《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》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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．