Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine
Vernadsky National Library of Ukraine
Переглянути архів Інформація| Поле | Співвідношення | |
| Title |
Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine
|
|
| Creator |
Rong, Y.
Hao, D. Han, X. Zhang, Y. Zhang, J. Zeng, Y. |
|
| Description |
The aim of our study was to recognize results of surface electromyography (sEMG) recorded under conditions of a maximum voluntary contraction (MVС) and fatigue states using wavelet packet transform and energy analysis. The sEMG signals were recorded in 10 young men from the right upper limb with a handgrip. sEMG signals were decomposed by wavelet packet transform, and the corresponding energies of certain frequencies were normalized as feature vectors. A back-propagation neural network, a support vector machine (SVM), and a genetic algorithm-based SVM (GA-SVM) worked as classifiers to distinguish muscle states. The results showed that muscle fatigue and MVC could be identified by level-4 wavelet packet transform and GA-SVM more accurately than when using other approaches. The classification correct rate reached 97.3% with sevenfold cross-validation. The proposed method can be used to adequately reflect the muscle activity. Ціллю нашого дослідження була розробка прийомів розпізнавання результатів електроміографічних відведень за допомогою поверхневих електродів (пЕМГ) в умовах розвитку максимального довільного скорочення та станів втоми; використовували пакетне вейвлет-перетворення та аналіз енергії. Сигнали пЕМГ піддавалися декомпозиції із застосуванням пакетного вейвлет-перетворення, і відповідні оцінки енергії певних частот нормувались як вектор ознак. Нейронна мережа із зворотним проведенням, машина опорних векторів (SVM) та SVM, базована на генетичному алгоритмі (GA-SVM), працювали як класифікатори, що розпізнавали стани м’язів. Отримані результати показали, що стани м’язової втоми та максимального довільного скорочення можуть бути ідентифіковані за допомогою пакетного вейвлет-перетворення 4-го рівня точніше, ніж у разі застосування інших підходів. Рівень коректності класифікації при семиразовій кросвалідизації сягав 97.3 %. Запропонований метод може бути використаний для адекватного відображення м’язової активності. |
|
| Date |
2019-02-16T17:53:57Z
2019-02-16T17:53:57Z 2013 |
|
| Type |
Article
|
|
| Identifier |
Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine / Y. Rong, D. Hao, X. Han, Y. Zhang, J. Zhang, Y. Zeng // Нейрофизиология. — 2013. — Т. 45, № 1. — С. 44-54. — Бібліогр.: 30 назв. — англ.
0028-2561 http://dspace.nbuv.gov.ua/handle/123456789/148026 612.743 |
|
| Language |
en
|
|
| Relation |
Нейрофизиология
|
|
| Publisher |
Інститут фізіології ім. О.О. Богомольця НАН України
|
|