肌电图信号可以通过机器学习模型用作训练数据,以对各种手势进行分类。我们试图制作一个模型,该模型可以将六个不同的手势分类为有限数量的样本,这些样本可以很好地概括为更广泛的受众,同时比较我们的功能提取结果对模型准确性的效果与其他更常规的方法(例如使用AR参数)在信号通道的滑动窗口上。我们诉诸于一组更基本的方法,例如在信号上使用随机界限,但是渴望在正在进行EMG分类的在线环境中展示这些力量,而不是更复杂的方法(例如使用傅立叶变换。为了增加我们有限的训练数据,我们使用了一种称为抖动的标准技术,在该技术中,以通道的方式将随机噪声添加到每个观察结果中。一旦使用上述方法生产了所有数据集,我们就进行了随机森林和XGBoost的网格搜索,以最终创建高精度模型。出于人类的计算机界面目的,高精度分类对于它们的功能特别重要,并且鉴于在大量的高量中积累任何形式的生物医学数据的困难和成本,具有低量工作的技术是有价值的具有较便宜的功能提取方法的高质量样品可以在在线应用中可靠地进行。
translated by 谷歌翻译