Please enable JavaScript.
Coggle requires JavaScript to display documents.
Un análisis comparativo experimental entre diferentes clasificadores…
Un análisis comparativo experimental entre diferentes clasificadores aplicados para identificar movimientos manuales basados en sEMG
sEMG
Muestran información útil de las actividades de los músculos. Interpretando sEMG del antebrazo se puede utilizar para rehabilitación, control y prótesis. Los sEMG se obtienen de sensores de superficie seca, que propircionan mediadas precisas y directas de la actividad muscular.
-
-
Adquisición de señales
Mediante Armband Myo, consiste de 8 sensores secos de electromiografía para detectar la actividad eléctrica de los músculos del antebrazo. Giroscopio, acelerómetro y magnetómetro para detectar movimientos. Las señales obtienen un muestreo de 200 Hz y se normaliza a un rango de 1 y -1.
-
-
Clasificadores
Clasificador Naive Bayes: Hay un total de 8 señales para analizar. De cada señal, el algoritmo toma como características RMS, MAV, STD y Var. Significa que cada Cj tiene su propio conjunto de entrenamiento de X que lo define. Hay un total de 5 clases para clasificar y 32 funciones para entrenar y probar.
-
Análisis discriminante lineal: Utilizada para el reconocimiento de patrones, basada en la regla de Bayes, es un método probabilístico. La regla se puede establecer donde se puede asignar un vector X clase Cj cuando se satisface la siguiente desigualdad:
-
Algoritmo Support Vector Machines: Necesita un aprendizaje supervisado, donde debe ser entrenado con un conjunto de datos de entrenamiento. Cada elemento del conjunto de formación contiene un valor objetivo y varios atributos. Esta fase consiste en minimizar la función de error.
-
Redes neuronales Feedforward: La entrada se reajusta a medida que pasan las épocas mientras continua el entrenamiento, como actualización. Una vez finalizado el entrenamiento, los pesos toman sus valores finales para comenzar con la tarea de reconocimiento.
-
-
-
-
-
-
-
