特征与分类算法在基于肌音信号的头部运动分类中的对比研究

发布时间：2020-12-12 00:23

　　提取颈部肌肉的肌音（Mechanomyography,MMG）信号时域、时-频域和非线性动力学的15个常见特征,按照其性质分为5个特征集,并选择其中一部分构建高维特征矢量后进行主成分分析（Principal component analysis,PCA）降维处理,应用于头部动作的模式识别研究中。分别采用支持向量机（Support vector machine,SVM）、K近邻（K-nearest neighbor,KNN）和线性判别分析（Linear discriminant analysis,LDA）3种分类器,对6种头部动作（低头、抬头、左摆头、右摆头、左转头和右转头）的MMG信号进行分类。实验结果表明,选用时域、时-频域和非线性动力学特征组合的方式,以及使用SVM作为分类器,可使各类动作的分类精度均达到80%以上,从而获得相对较高的准确率。 

【文章来源】：数据采集与处理. 2020年04期 第711-719页 北大核心

【文章页数】：9 页

【部分图文】：

使用KNN的交叉验证分类精度色块图

图2 使用KNN的交叉验证分类精度色块图单独使用一组特征集获得的分类精度体现出一定的差异，在本实验中使用特征集1,2或5，获得的分类精度高于使用特征集3或4，表明单独使用时域特征集或非线性动力学特征集的效果可能优于单独使用时-频域特征集。从分别单独使用3种分类器获得的结果来看，无论使用哪一种分类器，每类动作的识别率均不能达到80%，故单独使用一个特征集并未获得较好的分类效果。

使用3种不同的分类器最终获得的结果差别亦较大，使用SVM获得的分类效果相比于使用KNN或LDA更好，例如选用特征集2+3+5时，使用KNN和SVM作为分类器识别率分类为81.6%和86.3%，相差5.1%，如图4所示。另一方面，选用不同的特征集对于分类结果的影响也较为明显，在选用特征集1+3+5,2+3+5或2+4+5时，相比于使用其他特征集组合更好，例如选用特征集1+3+4，特征集2+3+5，使用SVM作为分类器识别率分别为79.6%和86.3%，相差6.7%。说明采用时域、时-频域和非线性动力学特征混合具有优势。选用上述特征集组合，使用SVM分类获得的6类头部动作的识别率均达到80%以上，而此时使用KNN或LDA则最终结果有可能低于80%。5 结束语


本文编号：2911498