研究目的
通过向单样本分类器提供聚合特征,评估多样本问题(如肌电(EMG)数据)的分类效果。
研究成果
包含聚合特征集(AFS)为多样本问题提供了显著的分类优势,不同分类器对不同的AFS选择具有敏感性。通常发现使用AFS(MEAN)具有优势。在原始MUP数据中添加AFS可以提高独立样本的分类准确性,但并未转化为研究分类准确性的提高。
研究不足
该研究的局限性在于计算复杂度及训练运行所需时间,每次运行的最长时间为7天。此外,随着聚合器数量的增加,搜索空间的维度也随之提升,"维度灾难"问题亦不容忽视。
1:实验设计与方法选择:
本研究评估了利用聚合特征与贝叶斯学习系统对多样本问题进行分类的效果。
2:样本选择与数据来源:
通过仿真模型生成21块肌肉的肌电数据,并使用DQEMG程序进行分解,提供金标准数据。同时采用合成数据分布进行验证。
3:实验设备与材料清单:
肌电仿真模型、用于信号分解的DQEMG程序、计算环境SHARCNET。
4:实验流程与操作步骤:
采用留一法交叉验证评估分类准确率,每次完整研究作为一个独立的交叉验证集。
5:数据分析方法:
对分类正确与错误的计数应用Durkalski改进的McNemar检验,在每个交叉验证集中重复进行。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容