論文の概要: SVM and ANN based Classification of EMG signals by using PCA and LDA

• arxiv url: http://arxiv.org/abs/2110.15279v1
• Date: Fri, 22 Oct 2021 06:44:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-01 04:17:48.482171
• Title: SVM and ANN based Classification of EMG signals by using PCA and LDA
• Title（参考訳）: PCAとLDAを用いたSVMとANNによるEMG信号の分類
• Authors: Hritam Basak, Alik Roy, Jeet Bandhu Lahiri, Sayantan Bose, Soumyadeep Patra
• Abstract要約: 筋電信号(MES)は、人体の筋肉を一次元パターンとして生成する。 Support Vector Machines (SVM) は n 次元超平面を識別し、入力特徴点の集合を異なるクラスに分離する技術である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent decades, biomedical signals have been used for communication in Human-Computer Interfaces (HCI) for medical applications; an instance of these signals are the myoelectric signals (MES), which are generated in the muscles of the human body as unidimensional patterns. Because of this, the methods and algorithms developed for pattern recognition in signals can be applied for their analyses once these signals have been sampled and turned into electromyographic (EMG) signals. Additionally, in recent years, many researchers have dedicated their efforts to studying prosthetic control utilizing EMG signal classification, that is, by logging a set of MES in a proper range of frequencies to classify the corresponding EMG signals. The feature classification can be carried out on the time domain or by using other domains such as the frequency domain (also known as the spectral domain), time scale, and time-frequency, amongst others. One of the main methods used for pattern recognition in myoelectric signals is the Support Vector Machines (SVM) technique whose primary function is to identify an n-dimensional hyperplane to separate a set of input feature points into different classes. This technique has the potential to recognize complex patterns and on several occasions, it has proven its worth when compared to other classifiers such as Artificial Neural Network (ANN), Linear Discriminant Analysis (LDA), and Principal Component Analysis(PCA). The key concepts underlying the SVM are (a) the hyperplane separator; (b) the kernel function; (c) the optimal separation hyperplane; and (d) a soft margin (hyperplane tolerance).
• Abstract（参考訳）: 近年,ヒト-コンピュータインタフェース(hci)における医療的コミュニケーションに生体医学的信号が用いられており,その例としては筋電信号(mes)が一次元パターンとして人体の筋肉で生成される。 このため、信号のパターン認識のために開発された手法やアルゴリズムは、これらの信号がサンプリングされて筋電図(EMG)信号に変換されると、解析に応用できる。 さらに、近年、多くの研究者がEMG信号分類を利用した補綴制御の研究に取り組み、すなわち、MESのセットを適切な周波数範囲でロギングして対応するEMG信号の分類を行っている。 特徴分類は、時間領域または周波数領域(スペクトル領域とも呼ばれる)、時間スケール、時間周波数といった他の領域を用いて行うことができる。 筋電信号におけるパターン認識の主要な方法の1つは、n次元超平面を識別して入力特徴点の集合を異なるクラスに分離するサポートベクターマシン(svm)技術である。 この手法は複雑なパターンを認識する可能性を秘めており、ニューラルネットワーク(ANN)、線形判別分析(LDA)、主成分分析(PCA)といった他の分類器と比較すると、その価値が証明されている。 SVMの根底にある重要な概念は (a)超平面分離機 b) カーネル関数 c) 最適分離超平面,及び (d)ソフトマージン(超飛行機の耐久性)

関連論文リスト

• Machine Learning-based sEMG Signal Classification for Hand Gesture Recognition [3.9440964696313485]
  筋電図(EMG)信号を用いて手の動きを解析・分類する。 本稿では,新しい特徴抽出手法を用いてEMGに基づく手動作認識の性能をベンチマークすることを目的とする。
  論文  参考訳（メタデータ） (2024-11-23T21:29:51Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
  本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。 本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。 合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
  論文  参考訳（メタデータ） (2023-06-19T12:01:28Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Deep Learning Radio Frequency Signal Classification with Hybrid Images [0.0]
  入力トレーニングデータに使用できるさまざまな前処理ステップに注目し、結果を固定されたディープラーニングアーキテクチャでテストする。 本稿では,時間領域情報と周波数領域情報の両方を利用するハイブリッド画像を提案し,コンピュータビジョン問題として分類する。
  論文  参考訳（メタデータ） (2021-05-19T11:12:09Z)
• Signal Processing and Machine Learning Techniques for Terahertz Sensing: An Overview [89.09270073549182]
  テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。 THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。 本稿では,信号前処理に着目した手法の概要を示す。 また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
  論文  参考訳（メタデータ） (2021-04-09T01:38:34Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• Heterogeneous Hand Guise Classification Based on Surface Electromyographic Signals Using Multichannel Convolutional Neural Network [0.0]
  機械学習の分野での最近の進歩は、EMG信号を使って機械に人間の動作の複雑な特性を教えることができる。 現代の機械は、多数の人間の活動を検出し、それらの活動によって生成されたEMG信号のみに基づいて区別することができる。 本研究では,電力領域に現れる特性によって表面EMG信号を解釈する多チャンネル畳み込みニューラルネットワーク(CNN)を用いた新しい分類法について述べる。
  論文  参考訳（メタデータ） (2021-01-17T17:02:04Z)
• Multi-level Stress Assessment Using Multi-domain Fusion of ECG Signal [1.52292571922932]
  複数のストレスレベルを持つデータセットを導入し、新しいディープラーニングアプローチを用いてこれらのレベルを分類する。 信号画像は時間周波数領域と周波数領域に変換してマルチモーダル・マルチドメイン化した。 提案された融合フレームワークとECG信号による画像変換により、平均精度は85.45%に達する。
  論文  参考訳（メタデータ） (2020-08-12T18:08:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。