一种改进的复合高斯模型用于与力量训练相关的双变量表面肌电信号
摘要：表面肌电图（sEMG）信号具有非平稳的统计特性，主要是由于协方差的随机性质所致。因此，适用于sEMG信号的统计模型的适用性取决于对协方差描述的适当模型的选择。本研究旨在提出一种复合高斯（CG）模型，用于描述多变量sEMG信号，其中协方差的潜变量被建模为遵循指数模型的随机变量。该模型的参数使用迭代的期望最大化（EM）算法进行估计。此外，还开发了一个新的数据集——人类活动的肌电图分析数据库2（EMAHA-DB2）。基于对EMAHA-DB2中的sEMG信号的模型拟合分析，发现所提出的CG模型与sEMG信号的经验概率密度函数更加接近，而现有模型则不够拟合。该提出的模型通过可视化检查和与其他模型相比更好的中心矩匹配和定量指标验证。所提出的复合模型可以更好地描述sEMG信号的统计行为。此外，指数模型的率参数估计清楚地与训练权重相关。最后，通道的平均信号功率估计显示出对训练权重、受试者的训练经验和活动类型的明显依赖性。
作者：Durgesh Kusuru, Anish C. Turlapaty and Mainak Thakur
论文ID：2307.03403
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-07-10