计算智能和神经科学
研究文章

向一体化领域Knowledge-Guided特性的工程和深特征学习表面Electromyography-Based手运动识别

表2

平均手运动识别精度相比,NinaProDB1-NinaProDB5艺术的状态。
数据集 机器学习(ML)模型 毫升模型的类型 毫升模型的输入 Num.运动的分类 窗口长度
50毫秒 100毫秒 150毫秒 200毫秒
NinaProDB1 随机森林(20.] 肤浅的学习 Incell 5工程特性 50 附加说明 附加说明 附加说明 75.3%
GengNet [12] 美国有线电视新闻网 原始的表 52 附加说明 附加说明 附加说明 77.8%
AtzoriNet [11] 美国有线电视新闻网 原始的表 50 附加说明 附加说明 66.6%±6.4% 附加说明
WeiNet [13] 美国有线电视新闻网 原始的表 52 81.7% 83.4% 84.4% 85.0%
HuNet [10] CNN-RNN Phinyomark特性集 52 附加说明 附加说明 86.8% 87.0%
MV-CNN [14] 美国有线电视新闻网 3特性集 52 85.8% 86.8% 87.4% 88.2%
进化CNN (22] 美国有线电视新闻网 原始的表 52 附加说明 附加说明 附加说明 81.4%
ChengNet [16] 美国有线电视新闻网 Multi-sEMG特征图像 52 附加说明 附加说明 附加说明 82.5%
PFNet 美国有线电视新闻网 原始的表+DWPTC 52 85.1±4.6% 86.1±4.4% 87.0±4.3% 87.8±4.2%
NinaProDB2 随机森林(20.] 肤浅的学习 5工程特性 50 附加说明 附加说明 附加说明 75.3%
AtzoriNet [11] 美国有线电视新闻网 原始的表 50 附加说明 附加说明 60.3±7.7% 附加说明
ZhaiNet [37] 美国有线电视新闻网 摘要谱图 50 附加说明 附加说明 附加说明 78.7%
HuNet [10] CNN-RNN Phinyomark特性集 50 附加说明 附加说明 附加说明 82.2%
MV-CNN [14] 美国有线电视新闻网 3特性集 50 80.6% 81.1% 82.7% 83.7%
进化CNN (22] 美国有线电视新闻网 原始的表 50 附加说明 71.0% 附加说明 71.6%
PFNet 美国有线电视新闻网 原始的表+DWPTC 50 82.4±5.6% 83.4±5.5% 84.4±5.6% 85.4±5.1%
NinaProDB3 支持向量机(20.] 肤浅的学习 5手工制作的特性 50 附加说明 附加说明 附加说明 46.3%
MV-CNN [14] 美国有线电视新闻网 3特性集 50 附加说明 附加说明 附加说明 64.3%
PFNet 美国有线电视新闻网 原始的表+DWPTC 50 64.8±8.9% 66.3±9.0% 67.3±8.9% 68.3±9.2%
NinaProDB4 随机森林(21] 肤浅的学习 mDWT特性 53 附加说明 附加说明 附加说明 69.1%
MV-CNN [14] 美国有线电视新闻网 3特性集 53 附加说明 附加说明 附加说明 54.3%
PFNet 美国有线电视新闻网 原始的表+DWPTC 53 60.0±8.2% 65.8±7.7% 69.1±7.5% 71.7±7.4%
NinaProDB5 支持向量机(21] 肤浅的学习 mDWT特性 41 附加说明 附加说明 附加说明 69.0%
ShenNet [18] Stacking-based CNN FD TD, TFD特征图像 40 附加说明 附加说明 附加说明 72.1%
MV-CNN [14] 美国有线电视新闻网 3特性集 41 附加说明 附加说明 附加说明 90.0%
PFNet 美国有线电视新闻网 原始的表+DWPTC 41 89.1±3.6% 89.6±3.4% 90.2±3.3% 90.3±3.2%
附加说明表示不适用,大胆的条目显示我们提出的方法。