《表2 使用所有测试者的测试数据计算的分类精度与排除精度的均值和标准差 (%)》

  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

《基于自更新混合分类模型的肌电运动识别方法》

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

由图12和图13可知，SUHC对目标动作类分类精度高于SVDD，这是因为SVDD对不同目标类的封闭包围区域出现重叠，导致位于重叠区域的样本分类混乱，从而降低了SVDD的分类精度.SVDD的外部动作排除精度略低于SUHC（见图12 （e）） ，是由于两个模型在线更新（针对目标动作数据时变性的更新）次数不同所致.SVM，MLP和KLDA的目标动作分类精度远低于前两者，两个原因导致这一结果:1) 训练后的SVM，MLP和KLDA模型参数固定，由前面分析可知，因疲劳导致的sEMG时变性会降低它们的分类精度；2) SVM，MLP和KLDA并没有排除外部动作干扰的能力，而外部动作（rng）类样本会被误认为目标动作样本强制分配到各个目标类，从而进一步降低了分类精度.分别使用每个测试者的模型及其测试样本，计算目标动作分类精度与外部动作排除精度，然后计算针对所有测试者的均值和标准差，结果列于表2.由表2可知，SUHC的目标动作分类精度达到90%，比SVDD的分类精度高约8%，更比SVM、MLP或KLDA的分类精度高了约28%；SUHC的外部动作排除精度也达到93%，具有较好的抗外部类数据干扰能力，而这更是SVM，MLP和KLDA所不具备的.