《表3 基于s EMG特征融合的识别率结果(%)》
为验证ECG与s EMG特征融合比单纯依靠下肢s EMG特征融合有更好的识别效果,利用下肢胫骨前肌和半腱肌s EMG特征样本重新训练并测试本文改进的粒子群优化-支持向量机分类器,分类效果如表3所示。从表中可以看出,单纯s EMG特征融合的轻松和疲累状态识别率较高,而对过渡状态识别率不理想。对比表2、表3可以看出,融合ECG特征后三种状态的识别率分别提高了2.0%、8.5%和3.0%,说明ECG特征对识别干扰量起到了纠正作用(尤其是过渡状态)。为验证优化融合系数的特征融合比固定权值的组合特征识别效果更好,运用本文ECG、s EMG组合特征样本训练OVO方法重新构建支持向量机网络,得到分类结果如表4所示。比较表2、表4可知,经过特征融合后三种状态识别率分别提高了9.5%、28.0%、3.5%,特别是对于轻松和过渡两种状态优化效果明显,这主要归因于粒子群算法通过迭代计算对高维特征的信任程度进行了分配。
图表编号 | XD00208035700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.25 |
作者 | 苑尧尧、曹佃国、李聪、刘澄玉 |
绘制单位 | 曲阜师范大学工学院、曲阜师范大学工学院、曲阜师范大学工学院、东南大学仪器科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |