Enhancing Myoelectric Signal Classification Through Conditional Spectral Moments and Wavelet-Enhanced Time-Domain Descriptors
Notice bibliographique
Résumé
This study underscores the imperative role of feature extraction and classification in the domain of electromyography (EMG) signals.The efficacy of myoelectric pattern recognition hinges upon the judicious selection of pertinent features.In this research endeavor, we introduce a novel approach that leverages two distinct feature sets: conditional spectral moments and refined time-domain descriptors, tailored to augment the precision of myoelectric signal classification.The conditional spectral moments, derived from the timefrequency distribution of EMG signals, encapsulate nuanced variations in muscle activity and movement dynamics.This augmentation facilitates seamless differentiation of hand gestures, a pivotal advancement in the context of prosthetic applications.Concurrently, we enhance the time-domain descriptors by convolving them with wavelet filter coefficients, thereby extracting both spatial and temporal characteristics of muscle activity.The extracted features are subjected to classification using Support Vector Machines (SVM), K-Nearest Neighbor (KNN), Decision Tree (DT), and Ensemble Bagging classifiers.To elucidate the efficacy of our proposed features, comprehensive experiments are conducted employing the benchmark databases Ninapro DB1 (comprising 52 classes) and DB2 (comprising 49 classes).Our findings underscore the superiority of the proposed features, particularly when applied in conjunction with ensemble classifiers.Specifically, the classification accuracies of the modified time-domain descriptor feature exhibit substantial enhancements, achieving 87.1% and 85.3% accuracy rates for Ninapro DB1 and DB2, respectively.Notably, the conditional spectral moments outperform with remarkable classification accuracies of 92.9% and 90.8% for Ninapro DB1 and DB2, respectively.This marked improvement in EMG signal classification corroborates the enhanced precision in decoding hand movements, thus imparting significant advancements in the realm of hand prosthesis control.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».