Stacked one-vs-one (SOvO): A new approach for multi-class classification for sEMG recognition
Notice bibliographique
Résumé
Significant advancements have been made in applying machine learning techniques to the classification of surface electromyography (sEMG) signals. Despite these improvements, there remains considerable room for enhancing these methods to achieve even greater accuracy. This is particularly evident in complex sEMG classification problems, where the patterns across different classes can be very similar. This similarity often leads to reduced accuracy in both validation and test sets, highlighting the need for more refined approaches. This study aims to improve sEMG-based hand gesture recognition by introducing a novel Stacked One-vs-One (SOvO) classification approach. Traditional One-vs-One (OvO) strategies decompose multi-class problems into binary classifications but often suffer from cumulative errors of weak classifiers. The proposed SOvO method enhances classification by stacking the probability outputs from pairwise binary classifiers in the OvO approach on the training data as additional features for the final classification. Depending on whether the final classifier is a deep learning or conventional model, different feature integration strategies were explored. A comparative analysis was conducted on the Ninapro DB4, DB5, and DB6 datasets across two window sizes. Results show that SOvO consistently outperforms OvO in accuracy by 3% to 10%. This improvement is statistically significant, as confirmed by a repeated measures ANOVA ( p < 0.001). These findings demonstrate that SOvO provides a more robust and accurate framework for sEMG-based gesture recognition, addressing limitations of conventional OvO methods.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».