Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine
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 u...
Saved in:
| Published in: | Нейрофизиология |
|---|---|
| Date: | 2013 |
| Main Authors: | , , , , , |
| Format: | Article |
| Language: | English |
| Published: |
Інститут фізіології ім. О.О. Богомольця НАН України
2013
|
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/148026 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | 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. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862550671065088000 |
|---|---|
| author | Rong, Y. Hao, D. Han, X. Zhang, Y. Zhang, J. Zeng, Y. |
| author_facet | Rong, Y. Hao, D. Han, X. Zhang, Y. Zhang, J. Zeng, Y. |
| citation_txt | 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. |
| collection | DSpace DC |
| container_title | Нейрофизиология |
| description | 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.
|
| first_indexed | 2025-11-25T20:49:29Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-148026 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0028-2561 |
| language | English |
| last_indexed | 2025-11-25T20:49:29Z |
| publishDate | 2013 |
| publisher | Інститут фізіології ім. О.О. Богомольця НАН України |
| record_format | dspace |
| spelling | Rong, Y. Hao, D. Han, X. Zhang, Y. Zhang, J. Zeng, Y. 2019-02-16T17:53:57Z 2019-02-16T17:53:57Z 2013 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. 0028-2561 https://nasplib.isofts.kiev.ua/handle/123456789/148026 612.743 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. This work was supported by the
 National Natural Science Foundation of China, No. 81071231
 and No. 30670543. en Інститут фізіології ім. О.О. Богомольця НАН України Нейрофизиология Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine Класифікація результатів „поверхневої” електроміографії з використанням пакетного вейвлет-аналізу енергії та машини опорних векторів, базованої на генетичному алгоритмі Article published earlier |
| spellingShingle | Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine Rong, Y. Hao, D. Han, X. Zhang, Y. Zhang, J. Zeng, Y. |
| title | Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine |
| title_alt | Класифікація результатів „поверхневої” електроміографії з використанням пакетного вейвлет-аналізу енергії та машини опорних векторів, базованої на генетичному алгоритмі |
| title_full | Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine |
| title_fullStr | Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine |
| title_full_unstemmed | Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine |
| title_short | Classification of Surface EMG Using Wavelet Packet Energy Analysis and a Genetic Algorithm-Based Support Vector Machine |
| title_sort | classification of surface emg using wavelet packet energy analysis and a genetic algorithm-based support vector machine |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/148026 |
| work_keys_str_mv | AT rongy classificationofsurfaceemgusingwaveletpacketenergyanalysisandageneticalgorithmbasedsupportvectormachine AT haod classificationofsurfaceemgusingwaveletpacketenergyanalysisandageneticalgorithmbasedsupportvectormachine AT hanx classificationofsurfaceemgusingwaveletpacketenergyanalysisandageneticalgorithmbasedsupportvectormachine AT zhangy classificationofsurfaceemgusingwaveletpacketenergyanalysisandageneticalgorithmbasedsupportvectormachine AT zhangj classificationofsurfaceemgusingwaveletpacketenergyanalysisandageneticalgorithmbasedsupportvectormachine AT zengy classificationofsurfaceemgusingwaveletpacketenergyanalysisandageneticalgorithmbasedsupportvectormachine AT rongy klasifíkacíârezulʹtatívpoverhnevoíelektromíografíízvikoristannâmpaketnogoveivletanalízuenergíítamašiniopornihvektorívbazovanoínagenetičnomualgoritmí AT haod klasifíkacíârezulʹtatívpoverhnevoíelektromíografíízvikoristannâmpaketnogoveivletanalízuenergíítamašiniopornihvektorívbazovanoínagenetičnomualgoritmí AT hanx klasifíkacíârezulʹtatívpoverhnevoíelektromíografíízvikoristannâmpaketnogoveivletanalízuenergíítamašiniopornihvektorívbazovanoínagenetičnomualgoritmí AT zhangy klasifíkacíârezulʹtatívpoverhnevoíelektromíografíízvikoristannâmpaketnogoveivletanalízuenergíítamašiniopornihvektorívbazovanoínagenetičnomualgoritmí AT zhangj klasifíkacíârezulʹtatívpoverhnevoíelektromíografíízvikoristannâmpaketnogoveivletanalízuenergíítamašiniopornihvektorívbazovanoínagenetičnomualgoritmí AT zengy klasifíkacíârezulʹtatívpoverhnevoíelektromíografíízvikoristannâmpaketnogoveivletanalízuenergíítamašiniopornihvektorívbazovanoínagenetičnomualgoritmí |