[发明专利]一种基于极限学习机的表面肌电多分类方法在审
| 申请号： | 201910217954.0 | 申请日： | 2019-03-21 |
| 公开（公告）号： | CN110059571A | 公开（公告）日： | 2019-07-26 |
| 发明（设计）人： | 陈霸东;黄大维;任鹏举;王飞;袁泽剑 | 申请（专利权）人： | 西安交通大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62 |
| 代理公司： | 西安通大专利代理有限责任公司 61200 | 代理人： | 徐文权 |
| 地址： | 710049 *** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于极限学习机和较少特征的上肢表面肌电多分类方法，属于机器学习模式识别领域。该方法通过对表面肌电信号进行特征提取获得特征数据，再通过交叉验证选定极限学习机的隐节点数目，最终可以实现上肢表面肌电信号多分类的高精确度分类结果。与当前在该数据集上应用的汇报了最佳分类精度的基于Spectrogram的支持向量机相比，本发明的优点在于：所需特征维度明显更少；极限学习机的训练时间显著短于支持向量机；本发明计算时间明显缩短；本发明在不损失分类精度的情况下简化了特征提取步骤，并显著降低了对计算资源的需求，包括减少数据量和缩短运算时间两个方面，因此更具现实意义，更有利于推广并实现基于表面肌电信号的实时控制系统。 | ||
| 搜索关键词： | 极限学习机 表面肌电信号 分类 支持向量机 表面肌电 上肢 模式识别领域 实时控制系统 特征提取步骤 分类结果 机器学习 计算资源 交叉验证 特征数据 特征提取 特征维度 现实意义 数据集 数据量 运算 汇报 应用 | ||
【主权项】：
1.一种基于极限学习机的表面肌电多分类方法，其特征在于，包括以下步骤：步骤1：使用滑动窗口将时间序列转化成为“数据‑标签”对；步骤2：在每一个时间窗口内，基于表面肌电信号计算出若干缩减维度的物理特征；步骤3：将特征和步骤一中的标签作为输入数据，求解极限学习机得到分类结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西安交通大学，未经西安交通大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910217954.0/，转载请声明来源钻瓜专利网。
