Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine

• Опубліковано в: : Нейрофизиология
• Дата: 2013
• Автори: Rong, Y., Hao, D., Han, X., Zhang, Y., Zhang, J., Zeng, Y.
• Формат: Стаття
• Мова: Англійська
• Опубліковано: Інститут фізіології ім. О.О. Богомольця НАН України 2013
• Онлайн доступ: https://nasplib.isofts.kiev.ua/handle/123456789/148026
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Цитувати: Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine / Y. Rong, D. Hao, X. Han, Y. Zhang, J. Zhang, Y. Zeng // Нейрофизиология. — 2013. — Т. 45, № 1. — С. 44-54. — Бібліогр.: 30 назв. — англ.

The aim of our study was to recognize results of surface electromyography (sEMG) recorded
 under conditions of a maximum voluntary contraction (MVС) and fatigue states using wavelet packet transform and energy analysis. The sEMG signals were recorded in 10 young men
 from the right upper limb with a handgrip. sEMG signals were decomposed by wavelet packet
 transform, and the corresponding energies of certain frequencies were normalized as feature
 vectors. A back-propagation neural network, a support vector machine (SVM), and a genetic
 algorithm-based SVM (GA-SVM) worked as classifiers to distinguish muscle states. The
 results showed that muscle fatigue and MVC could be identified by level-4 wavelet packet
 transform and GA-SVM more accurately than when using other approaches. The classification correct rate reached 97.3% with sevenfold cross-validation. The proposed method can be
 used to adequately reflect the muscle activity. Ціллю нашого дослідження була розробка прийомів розпізнавання результатів електроміографічних відведень за
 допомогою поверхневих електродів (пЕМГ) в умовах
 розвитку максимального довільного скорочення та станів
 втоми; використовували пакетне вейвлет-перетворення та
 аналіз енергії. Сигнали пЕМГ піддавалися декомпозиції із
 застосуванням пакетного вейвлет-перетворення, і відповідні
 оцінки енергії певних частот нормувались як вектор ознак.
 Нейронна мережа із зворотним проведенням, машина
 опорних векторів (SVM) та SVM, базована на генетичному
 алгоритмі (GA-SVM), працювали як класифікатори, що
 розпізнавали стани м’язів. Отримані результати показали,
 що стани м’язової втоми та максимального довільного
 скорочення можуть бути ідентифіковані за допомогою
 пакетного вейвлет-перетворення 4-го рівня точніше, ніж
 у разі застосування інших підходів. Рівень коректності
 класифікації при семиразовій кросвалідизації сягав 97.3 %.
 Запропонований метод може бути використаний для
 адекватного відображення м’язової активності.