表面肌电信号处理流程——基于肌电信号分类的特征抽取的设计
如圖為表面肌電信號研究的一般流程，僅作參考。本文中主要在特征提取方面進行研究！
動動小手指，幫我投上一票：攝影比賽，復制鏈接在微信搜索框打開哦🌹🌹
http://h5.3431373334.hflw0tq.cn/app/rWVzkuCTZg#/player/11862
目錄
- 前言
- 一、采集表面肌電信號
- 二、特征提取
- 1.主成分分析法
- 2.支持向量機遞歸消除法
- 3.相關性熱力圖
- 三.肌電信號分類
- 1.KNN算法
- 2.隨機森林
- 3.支持向量機
- 4.相關實驗結果
- 四.根據分類結果識別動作
- 總結
前言
??我們的目標是通過肌電信號能夠對所有的手的動作進行分類，同時還要降低分類的復雜度，分類精度可以通過增加通道的數量來提高，但這同時也增加了硬件的復雜性和計算時間，對于控制假肢的實時應用是不可取的。因此本研究針對特征-通道的最優數量使用了傳統的方法：主成分分析法和支持向量機遞歸消除法，并提出了一種新的方法：相關性熱力圖法。本文中的特征抽取就是根據數據集中通道的數量(8個通道)通過方法提取為2個通道，這兩個通道是對手部動作整體影響最大的，因此就可以用這兩個通道進行動作的分類，有效地降低算法復雜度，提高整體效率。
一、采集表面肌電信號
??市面上通常有采集信號的電極，采集的是八通道、二通道等。本研究采用的數據集為公開數據集(八通道)。
二、特征提取
??特征提取分為特征選擇和特征抽取，在這里研究的是特征抽取。
??原因：
????①降低時間的復雜度和空間復雜度
????②當數據能有較少的特征進行解釋，我們可以更好地解釋數據，使得我們可以提取知識
1.主成分分析法
??主成分分析法(PCA)是一種降維的統計方法，它借助于一個正交變換，將其分量相關的原隨機向量轉化成其分量不相關的新隨機向量，這在代數上表現為將原隨機向量的協方差陣變換成對角形陣，在幾何上表現為將原坐標系變換成新的正交坐標系，使之指向樣本點散布最開的p個正交方向，然后對多維變量系統進行降維處理，使之能以一個較高的精度轉換成低維變量系統，再通過構造適當的價值函數，進一步把低維系統轉化成一維系統。
2.支持向量機遞歸消除法
??支持向量機遞歸特征消除(簡稱SVM-RFE)是由Guyon等人在對癌癥分類時提出來的，最初只能對兩類數據進行特征提取。它是一種基于Embedded方法。起初它是針對二分類方法提出的，多分類的SVM-RFE算法其實和兩分類的SVM-RFE算法類似，只不過在處理多分類時，把類別進行兩兩配對，其中一類為正類，另一類為負類，這樣需訓練個分類器，這就是一對一的多分類拆分策略，變成了多個兩分類問題，每個兩類問題用一個SVM-RFE進行特征選擇，利用多個SVM-RFE獲得多個排序準則得分，然后把多個排序準則得分相加后得到排序準則總分，以此作為特征剔除的依據，每次迭代消去最小特征，直到所有特征都被刪除。
3.相關性熱力圖
??熱力圖，又名相關系數圖。根據熱力圖中不同方塊顏色對應的相關系數的大小，可以判斷出變量之間相關性的大小。兩個變量之間相關系數的計算公式為：
ρ表示相關系數，Cov表示協方差，E表示數學期望均值。
相關系數越高，則變量之間的相關程度越高；相關系數越小，變量之間的相關程度低。
三.肌電信號分類
1.KNN算法
??KNN（K- Nearest Neighbor）法即K最鄰近法，最初由Cover和Hart于1968年提出，該方法的思路非常簡單直觀：如果一個樣本在特征空間中的K個最相似（即特征空間中最鄰近）的樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別。該方法在定類決策上只依據最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。
??總體來說，KNN分類算法包括以下4個步驟：
????①準備數據，對數據進行預處理 。
????②計算測試樣本點（也就是待分類點）到其他每個樣本點的距離。
????③對每個距離進行排序，然后選擇出距離最小的K個點。
????④對K個點所屬的類別進行比較，根據少數服從多數的原則，將測試樣本點歸入在K個點中占比最高的那一類。
2.隨機森林
??隨機森林是一個包含多個決策樹的分類器，并且其輸出的類別是由個別樹輸出的類別的眾數而定。Leo Breiman和Adele Cutler發展出推論出隨機森林的算法。
3.支持向量機
??支持向量機(SVM)是一種基于有監督學習對數據進行分類的廣義線性分類器。其決策極限是為學習樣本求解的最大邊緣超平面。
??支持向量機采用鉸鏈損失函數來計算經驗風險，并在解決方案系統中加入正則項來優化結構風險。它是一個具有稀疏性和魯棒性的分類器。作為常用的核學習方法之一，支持向量機可以采用核方法進行非線性分類。
4.相關實驗結果
PCA消除特征圖：
相關性熱力圖相關系數：
??將三種特征選擇方法分別進行實驗，從上圖看出，主成分分析法的第一二主成分即就是通道1與通道2占據大部分方差，大于60%。SVM_RFE實驗得出通道2與通道8可以作為特征消除后的兩個通道進行分析。相關性熱力圖中通道4與通道5的相關系數為0.78，而通道1與通道5的相關系數為0.13，因此，通道4與通道5兩者之間的相關性比較接近，通道1與通道5之間的相關性相差較遠，可以以這兩個通道為目標進行分析。
特征消除法分類要素對比表：
??從表中可以看出，三種分類精確率表明：提出的新方法相關性熱力圖都比傳統的方法：PCA、SVM_RFE兩種方法的高，證明提出的方法是有用的。
四.根據分類結果識別動作
這一部分通常在機械手臂中實際應用，不做過多介紹。
總結
??本研究提出了一種特征抽取的方法，并針對此方法設計了三種算法來對肌電信號的特征進行抽取。文章中首先分析了肌電信號處理中常用的主成分分析法以及支持向量機特征消除法，并在這兩種方法的基礎上提出了分析肌電信號的新方法：相關性熱力圖的方法，這種方法不僅可以得出兩種特征之間的低相關性，還能看出高相關性，在分析特征之間關系時，能夠將高相關性的兩個特征不重復分析。這三種方法通過對一種8通道肌電信號的特征提取，在經過KNN和隨機森林和支持向量機三種算法分類，實驗都表明：相關性熱力圖這種方法使得肌電信號的分類精度更高。
總結
以上是生活随笔為你收集整理的表面肌电信号处理流程——基于肌电信号分类的特征抽取的设计的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 【tensorflow】tensorfl
- 下一篇： Himall商城Html文本帮助类Htm