《表3 特征子集FL9及其描述》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《适用不同Brunnstrom等级患者基于表面肌电信号的动作识别方法》
为了和前一个实验的结果进行对比,本文对24名患者的sEMG数据进行了相同的预处理操作,并在tsfresh库提取特征中选择了6个最重要特征,如表3所示,记为FL9,然后对得到的特征进行缺失值替换,最后在训练集上训练分类模型LDA,并分别在训练集和测试集上对训练好的模型进行评估,选取5折交叉验证结果的均值和方差作为模型性能评估指标.同时,统计单个时间窗序列提取FL9特征子集所消耗的时间,最终得出的实验结果如图12所示.从实验的结果可以看出,使用筛选后的特征,模型在测试集上的准确率比使用未筛选的特征仅降低了1.95%,而特征提取的时间减少了2.8517 s.相比于FL6,在特征个数相同的情况下,使用筛选后特征比使用特征子集FL6在测试集上的准确率提高了7.94%,方差降低了2.48%.并通过对基准模型LDA分别使用FL6和FL9特征子集在测试集上进行5折交叉验证,再对验证结果进行P值检验,得出p=0.018<0.05,从而说明经过tsfresh库提取并基于RF模型筛选得到的特征比人为设计的特征能够提高模型的性能,验证了本文所提基于tsfresh库的特征提取方法和基于RF的特征选择方法的有效性.
图表编号 | XD00188883400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.01 |
作者 | 王丰焱、张道辉、李自由、赵新刚 |
绘制单位 | 中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院、中国科学院大学、中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院、中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院、中国科学院大学、中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院 |
更多格式 | 高清、无水印(增值服务) |