用于格斗运动运动员肌电图（sEMG）信号分类的特征工程方法：机器学习算法的比较研究 库德拉特琼·佐希罗夫（Kudratjon Zohirov）、 费鲁兹·鲁齐博耶夫（Feruz Ruziboev）、 萨尔多尔·博伊科比洛夫（Sardor Boykobilov）、 马尔哈博·舒库罗娃（Markhabo Shukurova）、 米尔贾洪·捷米罗夫（Mirjakhon Temirov）、 马马迪约尔·萨托罗夫（Mamadiyor Sattorov）、 古尔鲁赫·谢尔博博耶娃（Gulrukh Sherboboyeva）、 古尔班贝吉姆·贾莫洛娃（Gulbanbegim Jamolova）、 扎夫基丁·捷米罗夫（Zavqiddin Temirov）和 拉希德·纳西莫夫（Rashid Nasimov）

《Applied Sciences》：Feature Engineering Approach for sEMG Signal Classification in Combat Sport Athletes: A Comparative Study of Machine Learning Algorithms Kudratjon Zohirov, Feruz Ruziboev, Sardor Boykobilov, Markhabo Shukurova, Mirjakhon Temirov, Mamadiyor Sattorov, Gulrukh Sherboboyeva, Gulbanbegim Jamolova, Zavqiddin Temirov and Rashid Nasimov

　　

摘要

表面肌电图（sEMG）信号对于评估肌肉活动、神经肌肉行为和运动稳定性非常重要。sEMG信号被广泛用于运动员表现监测和人机交互应用中。然而，现有方法在分类、准确性和用户间的泛化能力方面存在局限性。在这项研究中，使用基于10种身体动作和技术元素的8通道系统，从30名职业摔跤手中收集了真实世界的数据集。系统地单独和组合评估了九个时域和能量特征：平均绝对值（MAV）、积分肌电图（IEMG）、均方根（RMS）、简单平方积分（SSI）、四次方（4POW）、波长（WL）、差分绝对标准差（DASDV）、方差（VAR）和平均振幅变化（AAC）。比较了五种分类器：逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、k-最近邻（KNN）和神经网络（NNs）。这些模型在准确性、敏感性、特异性、阳性预测值和F1分数方面进行了评估。通过跨受试者（24/6）和跨会话验证协议分析了其泛化能力。九种特征组合中，随机森林（RF）算法达到了97.8%的最高分类准确率。所提出的方法可以作为实时肌肉活动监测、运动分类和康复系统的实用基础。