PDF
研究文章|开放获取
m·a·Aceves-Fernandez j . m . Ramos-Arreguin e . Gorrostieta-Hurtado j . c . Pedraza-Ortega, ”EMG手运动的方法建议分类基于交叉复发的情节”,计算和数学方法在医学, 卷。2019年, 文章的ID6408941, 15 页面, 2019年。 https://doi.org/10.1155/2019/6408941
EMG手运动的方法建议分类基于交叉复发的情节
m·a·Aceves-Fernandez
,1
j . m . Ramos-Arreguin,1
大肠Gorrostieta-Hurtado,1
和
j . c . Pedraza-Ortega1
1地方大学工学院,塞罗迪拉斯坎帕纳斯S / N,地方76010年,墨西哥
文摘
处理肌电图(EMG)信号通常是不简单。这些信号的本质是不稳定的,吵闹的,高维度。这些肌电图特征可预测性更具挑战性。交叉复发情节(crp)已经证明在许多作品的能力检测信号非常微妙的模式经常埋在一个嘈杂的环境。在这个贡献,五十对象执行十不同的手部运动每只手的帮助下电极放置在每个手臂。此外,每个主题的非线性特性的信号使用交叉复发(CRQA)进行量化分析。同时,提出了一种新颖的方法使用CRQA作为主流技术检测和分类的每个运动提出了研究。提出了额外的工具来确定到何种程度提出方法能够避免错误的分类,从而证明这种方法是可行的分类面肌电图(表)信号具有良好的准确性、敏感性和特异性。最后,结果相比,传统的机器学习方法,并使用该方法的优点上面这种方法突出显示。
1。介绍
肌电图(EMG)已经调查了许多年。这些时间序列信号的非线性特性研究的焦点,许多作品的动机,许多作者开发了许多技术来处理这种信号的非线性性质1,2]。有许多障碍在处理EMG信号。其中一些如下:(我)线性方法处理EMG信号时往往不够准确(2)存在的概率是一个很好的一个信号(例如,当一个运动是由一个人),但许多现有方法有问题定位信号本身(3)噪声信号中嵌入可能极大地增加运动分类的复杂性(iv)此外,噪声埋在信号通常使得分类困难(v)大多数机器学习方法要求的现有模型信号的行为存在,训练方法必须经常被定义
应对这些问题,提出了一种新颖的方法减少使用特性,特征选择,小波去噪,复发和交叉分析在目前的工作。
就像之前提到的,有许多困难在处理时间序列分析,在线性方法不一定足以分析某种类型的数据。
克服这些困难和高度非线性、非平稳的数据系列,复发的情节(RP)的方法引入了(3,4]。额外的定量分析复发的情节用于探测转换在复杂系统(5,6]。
rp的图形表示的时间在这两个州的系统相互接近;这是,它们存在于相同的相空间社区。这些图形表示高维系统的动力学研究[7]。此外,新方法称为交叉复发情节(CRP)最近成为流行。这已经被证明有用的嘈杂,非平稳的数据,使这个工具有利在处理EMG信号。由于信息从CRP是嵌入在数据的可视化表示,交叉递归定量分析(CRQA)了。CRQA,复发的数量和持续时间的非线性、动态系统可以通过检查提出的相轨迹和量化它(8]。
2。背景
2.1。肌电图信号
肌肉肌电图(EMG)检测到信号,通常是发现通过电极对中提取信息的目的(1]。肌电图可侵入性和非侵入性。一般来说,一种非侵入性技术显示了一个更大的噪声嵌入到肌肉的信号。然而,在这项研究中一个非侵入性技术表表面(EMG)被用来获取信号,使分类任务更具挑战性但代表没有不适所有受试者在这项研究。一个例子的肌肉和定位电极配对表如图1。
原始信号的运动获得使用在本研究提出的方法可以看到图2。
2.2。肌电图的分类
许多研究旨在EMG信号使用不同的技术和方法进行分类。例如,Sezgin [9)已经成功地分类睡眠呼吸暂停综合症使用小波和极端的学习机器,同时Jali et al。10)手臂弯曲的EMG信号使用自组织特征映射(SOM)。此外,Harazika et al。11)提出了一个混合的方法使用一个典型相关分析(CCA)和一个名为资讯的分类方法。此外,翟et al。12]显示分类的可行性EMG信号使用光谱图和主成分分析。Gokgoz和Subasi13)使用了树算法和离散小波变换对EMG信号进行分类。最后,Khushaba et al。14)试过几个EMG肌肉收缩的模式识别算法。
2.3。小波去噪
有很多作品中,小波被用来消除噪声工件嵌入在一个信号(15,16]。例如,El-Dahshan [17)提出了一种混合方法使用遗传算法和小波变换去除噪声的心电图(ECG)信号,同时高et al。18)和马蒙et al。19)显示了使用小波降噪的可行性的脑电图(EEG)信号。同时,Ergen [20.)已经成功地使用在各种类型的信号小波去噪和图像。此外,森et al。21)和Litak et al。22)表明,它是可行的使用小波等非线性系统的转移在铣削切削过程。最后,侯赛因et al。23)是能够使用小波分析和一个EMG信号来确定肌肉收缩。
由于这些原因,选择小波去噪去除不必要的噪音高度非线性、多通道信号小波提供了可能性,研究频率和时间信号同时地图。同时,小波去噪是许多作者发现效率(15- - - - - -19,23]表明,小波保护信号的主要特征,同时减少噪音。
一家小波的性质取决于母小波的特性。小波分解目标信号在各个部分符合被称为“波函数”的基本功能19]。小波函数的选择的影响和分解层次的选择和参数的成功很大程度上取决于过滤由El-Dahshan(如图所示17]。
小波变换(WT)给出了分解x(t)在不同的尺度上,倾向于适合的尺度小波时间地点最好的类似x(t)[20.]。这个过程可以逆转,从而给重建x(t)。根据许多作者(19,20.,23),这是更方便定义WT只在离散尺度一个和离散时间b通过选择下面的参数:{aj= 2−j;bj,k= 2−jk},j和k都是整数。
WT被定义为信号之间的卷积x(t)和小波函数ψ一个,b(t)(方程): 在哪里ψ一个,b(t移位的版本的小波函数ψ(t)。
2.4。交叉复发情节
递归图和交叉复发情节已经在文献中广泛使用各种应用程序。例如,演示和查尔(24)已经确定运动音乐表演使用递归式的情节。此外,Popescu et al。25)电动指纹特征对于使用rp的家用电器,而Litak et al。26,27数来描述振动)用于铣削过程和环保联合会(7)发现趋势的空气可吸入颗粒物(PM10)在很长一段时间。此外,一些作品,如由阿多的et al。28]和巴斯托斯和Caiado [29日)表明,金融应用程序也使用成功rp检测例如股票市场的可预测性和依赖关系的措施。
CRP, Villamor和罗德里戈30.)使用了交叉复发量化分析(CRQA)分辨新手和专家程序员通过追踪眼球运动,而伊莱亚斯和Narayanan Namboothiri [8)已经实现了一个基于CRP在机械振动信号分析方法。其他作品如那些由Aboofazeli和穆萨维(31日]和Rashvandi Nasrabadi [32)已经能够区分不同使用RQA呼吸音。此外,Ngamga et al。33)已经能够识别癫痫患者癫痫,而其他作者,如Goshvarpour和Goshvarpour34)和Mazaheri et al。35)准确CRQA用于生物医学应用。
最后,Nalband et al。36RQA)用来描述膝关节疾病,而席尔瓦et al。37]RQA分类EMG信号用于低背疼痛应用于高尔夫波动。最后,作者承认,在相关工作方面,欧阳et al。38,39)特征的手掌握使用递归式的情节,尽管这样的作者不使用关节空间在交叉复发的情节,也不是正式的使用数据预处理方法。没有其他相关工作已经发现,解决布局问题本文的引言部分。因为RP和c反应蛋白的优势容易解释结果,如本节所示,它们被广泛地用于检测信号中的特征包括脑电图和肌电图信号,和交叉recurrence-based动态量化表的信号似乎是一个有前途的选择。
交叉复发情节(CRP)是一种二维图代表出现在两个不同的m维相空间的动态系统。交叉反复矩阵被定义为Marwan和Kurths40] 在哪里和代表一个m维空间中的轨迹,是亥维赛函数,是欧几里得范数。
因为CR我,我= 1 (我= 1,…,N)根据定义,RP的黑色主对角线称为线标识(定律),这发生在相空间的轨迹访问同一地区在不同时期,其长度取决于最大李雅普诺夫指数。不同的模式可以根据信号的特征。在图3显示的图形表示不同的信号。例如,图3(一个)显示了一个随机信号,而图3 (b)显示了一个正弦波。有趣的是,数据3 (c)和3 (d)显示一个随机选择的运动、主题和本实验中使用的手部分将详细解释3.1。
(一)
(b)
(c)
(d)
有一些参数,称为嵌入参数,必须首先计算据几位作者,即。,(40- - - - - -43]。这些参数是时间延迟,嵌入维度,规范,和复发阈值。延时嵌入的主要目标是发展相空间轨迹在一个足够大的空间,自噪声可能增加随着维度的增加是由于非线性的信号。在这个贡献,延时使用平均互信息设置为1 (AMI)。有一个适当的延时设置允许精确重建原始信号的相空间,因为高时滞混沌吸引子将折叠,从而使一个不正确的相空间重建。
同时,嵌入维数计算使用模糊神经网络算法(假最近的邻居)如图所示在邹et al。44),在这种情况下计算米= 6。根据塔肯斯定理[45),如果嵌入维度米明显高于系统的维数,可以重建原来的相空间拓扑。此外,规范被选为欧几里得自证明它给了最准确的结果42,44]。
最后,复发阈值ε必须权衡之间有尽可能小,也和一些作者足够大,即。,(7,46]表明复发阈值必须一样大五倍的标准差观测噪声,例如,ε> 5σ。在之前的贡献(76),这是使用一个阈值自噪声未知。然而,由于本文的主要贡献之一是消除嘈杂的工件可能会影响信号的探测,阈值被设定一个相对较小的数字,例如,ε= 2。
一旦交叉的调优参数递归图已定义,必须计算递归结构的量化。这个量化已经提到的几位作者4,29日,33,47,48),通常被称为交叉(CRQA)递归定量分析。这些措施被认为是在这个贡献是复发率,决定论,熵,层流性,捕获时间和趋势。
2.4.1。复发率
复发率是复发的措施,或在RP复发点密度。这个速度使复发的平均概率系统(47]。给出的复发率
2.4.2。决定论
决定论(检波器)对应于系统的局部可预测性。这个测量范围从0到1,数字0附近显示随机性和那些接近1显示一个强烈的信号分量的存在[3,4]。系统计算的决定论
2.4.3。熵
这个措施是指频率分布的香农熵的对角线的长度(49]。
一个系统是由熵
2.4.4。层流性
层流性(LAM)可以定义为长度的频率分布,形成竖线(6]。层流性也是混乱的转换和有关的证据的数量层流系统中的阶段,即。系统的间歇性。
2.4.5。捕获时间
捕获时间显示的平均长度的垂直线条和方程 在哪里垂直的线的长度,是被认为是一条线段的长度最短,然后呢是相应长度的分布。TT系统显示的时间被困在同一个州(50]。
2.4.6。趋势
的趋势是一个线性回归系数的递归点密度对角线平行的身份(法)。这一趋势给出的测量
3所示。材料和方法
3.1。表测试
共有50个主题,没有肌肉疾病或痛苦的历史选择。主题的选择是选择不同的信号使用配置文件,表明提出的方法是可行的,不管在实验中使用的手。使这个问题更复杂的分类。
在这种背景下,21个受试者女性和29岁男性,年龄在18 - 60之间在桌子上1。所有受试者知情同意了参加实验的程序。此外,这项研究是基于伦理性考量了条约的人类生物医学研究国际伦理指南(世界卫生组织,&国际医学科学组织委员会,2016年)由国际医学科学组织理事会(帮助)与世界卫生组织(世卫组织)合作。
|
||||||||||||||||||||||||
与运动相关的肌肉是肱三头肌brachii,肘肌,肱桡肌、旋前肌圆柱状的。为每个肌肉有两个传感器,配对,相隔2厘米(约0.78英寸)。
的动作列表是为收购实验提出了研究如下(以实际的执行顺序):(1)初始位置(静止位置):在这个位置,这个主题使肘部平行于地面,用他/她的手指,没有给他们太多的力量。从这个姿势会活动的每一个其他的九个动作(图4(一))。(2)内转:从初始位置靠近身体的手臂用手掌垂直于地面,旋转是手掌面临向下。在这之后,手回到初始位置(图4 (b))。(3)旋后:从初始位置的手臂,旋转是这样做,手掌向上的脸。这个事件后,返回到初始位置(图4 (c))。(4)手腕扩展:从初始位置的手臂,手腕运动的手掌的手远离身体,避免移动整个手臂。这个事件后,返回到初始位置(图4 (d))。(5)手腕弯曲:从初始位置的手臂,手腕运动,对身体的手掌向内移动。这个事件后,返回到初始位置(图4 (e))。(6)肘的手腕偏差:从初始位置的手臂,不动手肘从90°角和手臂,手腕向下斜向地板避免强迫手腕一个尴尬的位置。这个事件后,返回到初始位置(图4 (f))。(7)径向手腕偏差:从初始位置的手臂,不动手肘从90°角和手臂,手腕向上倾斜远离地板避免强迫手腕一个尴尬的位置。这个事件后,返回到初始位置(图4 (g))。(8)手选:从手臂在初始位置,食指和拇指的尖端必须过来,直到他们轻轻地触摸彼此。这个事件后,返回到初始位置(图4 (h))。(9)手关闭:从手臂在初始位置,不动手肘和手臂从最初的90°角,主题必须关闭他/她的手温柔地掌握运动不过度使用武力。这个事件后,返回到初始位置(图4(我))。(10)手打开(手指扩展):从手臂在初始位置,不动手肘和手臂从最初的90°角,轻轻地主题是要求延长他/她的手指这之间有一个分离的每个手指不过度使用武力这手指扩展运动(图4 (j))。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
(j)
重要的是要注意,在动作,不需要额外的力量和经验不是被迫在90°角从别人的手指。这是建议科目是因为什么是分类的实验的目的是休闲和“自然”的动作。在解释道,每个主题包括五个事件的每一个动作均匀分布在16秒的时间。
3.2。提出的方法
该方法包括以下步骤:(一)采集的信号(电极)为每个运动。实验必须在相同的顺序执行的动作。(1)初始位置在中性(手腕),(2)内翻,(3)旋后,(4)手腕扩展,(5)手腕弯曲,(6)肘的手腕偏差,(7)径向手腕偏差,(8)手拿,(9)关闭,(10)手打开。每个运动的事件的数量和每只手总是在均匀分布五16秒的时间。一段视频显示,这表明当启动每个动作的程序。(b)这个话题又必须执行所有十个动作用他/她的左手。(c)步骤(a)和(b),事件的数量必须等于5,必须由一个专家监督理疗师。(d)因为有8电极对于每一个事件,每一个动作,每一个手,和每一个主题,必须选择相应的电极使用互信息方程。(e)以防信号的集合为一个特定的运动不可读或主题没有执行正确的运动,必须重复本节实验,以确保可重复性的运动在所有科目。(f)如果每个运动的事件注册,嵌入噪声必须被删除。在这个贡献,使用小波去噪。(g)过滤后的信号必须规范化。可以计算交叉复发量化参数信号振幅不同,只要所有的信号属于同一系统[51]。然而,在这个案例研究中,每个信号归一化的长度为简单起见,确保可重复性。(h)一旦信号选择、过滤、规范化,必须计算递归参数。,以确保一致性、等参数规范,时间延迟,和嵌入维度计算如下:维度米使用固定的最近邻居法= 6,延迟使用平均互信息和欧几里得范数= 1。(我)信号处理使用c反应蛋白工具如复发率、决定论,熵,层流性,捕获时间,趋势必须计算出相关的信号为每个运动和科目每只手,除非指定一个测试被丢弃在步骤(c)。(j)一旦CRQ特性测定,结果必须进行的解释。
本节中所述的方法可能是图形如图5。
见本研究的文献综述,许多作者使用了一个方法来分解或提取必要的特性分类前EMG信号。在这部作品中,原始信号过滤(如在图所示5)是使用小波去噪。一个原始信号及其相应的过滤信号利用小波去噪(symlet 8优于其他母亲wavelts贡献)显示在图6。
此外,特征选择和还原法,以减少渠道的复杂性和数量,最后交叉复发情节(crp)分类的动作,这可能是一个具有挑战性的任务,考虑到每只手的每个动作每个主题由8通道,出现在图7。
4所示。实验结果
正如前面所解释的那样,这种高维度的解释,非线性面肌电信号的信号往往是不容易解释。结果提出了贡献分离根据六个显著特征交叉复发量化分析部分中解释2.4。威布尔分布是用于显示关于每个动作每个特性的趋势(图8)。
(一)
(b)
(c)
(d)
(e)
(f)
图8(一个)显示了所有测试的复发率为每个运动。在这个图中,可以看到,有一些关于复发率为每个运动趋势。例如,手腕大大扩展显示除了其他运动,而运动,如径向偏差和手选重叠在这个图所示。其他运动,比如手腕弯曲和手打开,等等,是定义良好的复发率。另外,图8 (b)显示了所有的测试显示每个动作的决定论。在这个图中,决定论表明每个运动是有区别的。这是专门为扩展和手腕弯曲手腕。同样,显示了一个明确的手腕扩展分布熵,手腕弯曲,手拿(图8 (c))。对图8 (d)层流性显示,一个清晰的关于手腕扩展分布,手腕弯曲,手拿,和手打开,而图8 (e)也显示了关于手腕扩展特征分布,前臂的手腕偏差,手腕和径向偏差。最后,趋势显示特征和手腕弯曲手腕延伸的趋势。
确定到何种程度提出的方法可以用来分类的运动,敏感性(SE),特异性(SP)和准确性(AC)计算每个CRQA度规,这是广泛用于检测和分类指标。这样做是为了避免误解的结果,因为必须考虑测量misdetection的运动。的misdetection是假阳性(FP)和假阴性(FN),而正确地检测到信号测量的真阳性(TP)和真阴性(TN)。SE、SP和交流
在这项研究中,质量指标如灵敏度、特异性和准确性分离实验由每个主题每只手如表所示2- - - - - -7。在这些表中,每一个为每个CRQA质量指标进行测量和每个动作。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表2显示了敏感性、特异性和准确性每个表面的复发率EMG运动中执行这个实验。在这个表中,显示每个实验的敏感性和特异性都相当可靠的弯曲实验达到0.9786,0.9426的扩展,0.9364,手掌向下,而最低达到手选择的敏感性为0.7749,特异性为0.742。这似乎表明,大多数运动都不是容易误判的假阴性或假阳性。在准确性方面,值得注意的是,最高的精度也高,弯曲对扩展达到0.9433和0.9372,达到右手0.9688和0.9433,分别,这似乎表明较高的分类精度。同样,值得注意的是大多数指标显示高质量指标对所有运动用右手。这必须进一步调查,但这似乎表明,因为大多数人是右撇子进行了实验,他们倾向于执行实验更巧妙地用右手,因此结果的差异。
表3显示了敏感性、特异性和准确性的决定论为每个运动中执行这个实验。在这个表中,也表明,右手比左手稍微更好的结果。在这个表,显示超过前臂的手腕偏差显示最低的敏感性和特异性,这可能被这个运动的敏感性补偿使用复发率CRQA度规,这似乎表明的所有特性的组合可能会导致一个更好的率。同时,八个动作显示高于0.9敏感性和特异性决定论这似乎表明这个特性避免假阳性和假阴性和一致的结果。决定论的准确性对于大多数指标也很高。
表4显示了敏感性、特异性和准确性的熵为每个运动中执行这个实验。在这张桌子,敏感性、特异性和准确性的扩展,弯曲,手拿很高。同时,精度对于大多数运动显示一致性这似乎表明真阳性和真正的阴性的检测也是常数。此外,这些结果似乎表明,系统的熵,这是相当准确地检测到混乱的过渡,通过使用这种方法。
表5显示了敏感性、特异性和准确性的层流性运动在这个实验中执行。在这个表显示,大部分的层流阶段面肌运动也发现中等精度。在准确性方面,它也表明,层流性提供一个健壮的窗口检测TP、TN最高精度0.929右手打开,右手弯曲0.9253,0.911的扩展。手收的最低精度为0.8388,这并不是一个贫穷的价值。
表6显示了敏感性、特异性和准确性为每个面肌运动捕获时间。表中显示,大多数运动显示与其他CRQA特性的一致性。同时,值得注意的是捕获时间,扩展和弯曲显示精度高。这个手关闭的异常的敏感性为0.7938,特异性为0.7821,和0.7964的准确性。这个表格还显示,大多数右手动作显示略高,SP,比其相应的左手运动和交流,这也是与其他CRQA指标的结果相当一致。
最后,表7质量度量,SP和AC CRQA每个面肌运动趋势。在这个表,它还值得注意的是这个特性,结果大大常数。视图的SE, SP和AC相当恒定CRQA所有功能,数字9- - - - - -11显示敏感性、特异性和准确性为每个运动,分别。
在图9显示的灵敏度指标应用于每个CRQA特性为每个运动。为每个运动有一个框,显示的箱线图上的传奇。每个盒子都有行下四分位数,平均每个盒子(红线),和上四分位数的值。所谓的胡须由一条线从每个每个框显示的其余部分的分布数据。在这个图中,没有异常值(通常由红星)可见。
在图9显示,大多数运动可以精确检测和假阴性的数量相当低。所有运动的中位数是0.8392初始位置,08931年内翻,旋后0.8516,0.9468的扩展,0.9609为弯曲,前臂的手腕偏差0.8665,0.8607径向手腕偏差,0.9157手采摘,0.8482手关闭,最后,0.8997手打开,这似乎表明,使用这种方法检测高,和均值和百分位数相对稳定和较低的传播上百分比显示,该方法是一致的和鲁棒性。扩展和屈曲运动显示略高灵敏度比其他的运动;这就需要进一步调查的原因。然而,这可能是因为这些运动更容易减少假阴性和误测。图9还显示一个绿色的水平线代表敏感报道其他方法(36]。
图10显示了特异性为每个运动应用到每个CRQA特性。在这种情况下,特异性显示的程度有一个misdetection的运动,也就是说,运动是不同的方面的一个调查(假阴性)。在这个图中,中间似乎也相当稳定,这似乎表明高能力的方法来检测假阳性(灵敏度)以及假阴性(特异性,图10)。唯一的例外,这似乎是手拿运动显示了一个更大的百分位数的传播。然而,显示了这一运动中值高(0.8714)。中位数的特异性运动如图10为初始位置如下:0.8193,0.8546内转,旋后0.8337,0.9091的扩展(也为特异性最高),0.8852为弯曲,前臂的手腕偏差0.8544,0.8504径向手腕扩展,0.8714手拿如前所述,0.8286手关闭,0.8597手打开。图10也显示了使用不同的机器学习方法特异性获得报道其他作者(例如,36])。
值得注意的是对特异性和敏感性,最高的值是弯曲和扩展。肌肉与运动都是相同的;然而,运动完成后在一个相反的方向,这表明,提出的方法可以发现相变引起的轨迹与高精度的信号。
图11显示了每个动作每个CRQA特性的准确性。这个指标的平均每个动作如下:0.8668为初始位置,0.8688内转,旋后0.8581,0.9202的扩展,0.9196为弯曲,前臂的手腕偏差0.8559,0.8553径向手腕偏差,0.8719手采摘,0.8441手关闭,0.8917手打开。
在这个图也是值得注意的,最高的精度是由弯曲和扩展运动,这似乎表明鲁棒性检测和避免misdetection这些动作。手选运动的同时,显示一个大传播在敏感性和特异性的百分位数与精度不一样大。这似乎表明,对于大多数的动作,真阳性的检测和真正的底片要高得多,导致更高的精度值。图11还显示平均精度(绿色水平线)据其他作者(36]。
比较的结果表2- - - - - -7和数字9- - - - - -11不是一件容易的事。这是特别,因为没有很多方法提出了利用实验装置的运动和作者在本研究。然而,研究等提出的一个Nalband et al。36]膝关节紊乱可能是一个好迹象是否这种方法可能是健壮的和一致的。在这样的研究中,提出了机器学习技术,如随机森林,和结果显示敏感性,特异性和准确性。
特异性,Nalband et al。36]显示结果的0.7568、0.7838和0.8684。这表明,该方法在本研究中能够检测错误率较高。然而,涉及的肌肉和实验设置是相当不同的。的准确性,Nalband et al。36]显示结果为0.8652,0.8977和0.9101,这是相当合理的结果相比,在这项研究中提出的结果。最后,相同的作者(2016)显示灵敏度为0.9423,0.9615和0.9411,高于敏感性提出了研究。然而,正如之前提到的,这并不意味着该方法是不正确的或准确,因为有很多原因为什么灵敏度略低。未来的工作可能会导致更多的实验来确定敏感率可以提高。
5。结论和未来的工作
表明,提出的方法是可行的检测运动使用提出的方法在目前的工作,与在其他方法的改进。同时,发现左手显示略低敏感性,特异性和准确性。虽然不是非常大的区别,这可能需要进一步调查。CRQA被证明是可靠和健壮的工具来确定信号面肌即使运动休闲,因为它的目的是在这个贡献。一些CRQA特性证明给比别人更好的结果,因此必须选择合适的工具,以提高精度。
扩展和弯曲等运动灵敏度高,特异性和准确性对于大多数CRQA特性,,和鲁棒性是一致的作者试图与拟议中的实现方法。也,因为扩展和弯曲的动作,表现出一种相反的轨迹,作者可能会得出这样的结论:CRQA特性能够检测过渡,动力学,和运动的轨迹,埋在信号本身。同样,手腕和前臂的径向偏差,而精度低与扩展和弯曲相比,大多数运动显示正确的信号检测精度高和避免可能发生当一个misdetection。
此外,值得注意的是大多数机器学习方法依赖于先前存在的有效性模型来描述数据的行为。在拟议的方法,事先不需要学习者或模型和分类进行数据的实时没有训练。
最后,这项工作表明,提出的方法可以避免假阳性和假阴性的分类具有良好的准确性,这也是目前工作的贡献。
对于未来的工作,它可能是一个不错的方向,包括更多的实验来确定敏感率可以提高的原因左手显示检测质量量度略低。
数据可用性
数据存储在Mendeley数据库。数据库可以在下载Mendeley数据库:https://data.mendeley.com/datasets/p77jn92bzg/1。
的利益冲突
作者宣称没有利益冲突目前的出版。
确认
作者要感谢墨西哥政府通过财政支持的国家科学技术委员会(CONACYT)资助。
引用
- m . Rojas-Martinez m . a .明天和j·f·阿隆索,“高密度表面EMG地图从上臂和前臂的肌肉,“神经工程学和康复杂志》上,9卷,不。1,p。85年,2012。视图:出版商的网站|谷歌学术搜索
- d·科斯塔和c·杜瓦迪”,许多用户和环境中,从一个”20国际会议的程序智能用户Interfaces-IUI”152015年3月,亚特兰大,乔治亚州,美国。视图:出版商的网站|谷歌学术搜索
- 3 t . k . s . c·查普曼,r . o . Dendy“递归图统计和嵌入的影响。”自然史D:非线性现象,卷200,不。1 - 2、171 - 184年,2005页。视图:出版商的网站|谷歌学术搜索
- n . Marwan s Schinkel, j . Kurths”复发情节25年后获得信心,动力转换,“EPL (Europhysics字母),卷101,不。2,p。20007年,2013年。视图:出版商的网站|谷歌学术搜索
- f . Palmieri和美国百花大教堂”,非线性,recurrence-based流量分类方法,”计算机网络,53卷,不。6,761 - 773年,2009页。视图:出版商的网站|谷歌学术搜索
- n . Marwan m·c·罗马诺·m·希尔和j . Kurths“递归图的分析复杂的系统。”物理的报告,卷438,不。5 - 6,237 - 329年,2007页。视图:出版商的网站|谷歌学术搜索
- m·a·Aceves-Fernandez j . c . Pedraza-Ortega a . Sotomayor-Olmedo j . m . Ramos-Arreguin j . e . Vargas-Soto和美国Tovar-Arriaga分析使用递归式量化关键特性的非线性行为。案例研究:城市空气污染在墨西哥城,”环境建模与评估,19卷,不。2、139 - 152年,2014页。视图:出版商的网站|谷歌学术搜索
- j·伊莱亚斯和v . n . Narayanan Namboothiri”Cross-recurrence情节量化分析输入和输出信号的检测将喋喋不休的“非线性动力学,卷76,不。1,第261 - 255页,2014。视图:出版商的网站|谷歌学术搜索
- n Sezgin,“EMG分类在阻塞性睡眠呼吸暂停综合症和周期性肢动综合症患者通过使用小波包变换和极端的学习机器,”土耳其的电气工程和计算机科学杂志》上,23卷,不。3、873 - 884年,2015页。视图:出版商的网站|谷歌学术搜索
- m·h·Jali z h . Bohari m . f . Sulaima m·n·m·纳西尔和h . i Jaafar”EMG信号分类基于人类使用SOM百分位,”研究应用科学学报,工程和技术,8卷,不。2、235 - 242年,2014页。视图:出版商的网站|谷歌学术搜索
- a .哈札里卡·l·杜塔,m . Barthakur和m . Bhuyan”融合分类的投影特性,肌电图模式,”《2016年国际会议上可访问性数字世界(ICADW)IEEE,页69 - 74年,印度,2016年12月,古瓦哈蒂。视图:谷歌学术搜索
- x翟,b . Jelfs r·h·陈,c .锡”短延迟手运动分类基于表面肌电图与PCA声谱图,”学报2016年IEEE第38届国际会议,生物医学工程学会(EMBC)IEEE,页327 - 330年,2016年8月美国佛罗里达州奥兰多市。视图:谷歌学术搜索
- 大肠Gokgoz和a . Subasi”比较的EMG信号分类决策树算法利用DWT,”生物医学信号处理和控制18卷,第144 - 138页,2015年。视图:出版商的网站|谷歌学术搜索
- r . n . Khushaba a . Al-Timemy s Kodagoda和k . Nazarpour”组合的影响前臂肌电图模式识别方向和肌肉收缩,“专家系统与应用程序卷,61年,第161 - 154页,2016年。视图:出版商的网站|谷歌学术搜索
- r .问:Quiroga和h·加西亚,“实验与事件相关电位与小波去噪,”临床神经生理学,卷114,不。2、376 - 390年,2003页。视图:出版商的网站|谷歌学术搜索
- m . s . Chavan m . m . n . Chavan和m . s . Gaikwad”研究实现小波去噪语音信号,”国际期刊的计算机应用程序,3卷,不。2、2010。视图:出版商的网站|谷歌学术搜索
- E.-S。a . El-Dahshan”、遗传算法和小波混合方案ECG信号去噪,”电信系统,46卷,不。3、209 - 215年,2011页。视图:出版商的网站|谷歌学术搜索
- j .高h .苏丹,j·胡和w·w·东“非线性时间序列自适应滤波和小波阈值收缩去噪:比较,”IEEE信号处理信件,17卷,不。3、237 - 240年,2010页。视图:出版商的网站|谷歌学术搜索
- m .马蒙,m . Al-Kadi和m . Marufuzzaman脑电图信号的小波去噪的有效性上,“应用研究和技术杂志》上,11卷,不。1,第160 - 156页,2013。视图:出版商的网站|谷歌学术搜索
- b . Ergen”信号,使用小波变换图像去噪,”小波理论的发展及其应用工程、物理和技术InTech,的哲理,伦敦,英国,2012年。视图:谷歌学术搜索
- a . k . Sen g . Litak, a . Syta“切削过程动态非线性时间序列和小波分析,“混乱:一个跨学科的非线性科学》杂志上,17卷,不。2、文章ID 023133, 2007。视图:出版商的网站|谷歌学术搜索
- g . Litak k Kecik, r . Rusinek“铬镍铁合金的铣削切削力反应:小波分析和简要地变换,“拉丁美洲的《固体和结构,10卷,不。1,第140 - 133页,2013。视图:出版商的网站|谷歌学术搜索
- m . s . Hussain m . b . i Reaz f . Mohd-Yasin和m . i Ibrahimy”肌电图信号分析使用小波变换和高阶统计量来确定肌肉收缩,“专家系统,26卷,不。1,35-48,2009页。视图:出版商的网站|谷歌学术搜索
- a . p .演示和r·查尔”,消除障碍的分析运动音乐表演:复发,混合模型,和代理人,”劳特利奇的同伴体现音乐互动劳特利奇,纽约,纽约,美国,2017年。视图:谷歌学术搜索
- f . Popescu f . Enache i c . Vizitiu和p . Ciotirnae”复发情节分析表征设备加载签名,”学报2014年10日国际会议通信(通信),页1 - 4,IEEE,布加勒斯特,罗马尼亚,2014年5月。视图:谷歌学术搜索
- g . Litak和r . Rusinek不锈钢切削过程的动态统计和递归分析,“Meccanica卷,47号6,1517 - 1526年,2012页。视图:出版商的网站|谷歌学术搜索
- g . Litak a Syta, r . Rusinek”动态变化复合铣:复发和多尺度熵分析,“国际先进制造技术杂志》上卷,56号5 - 8,445 - 453年,2011页。视图:出版商的网站|谷歌学术搜索
- 下午阿多,m .数十亿,d . Guegan“非线性动力学和复发情节检测金融危机,”北美经济和金融杂志》上26卷,第435 - 416页,2013年。视图:出版商的网站|谷歌学术搜索
- j·a·巴斯托斯和j . Caiado”全球股市的递归定量分析。”自然史答:统计力学及其应用,卷390,不。7,1315 - 1325年,2011页。视图:出版商的网站|谷歌学术搜索
- m . Villamor和m·m·t·罗德里戈”描述合作对项目跟踪和调试眼球追踪实验:初步分析”电火花加工的程序2017年6月,武汉,中国,。视图:谷歌学术搜索
- m . Aboofazeli z . k .穆萨维,“递归图的特性比较吞咽和呼吸的声音,“混乱,孤波和分形,37卷,不。2、454 - 464年,2008页。视图:出版商的网站|谷歌学术搜索
- z Rashvandi和a . m . Nasrabadi”分类hypnotisable团体基于正常脑电图信号使用递归定量分析和支持向量机,”《23日伊朗电气工程会议IEEE,德黑兰,伊朗,2015年5月。视图:谷歌学术搜索
- e . J . Ngamga s Bialonski:马文,J。,C. Kurths, and K. Lehnertz, “Evaluation of selected recurrence measures in discriminating pre-ictal and inter-ictal periods from epileptic EEG data,”物理信,卷380,不。16,1419 - 1425年,2016页。视图:出版商的网站|谷歌学术搜索
- a . Goshvarpour和a . Goshvarpour”复发块心率信号在冥想中,“国际期刊的图像、图形和信号处理,4卷,不。2,44-50,2012页。视图:出版商的网站|谷歌学术搜索
- m . Mazaheri h . Negahban m . Salavati m。,和M. Sanjari, “Reliability of recurrence quantification analysis measures of the center of pressure during standing in individuals with musculoskeletal disorders,”医学工程与物理,32卷,不。7,808 - 812年,2010页。视图:出版商的网站|谷歌学术搜索
- s . Nalband a . Sundar a . a .王子和a·阿加瓦尔”特征选择和分类方法的检测膝关节疾病,”计算机在生物医学方法和项目卷,127年,第104 - 94页,2016年。视图:出版商的网站|谷歌学术搜索
- l·席尔瓦j . r . Vaz m·a·卡斯特罗p . Serranho j . Cabri和p . Pezarat-Correia“递归定量分析和支持向量机对高尔夫的障碍和背痛EMG分类,“肌电图、运动机能学杂志》上,25卷,不。4、637 - 647年,2015页。视图:出版商的网站|谷歌学术搜索
- g .欧阳z Ju, h·刘,“表面EMG信号决定论手掌握,分析基于递归图”学报2012年IEEE国际代表大会上计算智能布里斯班,澳大利亚,2012年6月。视图:谷歌学术搜索
- 朱g .欧阳x、z榉和h . Liu”表面EMG信号的动态特性的掌握通过递归式的情节,“IEEE生物医学和卫生信息学杂志》上,18卷,不。1,第265 - 257页,2014。视图:出版商的网站|谷歌学术搜索
- n Marwan和j . Kurths“交叉复发情节和他们的应用程序”数学物理研究前沿新星生物医学,页101 - 139年,道,英国,2004年。视图:谷歌学术搜索
- j。s . o . Kamphorst Eckmann, d .窄小的街道,“递推块动力系统,”Europhysics字母(EPL),4卷,不。9日,第977 - 973页,1987年。视图:出版商的网站|谷歌学术搜索
- f·诗,人类。萨尔迪瓦尔,和j.p. Zbilut递归定量分析和状态空间发散重建对金融时间序列分析,“自然史答:统计力学及其应用卷,376年,第499 - 487页,2007年。视图:出版商的网站|谷歌学术搜索
- e·布拉德利和r .头纱,“复发情节和不稳定的周期轨道,”混乱:一个跨学科的非线性科学》杂志上,12卷,不。3、596 - 600年,2002页。视图:出版商的网站|谷歌学术搜索
- y邹,r·v·唐纳j . f .董n . Marwan和j . Kurths”识别复杂的周期性windows使用recurrence-based方法在连续时间动态系统,”混乱:一个跨学科的非线性科学》杂志上,20卷,不。4、2010。视图:出版商的网站|谷歌学术搜索
- j . p .兜帽斗篷嵌入非线性动力系统:指南塔肯斯的定理,2006,http://eprints.maths.manchester.ac.uk/id/eprint/175。
- b他,:g . Ambika:马文,j . Kurths”复发和连通性趋势股票指数之间的关系,“自然史答:统计力学及其应用,卷391,不。18日,第4376 - 4364页,2012年。视图:出版商的网站|谷歌学术搜索
- j .高和h Cai”结构和定量递归式的情节,“物理信,卷270,不。1 - 2、75 - 87年,2000页。视图:出版商的网站|谷歌学术搜索
- t . Aparicio e . f .博罗,d . 01”使用递归定量分析检测决定论:三个测试程序,”经济行为与组织杂志》上,卷65,不。3 - 4、768 - 787年,2008页。视图:出版商的网站|谷歌学术搜索
- r . m . Yulmetyev和f . m . Gafarov”动态随机过程信息熵的。”自然史答:统计力学及其应用,卷273,不。3 - 4、416 - 438年,1999页。视图:出版商的网站|谷歌学术搜索
- t . e . Karakasidis a . Liakopoulos a . Fragkou p .子宫颈,“温度波动的递归定量分析在水平圆激烈动荡的飞机,”国际期刊的分歧和混乱,19卷,不。8,2487 - 2498年,2009页。视图:出版商的网站|谷歌学术搜索
- j.p. Zbilut和c·l·韦伯Jr .)“递归定量分析:介绍和历史背景”,国际期刊的分歧和混乱,17卷,不。10日,3477 - 3481年,2007页。视图:出版商的网站|谷歌学术搜索
版权
版权©2019 m·a·Aceves-Fernandez et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
