您当前的位置:
首页 > 文献资料
所属专业:
KNN模型增量学习算法文献资料
-
基于表面肌电信号的手腕动作模式识别
基于表面肌电信号的肢体动作模式识别是假手仿生控制的基础.为提高动作模式识别率,从肌电信号的产生机理出发,选取分别表征肌电信号形态特征——细节复杂度和整体自似性的近似熵指标和分维数指标,作为模式识别的特征向量;同时提出一种具有增量学习能力的K近邻(KNN)模型增量学习算法作为模式识别的分类器.在对10位受试者手腕的4个精细动作(腕伸、腕屈、腕内旋、腕外旋)的识别实验中,取得了92.5%以上的正确识别率.同时对增量学习能力对分类器动作模式识别率的影响做对比实验,当假肢使用者生理变化时,以KNN模型增量学习算法作为分类器比采用不具增量学习能力的KNN模型算法的识别率高4.5%.实验表明,该肌电信号动作模式的识别方法方案合理,具有应用价值.
关键词: 肌电信号 肌电假肢 KNN模型增量学习算法 近似熵 分维数