Core Concepts
Die Studie vergleicht die Genauigkeit der Gangphasenerkennung zwischen traditionellen maschinellen Lernmodellen und Deep-Learning-Techniken.
Abstract
Die Studie untersucht die Bedeutung der Gangphasenerkennung für die Steuerung von unteren Extremitäten unterstützenden Geräten. Sie vergleicht traditionelle maschinelle Lernmodelle wie Naive Bayes, Entscheidungsbaum, Random Forest, Lineare Diskriminanzanalyse mit Deep Convolutional Neural Networks (DCNN). Die Ergebnisse zeigen eine durchschnittliche Genauigkeit von bis zu 75% für traditionelle Modelle und 79% für Deep Learning. Die Studie verwendet EMG-Daten der unteren Extremitäten, extrahiert Merkmale und vergleicht die Leistung der Modelle. Die Datenanalyse umfasst Datensatzbeschreibung, Datenverarbeitung, Merkmalsextraktion und Modellbeschreibung. Traditionelle Modelle zeigen zufriedenstellende Ergebnisse, während das Deep-Learning-Modell eine höhere Genauigkeit aufweist, jedoch mit variablen Ergebnissen. Die Studie schließt mit dem Potenzial zur Identifizierung und Minimierung von Datenverzerrungen für zukünftige Arbeiten.
Datensatz
- EMG-Datensatz von Mohr et al. mit 61 Teilnehmern und 49 Gangzyklen.
- EMG-Signale von fünf Muskeln von jedem Bein.
- Datenvorverarbeitung und Merkmalsextraktion.
Traditionelle ML-Algorithmen
- Verwendung von handgefertigten Merkmalen und deren reduzierten Hauptkomponenten.
- Modelle: Naive Bayes, Entscheidungsbaum, Random Forest, Lineare Diskriminanzanalyse.
- Optimierung der Hyperparameter und Leistungsbewertung.
Deep Convolutional Neural Networks
- Struktur des DL-Modells zur Extraktion von Merkmalen aus EMG-Signalen.
- Training und Testen des Modells mit gefilterten und abgetasteten Daten.
- Vergleich der Genauigkeit mit traditionellen Modellen.
Ergebnisse und Diskussion
- Durchschnittliche Genauigkeit der Modelle und Vergleich der Leistung.
- Einfluss der Datenreduktion auf die Genauigkeit und Rechenzeit.
- Variation der Genauigkeit bei Deep-Learning-Modellen und mögliche Datenverzerrungen.
Stats
Die traditionellen Modelle zeigen eine durchschnittliche Genauigkeit von bis zu 75%.
Das Deep-Learning-Modell erreicht eine Genauigkeit von 79% mit einem Höchstwert von 89,5%.
Quotes
"Die Genauigkeit der traditionellen Modelle liegt bei bis zu 75%."
"Das Deep-Learning-Modell erreicht eine Genauigkeit von 79%."