提取頸部肌肉的肌音（Mechanomyography,MMG）信號時域、時-頻域和非線性動力學的15個常見特征,按照其性質分為5個特征集,并選擇其中一部分構建高維特征矢量后進行主成分分析（Principal component analysis,PCA）降維處理,應用于頭部動作的模式識別研究中。分別采用支持向量機（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種頭部動作（低頭、抬頭、左擺頭、右擺頭、左轉頭和右轉頭）的MMG信號進行分類。實驗結果表明,選用時域、時-頻域和非線性動力學特征組合的方式,以及使用SVM作為分類器,可使各類動作的分類精度均達到80%以上,從而獲得相對較高的準確率。 

【文章來源】：數據采集與處理. 2020年04期 第711-719頁 北大核心

【文章頁數】：9 頁

【部分圖文】：

使用KNN的交叉驗證分類精度色塊圖

圖2 使用KNN的交叉驗證分類精度色塊圖單獨使用一組特征集獲得的分類精度體現出一定的差異，在本實驗中使用特征集1,2或5，獲得的分類精度高于使用特征集3或4，表明單獨使用時域特征集或非線性動力學特征集的效果可能優于單獨使用時-頻域特征集。從分別單獨使用3種分類器獲得的結果來看，無論使用哪一種分類器，每類動作的識別率均不能達到80%，故單獨使用一個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，使用KNN和SVM作為分類器識別率分類為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，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作為分類器識別率分別為79.6%和86.3%，相差6.7%。說明采用時域、時-頻域和非線性動力學特征混合具有優勢。選用上述特征集組合，使用SVM分類獲得的6類頭部動作的識別率均達到80%以上，而此時使用KNN或LDA則最終結果有可能低于80%。5 結束語


本文編號：2911498