基于增量自适应学习的在线肌电手势识别

表面肌电信号由于个体差异性,在作为外设的控制源时,往往需要针对个体进行长时间的前期训练以获得精准分类辨识模型。针对该问题,在原有的KKT-SVM增量学习方法的基础上,提出了一种基于DBSCAN密度聚类的SVM增量学习算法(D-ISVM),并将该算法应用于在线肌电手势识别。首先,考虑新增样本和原非SV样本对新SV集的影响,通过DBSCAN对样本分布的紧密程度进行分析聚类,筛选出原SV集附近的新增样本以及原非SV样本;其次,结合核心对象以及各样本到超平面的距离进行二次筛选;最后,将筛选出的样本与原SV集一起训练以获得新SV集。实验结果表明,与传统算法相比,提出的D-ISVM增量学习算法能保持更高的识别准确率,同时进一步提高分类模型的学习速度,并有效解决了在线手势识别中表面肌电个体差异性的问题。