提取頸部肌肉的肌音（Mechanomyography,MMG）信號(hào)時(shí)域、時(shí)-頻域和非線性動(dòng)力學(xué)的15個(gè)常見特征,按照其性質(zhì)分為5個(gè)特征集,并選擇其中一部分構(gòu)建高維特征矢量后進(jìn)行主成分分析（Principal component analysis,PCA）降維處理,應(yīng)用于頭部動(dòng)作的模式識(shí)別研究中。分別采用支持向量機(jī)（Support vector machine,SVM）、K近鄰（K-nearest neighbor,KNN）和線性判別分析（Linear discriminant analysis,LDA）3種分類器,對6種頭部動(dòng)作（低頭、抬頭、左擺頭、右擺頭、左轉(zhuǎn)頭和右轉(zhuǎn)頭）的MMG信號(hào)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明,選用時(shí)域、時(shí)-頻域和非線性動(dòng)力學(xué)特征組合的方式,以及使用SVM作為分類器,可使各類動(dòng)作的分類精度均達(dá)到80%以上,從而獲得相對較高的準(zhǔn)確率。 

【文章來源】：數(shù)據(jù)采集與處理. 2020年04期 第711-719頁 北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

使用KNN的交叉驗(yàn)證分類精度色塊圖

圖2 使用KNN的交叉驗(yàn)證分類精度色塊圖單獨(dú)使用一組特征集獲得的分類精度體現(xiàn)出一定的差異，在本實(shí)驗(yàn)中使用特征集1,2或5，獲得的分類精度高于使用特征集3或4，表明單獨(dú)使用時(shí)域特征集或非線性動(dòng)力學(xué)特征集的效果可能優(yōu)于單獨(dú)使用時(shí)-頻域特征集。從分別單獨(dú)使用3種分類器獲得的結(jié)果來看，無論使用哪一種分類器，每類動(dòng)作的識(shí)別率均不能達(dá)到80%，故單獨(dú)使用一個(gè)特征集并未獲得較好的分類效果。

使用3種不同的分類器最終獲得的結(jié)果差別亦較大，使用SVM獲得的分類效果相比于使用KNN或LDA更好，例如選用特征集2+3+5時(shí)，使用KNN和SVM作為分類器識(shí)別率分類為81.6%和86.3%，相差5.1%，如圖4所示。另一方面，選用不同的特征集對于分類結(jié)果的影響也較為明顯，在選用特征集1+3+5,2+3+5或2+4+5時(shí)，相比于使用其他特征集組合更好，例如選用特征集1+3+4，特征集2+3+5，使用SVM作為分類器識(shí)別率分別為79.6%和86.3%，相差6.7%。說明采用時(shí)域、時(shí)-頻域和非線性動(dòng)力學(xué)特征混合具有優(yōu)勢。選用上述特征集組合，使用SVM分類獲得的6類頭部動(dòng)作的識(shí)別率均達(dá)到80%以上，而此時(shí)使用KNN或LDA則最終結(jié)果有可能低于80%。5 結(jié)束語


本文編號(hào)：2911498