[论文解读] Feature Analysis for Classification of Physical Actions using surface EMG Data

Anish C. Turlapaty, Balakrishna Gokaraju|arXiv (Cornell University)|Nov 9, 2018

Muscle activation and electromyography studies参考文献 36被引用 41

一句话总结

该论文提出了一种用于从多通道表面肌电信号（sEMG）分类物理动作的新型特征工程框架，引入了改进的频谱矩比/积以及通道间相关性特征，以提升分类准确率。采用包含37个选定特征的朴素贝叶斯神经网络（PNN），该方法实现了92.75%的准确率和0.924的Cohen’s kappa系数，优于基线模型，且性能表现强劲，与支持向量机（SVM）相当，但计算成本更低。

ABSTRACT

Based on recent health statistics, there are several thousands of people with limb disability and gait disorders that require a medical assistance. A robot assisted rehabilitation therapy can help them recover and return to a normal life. In this scenario, a successful methodology is to use the EMG signal based information to control the support robotics. For this mechanism to function properly, the EMG signal from the muscles has to be sensed and then the biological motor intention has to be decoded and finally the resulting information has to be communicated to the controller of the robot. An accurate detection of the motor intention requires a pattern recognition based categorical identification. Hence in this paper, we propose an improved classification framework by identification of the relevant features that drive the pattern recognition algorithm. Major contributions include a set of modified spectral moment based features and another relevant inter-channel correlation feature that contribute to an improved classification performance. Next, we conducted a sensitivity analysis of the classification algorithm to different EMG channels. Finally, the classifier performance is compared to that of the other state-of the art algorithms

研究动机与目标

• 通过先进的特征工程，提升从多通道sEMG信号中分类物理动作的准确率。
• 识别并整合新型特征——特别是改进的频谱矩比/积以及通道间相关性特征——以增强模式识别性能。
• 评估分类性能对不同sEMG通道的敏感性，并确定对动作分类最具相关性的通道。
• 在sEMG基础动作识别背景下，比较PNN分类器与最先进的算法（如多类SVM）的性能表现。
• 建立一种鲁棒且计算量低的框架，适用于康复机器人中上肢外骨骼的实时控制。

提出的方法

• 从八个sEMG通道中提取276项特征，包括时域统计量、通道间互相关、通过Burg算法计算的频带功率，以及局部二值模式（LBP）特征。
• 提出改进的频谱矩比与积作为增强的频域特征，以更好地捕捉sEMG信号中的判别性模式。
• 引入通道间相关性特征（ICS），用于建模通道间的依赖关系，提升分类鲁棒性。
• 应用顺序前向选择（SFS）从276个候选特征中筛选出最相关的37项特征，以优化分类性能。
• 采用朴素贝叶斯神经网络（PNN）作为分类器，使用10折交叉验证在多类别动作数据集上进行训练与验证。
• 将PNN的性能与使用相同特征子集的多项式核SVM进行对比，以验证其鲁棒性与效率。

实验结果

研究问题

• RQ1 与传统特征相比，改进的频谱矩比与积是否能显著提升从sEMG信号中分类物理动作的性能？
• RQ2 引入通道间相关性特征如何影响sEMG基础动作分类的性能？
• RQ3 哪些sEMG通道对物理动作的准确分类贡献最大？
• RQ4 PNN分类器是否在计算开销更低的前提下，实现与基于核的SVM相当或更优的性能？
• RQ5 所提出的特征集在多大程度上减少了误分类，特别是对于前踢与侧踢等相似动作？

主要发现

• 与基线特征集相比，引入所提出的改进频谱矩比与积（LMF）使Cohen’s Kappa系数提升了9%。
• 仅添加通道间相关性特征（ICS）便使Kappa得分提升了4%，证明其在捕捉通道间动态方面的价值。
• LMF与ICS特征的联合使用使Kappa总体提升了11.75%，最终达到0.924的Kappa值与92.75%的准确率。
• 混淆矩阵显示，常规动作分类准确率较高（例如60次试验中正确58–60次），而攻击性动作的误分类略高，尤其体现在前踢（类别19）与侧踢（类别12）之间，共16例误分类。
• PNN分类器实现了92.75%的准确率与0.924的Kappa值，与SVM的91.5%准确率和0.91 Kappa值相近，但计算成本更低。
• 上肢sEMG通道被发现对动作分类最具相关性，表明其在编码上肢运动意图方面起主导作用。