首页  |  期刊简介  |  稿件审稿流程  |  学术道德规范  |  编委会  |  征订启事  |  联系我们  |  English
中文核心期刊
中国科技论文统计源期刊
国际刊号:1004-9037
国内刊号:32-1367/TN
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中国科学技术协会
  • 主办:南京航空航天大学
  •           中国电子学会
  • 国际刊号:1004-9037
  • 国内刊号:32-1367/TN
  • 地址:南京市御道街29号
  • 电话:025-84892742
  • 传真:025-84892742
  • E-mail:sjcj@nuaa.edu.cn
  • 邮编:210016
章悦,夏春明,谢佳智,刘爽.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[J].数据采集与处理,2020,35(4):711-719
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
Comparative Study of Features and Classification Algorithms in Mechanomyography Based Head Movement Classification
投稿时间:2018-11-22  修订日期:2019-12-22
DOI:10.16337/j.1004-9037.2020.04.012
中文关键词:  肌音信号  支持向量机  模式识别  特征组合
英文关键词:mechanomyography signal  support vector machine  pattern recognition  feature combination
基金项目:国家自然科学基金(51405236)资助项目;上海市浦江人才计划(16PJ1402300)资助项目。
作者单位邮编
章悦 华东理工大学机械与动力工程学院上海200237 200237
夏春明 华东理工大学机械与动力工程学院上海200237 200237
谢佳智 华东理工大学机械与动力工程学院上海200237 200237
刘爽 华东理工大学机械与动力工程学院上海200237 200237
摘要点击次数: 76
全文下载次数: 113
中文摘要:
      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。
英文摘要:
      Fifteen typical features in time domain, time-frequency domain and non-linear dynamic are extracted from the mechanomyogarphy (MMG) signals in neck muscles. They are divided into five feature sets according to their nature, and part of them are constructed to high-dimension feature vectors before reducing the dimension by principal component analysis (PCA), which are applied in the pattern research for head movements. The MMG of six head movements (forward, backward, swing to left, swing to right, turn to light, turn to right) are classified by adopting three sorts of classifiers, which are support vector machine (SVM), K nearest neighbor (KNN) and linear discriminant analysis (LDA). Experimental results show that selecting the method of combining features in time domain, time-frequency and non-linear dynamic, and adopting SVM as the classifier can improve the classification accuracy up to higher than 80% in each movement, thus acquiring relatively higher rate.
查看全文  HTML  查看/发表评论

Copyright @2010-2015《数据采集与处理》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892742      传真:025-84892742       E-mail:sjcj@nuaa.edu.cn

您是本站第1823853位访问者 本站今日一共被访问137

技术支持:北京勤云科技发展有限公司