[论文解读] A Novel Feature Extraction for Robust EMG Pattern Recognition

Angkoon Phinyomark, Chusak Limsakul+1 more|ArXiv.org|Dec 20, 2009

Muscle activation and electromyography studies参考文献 21被引用 355

一句话总结

本文提出了一种新颖的特征提取方法——均值与中值频率（MMNF 和 MMDF），用于在噪声环境中实现鲁棒的表面肌电信号（EMG）模式识别。通过消除对噪声去除预处理的依赖，MMNF 在 0 dB 信噪比（SNR）下对弱 EMG 信号的分类误差可控制在 5–10% 之间，显著低于其他特征所超过 20% 的误差，展现出对白高斯噪声（WGN）更强的鲁棒性。

ABSTRACT

Varieties of noises are major problem in recognition of Electromyography (EMG) signal. Hence, methods to remove noise become most significant in EMG signal analysis. White Gaussian noise (WGN) is used to represent interference in this paper. Generally, WGN is difficult to be removed using typical filtering and solutions to remove WGN are limited. In addition, noise removal is an important step before performing feature extraction, which is used in EMG-based recognition. This research is aimed to present a novel feature that tolerate with WGN. As a result, noise removal algorithm is not needed. Two novel mean and median frequencies (MMNF and MMDF) are presented for robust feature extraction. Sixteen existing features and two novelties are evaluated in a noisy environment. WGN with various signal-to-noise ratios (SNRs), i.e. 20-0 dB, was added to the original EMG signal. The results showed that MMNF performed very well especially in weak EMG signal compared with others. The error of MMNF in weak EMG signal with very high noise, 0 dB SNR, is about 5-10 percent and closed by MMDF and Histogram, whereas the error of other features is more than 20 percent. While in strong EMG signal, the error of MMNF is better than those from other features. Moreover, the combination of MMNF, Histrogram of EMG and Willison amplitude is used as feature vector in classification task. The experimental result shows the better recognition result in noisy environment than other success feature candidates. From the above results demonstrate that MMNF can be used for new robust feature extraction.

研究动机与目标

• 解决白高斯噪声（WGN）在 EMG 信号识别中的挑战，该噪声会降低传统特征提取方法的性能。
• 开发一种对 WGN 具有内在鲁棒性的特征提取技术，从而无需预先进行噪声去除。
• 在不同信噪比（SNR）条件下评估所提特征的性能，尤其关注低幅值（弱）EMG 信号的表现。
• 通过结合 MMNF、直方图和 Willison 振幅的特征向量，展示在噪声环境中分类准确率的提升。

提出的方法

• 提出两种新颖的基于频率的特征：均值频率（MMNF）和中值频率（MMDF），其来源于 EMG 信号的功率谱密度。
• 直接将这些特征应用于原始 EMG 信号，无需预处理，避免依赖噪声滤波算法。
• 将 MMNF、EMG 振幅直方图和 Willison 振幅组合为复合特征向量以用于分类。
• 在 SNR 从 20 dB 降至 0 dB 的范围内评估性能，通过添加白高斯噪声模拟高噪声环境。
• 应用标准分类技术（如 SVM 或类似方法）评估所提特征集的识别准确率。
• 将所提特征与 16 种已有的 EMG 特征在噪声条件下的分类误差进行对比。

实验结果

研究问题

• RQ1 MMNF 和 MMDF 是否能在无需预先噪声滤波的情况下，实现对白高斯噪声下 EMG 模式识别的鲁棒性能？
• RQ2 在低 SNR 条件下，尤其在弱 EMG 信号中，MMNF 相较于现有 EMG 特征的分类误差如何？
• RQ3 将 MMNF 与直方图和 Willison 振幅结合，是否能提升噪声环境中分类准确率，优于单一特征或其他特征组合？
• RQ4 当 SNR 从 20 dB 降低至 0 dB 时，MMNF 相较于其他特征的性能退化程度如何？
• RQ5 在非常高的噪声环境（0 dB SNR）下，MMNF 是否能保持低误差率，而传统特征已失效？

主要发现

• 在 0 dB SNR 下，MMNF 在弱 EMG 信号中的分类误差为 5–10%，显著优于其他特征超过 20% 的误差。
• 在强 EMG 信号中，MMNF 的分类误差低于所有其他评估特征，证实其在不同信号幅值下的鲁棒性。
• MMDF 和直方图特征在 0 dB SNR 下表现与 MMNF 相当，误差范围为 5–10%，表明其具有强大的抗噪能力。
• 将 MMNF、直方图和 Willison 振幅组合后，在噪声环境中获得的分类结果优于任一单一特征或其它特征组合。
• 所提方法消除了对预处理噪声去除的需求，简化了 EMG 识别流程，同时提升了系统鲁棒性。
• MMNF 在低 SNR 条件下尤为有效，使其适用于噪声不可避免的实际 EMG 应用场景。