基于 PCA 与 LDA 的 SVM 和 ANN 肌电信号分类
信号处理
2021-10-29 v1 人工智能
机器学习
摘要
近几十年来，生物医学信号已被用于医疗应用中的人机接口（HCI）通信；这类信号的一个例子是肌电信号（MES），其在人体肌肉中作为一维模式生成。因此，一旦这些信号被采样并转化为肌电图（EMG）信号，为信号模式识别开发的方法和算法便可应用于其分析。此外，近年来许多研究者致力于利用 EMG 信号分类研究假肢控制，即通过记录适当频率范围内的一组 MES 来对相应 EMG 信号进行分类。特征分类可在时域进行，也可使用其他域如频域（亦称谱域）、时间尺度以及时频等。肌电信号模式识别的主要方法之一是支持向量机（SVM）技术，其主要功能是识别 n 维超平面以将一组输入特征点分离为不同类别。该技术具有识别复杂模式的潜力，且在多次与其他分类器如人工神经网络（ANN）、线性判别分析（LDA）和主成分分析（PCA）的比较中证明了自身价值。SVM 背后的关键概念为（a）超平面分离器；（b）核函数；（c）最优分离超平面；（d）软间隔（超平面容差）。
引用
@article{arxiv.2110.15279,
title = {SVM and ANN based Classification of EMG signals by using PCA and LDA},
author = {Hritam Basak and Alik Roy and Jeet Bandhu Lahiri and Sayantan Bose and Soumyadeep Patra},
journal= {arXiv preprint arXiv:2110.15279},
year = {2021}
}