MYOELECTRIC control relies on the u

MYOELECTRIC control relies on the use of the electromyogram (EMG) signals from the remnant muscles in the amputee s stump as a source of neural control infor- mation. Processing and pattern recognition (PR) of the EMG signals have been at the core of prosthetic control research in the last decade [1] [3]. Previous research has shown that the success of the EMG PR systems mainly depends on the quality of the extracted features, as they are of direct impact on clinical acceptance [4], [5]. In fact, it has been shown that the choice of feature set has a stronger influence on the classification accuracy than the choice of classifier [6], [7]. The main assumption of those systems is that the patterns of recorded EMG signals vary among different motions and have some similarity and repeatability for the same motion [8]. In this direction, many advanced signal processing algorithms have been developed to increase the amount of information that can be extracted from each channel of EMG activity. In the direction of EMG feature extraction, Hudgins set of time domain features [8], which comprises the mean absolute value (MAV), waveform length (WL), slope sign changes (SSC), and number of zero crossings (ZC), have extensively been applied for the classification of hand motions [7]. A number of different feature extraction tech- niques have also been proposed to tackle the more com- plex, multi-channel systems in which Hudgins features strug- gled with [9]. Some of these methods utilized fast Fourier transform (FFT) [10], wavelets [11], wavelet packet trans- form (WPT) [12], cepstral coefficients (CC), Willison ampli- tude (WAMP) [4], sample entropy (SampEnt) [13], reduced spectral moments (RMOM) [14], cardinality of EMG [15], EMG synergies by matrix factorization analysis [16], and autoregressive (AR) model parameters [5] to extract more powerful features. Generally, three-types of features, namely time domain (TD), frequency domain, and time frequency domain features, are dominant in the literature with the TD features being widely adopted for their simplicity and effec- tiveness. A recent study by Phinyomark et al. [17] compared 50 feature extraction methods for EMG pattern recognition and found that the combination of SampEnt, fourth order CC, root mean square (RMS), and WL is the best robust feature subset when classifying EMG data collected over multiple days

0/5000

源语言: -

目标语言: -

结果 (简体中文) 1: [复制]

复制成功！

肌电控制依赖于将截肢残肢残余肌肉的肌电图（EMG）信号用作神经控制信息的来源。在过去的十年中，EMG信号的处理和模式识别（PR）一直是假体控制研究的核心[1] [3]。以前的研究表明，EMG PR系统的成功主要取决于提取特征的质量，因为它们直接影响临床接受度[4]，[5]。实际上，已经表明，特征集的选择比分类器[6]，[7]的选择对分类精度有更大的影响。这些系统的主要假设是，所记录的EMG信号的模式在不同的运动之间变化，并且对于相同的运动具有相似性和可重复性[8]。在这个方向上已经开发了许多高级信号处理算法，以增加可从EMG活动的每个通道提取的信息量。在EMG特征提取的方向上，Hudgins时域特征集[8]包括平均绝对值（MAV），波形长度（WL），斜率符号变化（SSC）和过零次数（ZC），已被广泛应用于手势的分类[7]。还提出了许多不同的特征提取技术来解决更为复杂的多通道系统，在这些系统中，Hudgins的特征难以理解[9]。其中一些方法利用了快速傅里叶变换（FFT）[10]，小波[11]，小波包变换（WPT）[12]，倒谱系数（CC），威利森振幅（WAMP）[4]，样本熵（SampEnt）[13]，降低的频谱矩（RMOM）[14]，EMG的基数[15]，通过矩阵分解分析的EMG协同作用[16]和自回归（AR）模型参数[5]以提取更强大的功能。通常，三种类型的特征（即时域（TD），频域和时频域特征）在文献中占主导地位，而TD特征因其简单性和有效性而被广泛采用。Phinyomark等人的最新研究。[17]比较了50种用于EMG模式识别的特征提取方法，发现在对多天收集的EMG数据进行分类时，SampEnt，四阶CC，均方根（RMS）和WL的组合是最佳的鲁棒特征子集。和自回归（AR）模型参数[5]来提取更强大的功能。通常，三种类型的特征（即时域（TD），频域和时频域特征）在文献中占主导地位，而TD特征因其简单性和有效性而被广泛采用。Phinyomark等人的最新研究。[17]比较了50种用于EMG模式识别的特征提取方法，发现在对多天收集的EMG数据进行分类时，SampEnt，四阶CC，均方根（RMS）和WL的组合是最佳的鲁棒特征子集。和自回归（AR）模型参数[5]来提取更强大的功能。通常，三种类型的特征（即时域（TD），频域和时频域特征）在文献中占主导地位，而TD特征因其简单性和有效性而被广泛采用。Phinyomark等人的最新研究。[17]比较了50种用于EMG模式识别的特征提取方法，发现在对多天收集的EMG数据进行分类时，SampEnt，四阶CC，均方根（RMS）和WL的组合是最佳的鲁棒特征子集。Phinyomark等人的最新研究。[17]比较了50种用于EMG模式识别的特征提取方法，发现在对多天收集的EMG数据进行分类时，SampEnt，四阶CC，均方根（RMS）和WL的组合是最佳的鲁棒特征子集。Phinyomark等人的最新研究。[17]比较了50种用于EMG模式识别的特征提取方法，发现在对多天收集的EMG数据进行分类时，SampEnt，四阶CC，均方根（RMS）和WL的组合是最佳的鲁棒特征子集。

正在翻译中..

结果 (简体中文) 2:[复制]

复制成功！

MYOELECTRIC控制依赖于使用来自截肢者树桩残余肌肉的电肌图（EMG）信号作为神经控制在mfor-mation的来源。在过去十年中，EMG信号的处理和模式识别（PR）一直是假肢控制研究的核心[1][3]。先前的研究表明，EMG PR系统的成功主要取决于提取功能的质量，因为它们对临床接受有直接影响[4]，[5]。事实上，已经证明，要素集的选择对分类精度的影响比分类器的选择[6]，[7]更强。这些系统的主要假设是，记录的EMG信号的模式因不同的运动而异，并且对同一运动具有一定的相似性和可重复性[8]。在这个方向上，已经开发了许多先进的信号处理算法，以增加可以从EMG活动的每个通道中提取的信息量。在EMG特征提取方向上，Hudgins集的时域特征[8]，包括平均绝对值（MAV）、波形长度（WL）、斜率标志变化（SSC）和零交叉数（ZC），被广泛用于手部运动的分类[7]。还提出了许多不同的特征提取技术，以解决Hudgins功能与[9]功能更复合的多通道系统。其中一些方法使用快速傅立叶转换（FFT） [10]，小波 [11]，小波数据包转形式（WPT） [12]， cepstral系数（CC）、Willison 安培（WAMP） [4]、样本熵（SampEnt） [13]、光谱矩降低（RMOM） [14]、EMG 的基数 [15]、通过矩阵分解分析的 EMG 协同作用 [16]和自回归（AR）模型参数 [5] 提取更强大的特征。一般来说，三种类型的要素，即时域（TD）、频域和时频域特征，在文献中占主导地位，TD 要素由于简单性和有效性而被广泛采用。Phinyomark等人最近的一项研究[17]比较了50种EMG模式识别特征提取方法，发现SampEnt、四阶CC、根均方（RMS）和WL的组合是分对多天收集的EMG数据进行分类时的最佳可靠特征子集。

正在翻译中..

结果 (简体中文) 3:[复制]

复制成功！

肌电控制依赖于截肢残端残余肌肉的肌电信号作为神经控制信息的来源。近十年来，肌电信号的处理和模式识别一直是假肢控制研究的核心[1][3]。先前的研究表明，EMG-PR系统的成功主要取决于提取特征的质量，因为它们直接影响临床接受度[4]，[5]。事实上，特征集的选择比分类器的选择对分类精度的影响更大[6]，[7]。这些系统的主要假设是，记录的肌电信号的模式在不同的运动中变化，并且对于相同的运动具有一些相似性和可重复性[8]。在这个方向上，许多先进的信号处理算法已经被开发出来，以增加从肌电活动的每个通道中可以提取的信息量。在肌电特征提取方面，由平均绝对值（MAV）、波形长度（WL）、斜率符号变化（SSC）和过零次数（ZC）组成的Hudgins时域特征集[8]已广泛应用于手部运动的分类[7]。还提出了一些不同的特征提取技术，以解决更复杂、多通道的系统，其中Hudgins的特征与[9]有关。其中一些方法利用了快速傅立叶变换（FFT）[10]、小波[11]、小波包变换（WPT）[12]、倒谱系数（CC）、Willison振幅（WAMP）[4]、样本熵（SampEnt）[13]、缩减谱矩（RMOM）[14]、EMG基数[15]、通过矩阵分解分析的EMG协同效应[16]，以及自回归（AR）模型参数[5]来提取更强大的特征。一般来说，三种类型的特征，即时域（TD）、频域（frequency domain）和时频（time-frequency domain）特征在文献中占主导地位，而TD特征因其简单有效而被广泛采用。Phinyomark等人最近的一项研究。[17] 对50种肌电模式识别的特征提取方法进行了比较，发现SampEnt、四阶CC、均方根（RMS）和WL的组合是对多天采集的肌电数据进行分类时最好的稳健特征子集

正在翻译中..

其它语言

本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.