2022-08-30 v1
摘要
许多研究者已使用机器学习模型，借助肌电图（EMG）这一生物信号来控制假手、助行器、助力服等。此类设备的使用要求机器学习模型具备较高的分类准确率。一种提升机器学习模型分类性能的方法是归一化，例如 z-score。然而，由于需要校准以及校准参考值的波动（无法复用），大多数基于 EMG 的运动预测研究并未使用归一化。因此，在本研究中，我们提出了一种结合滑动窗口分析与 z-score 归一化的归一化方法，可在无需校准的情况下实现实时处理。通过进行肘部单关节运动实验并从其 EMG 信号预测静息、屈曲和伸展运动，证实了该归一化方法的有效性。所提归一化方法达到了 64.6% 的平均准确率，较未归一化情况（平均 49.8%）提升了 15.0%。此外，为改进实际应用，近期研究聚焦于减少模型学习所需的用户数据，并提升由他人数据所学习模型的分类性能。因此，我们考察了由他人数据所学习模型的分类性能。结果显示，应用所提方法时平均准确率为 56.5%，较未归一化情况（平均 44.1%）提升了 11.1%。这两项结果表明了这一简单易实现方法的有效性，且机器学习模型的分类性能可得以改善。
引用
@article{arxiv.2205.09301,
title = {Sliding-Window Normalization to Improve the Performance of Machine-Learning Models for Real-Time Motion Prediction Using Electromyography},
author = {Taichi Tanaka and Isao Nambu and Yoshiko Maruyama and Yasuhiro Wada},
journal= {arXiv preprint arXiv:2205.09301},
year = {2022}
}