Fluktuierende EMG-Signale: Untersuchung der langfristigen Auswirkungen von Mustererkennungsalgorithmen

In dieser Arbeit untersuchen wir das Verhalten von hochmodernen Mustererkennungsalgorithmen, wenn sie auf elektromyographische Daten angewendet werden, die über 21 Tage erfasst wurden. Zu diesem Zweck vergleichen wir fünf Klassifikationstechniken: k-nächste Nachbarn, lineare Diskriminanzanalyse, Entscheidungsbäume, künstliche neuronale Netzwerke und Support-Vector-Maschinen. Wir stellen allen Klassifikatoren Merkmale zur Verfügung, die aus elektromyiographischen Signalen gewonnen wurden, die während Muskelkontraktionen im Unterarm aufgezeichnet wurden, und versuchen, zehn verschiedene Handbewegungen zu erkennen. Das Hauptresultat unserer Untersuchung ist, dass die Klassifikationsgenauigkeit der anfänglich trainierten Mustererkennungsalgorithmen bei nachfolgenden Daten abnehmen kann, was auf Variationen der elektromyiographischen Signale über die Zeit hinweist.