Evaluation of Separability Measures in GA-based Feature Subset Selection for Myoelectric Classification
محل انتشار: سیزدهمین کنفرانس مهندسی پزشکی ایران
سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,739
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICBME13_027
تاریخ نمایه سازی: 31 خرداد 1387
چکیده مقاله:
This paper evaluates the separability measures applied on feature subset selection for myoelectric signal (MES). The separability measures which are considered to evaluation are Davies–Bouldin index (DBI), Fishers linear discriminant index (FLDI), Dunn’s index (DI) and generalized Dunn’s index (GDI). Four channel of myoelectric signal from upper limb muscles are used in this paper to classify six distinctive activities. Cascaded genetic algorithm (GA) has been adopted as the search strategy in feature subset selection. Results prove more accurate and reliable classification for the elite subset of features selected based on Davies–Bouldin index (DBI).
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :