论文研究 - 基于一通道表面肌电信号的手势识别

本文提出了一种使用OPENBCI收集两个手势数据并解码信号以区分手势的实验。 用受试者前臂上的三个电极提取信号，并在一个通道中传输。 利用巴特沃斯带通滤波器后，我们选择了一种新颖的方法来检测手势动作段。 代替使用基于能量计算的移动平均算法，我们开发了一种基于Hilbert变换的算法来找到动态阈值并识别动作段。 从每个活动部分提取了四个特征，生成了用于分类的特征向量。 在分类过程中，我们基于相对较少的样本对K最近邻（KNN）和支持向量机（SVM）进行了比较。 最常见的实验是基于大量数据来追求高度拟合的模型。 但是在某些情况下，我们无法获得足够的训练数据，因此必须探索在小样本数据下进行最佳分类的最佳方法。 尽管KNN以其简单性和实用性而闻名，但它是一种相对耗时的方法。 另一方面，由于支持向量机应用了不同的风险最小化原则，因此在时间要求和识别准确性方面具有更好的性能。 实验结果表明，SVM算法的平均识别率比KNN高1.25％，而SVM比KNN短2.031 s。