EMG Hand-Gesture Classification Using Time, Frequency and Time–Frequency Domain Features with Machine-Learning Techniques

Abstract

This paper investigates single-channel surface electromyography for seven hand gestures using a compact feature-based machine-learning pipeline. EMG from twelve participants was segmented into contraction-level windows and described by time-, frequency- and time–frequency-domain features, complemented with simple feature-engineering transformations. Support vector machines with linear, RBF and polynomial kernels and a multilayer perceptron were evaluated. First, models were trained on the full feature set, obtaining a no-PCA baseline where linear and polynomial SVM achieved accuracies slightly above ninety-two percent and the neural network reached about eighty-nine percent. Then, Principal Component Analysis was applied, retaining two, five, nine and twelve components. Very low dimensionality degraded all models, whereas retaining nine to twelve components slightly improved RBF SVM and clearly benefited the neural network, which reached almost ninety-four percent accuracy.

Spanish-language metadata / Metadatos en español
Título en español:

Clasificación de gestos de la mano mediante EMG utilizando características de los dominios del tiempo, la frecuencia y el tiempo-frecuencia con técnicas de aprendizaje automático

Resumen:

Este artículo analiza la electromiografía de superficie monocanal para siete gestos de la mano mediante un proceso compacto de aprendizaje automático basado en características. Se segmentó el EMG de doce participantes en ventanas a nivel de contracción y se describió mediante características en los dominios del tiempo, la frecuencia y el tiempo-frecuencia, complementadas con transformaciones sencillas de ingeniería de características. Se evaluaron máquinas de vectores de soporte con núcleos lineales, RBF y polinómicos, así como un perceptrón multicapa. En primer lugar, los modelos se entrenaron con el conjunto completo de características, obteniéndose una referencia sin PCA en la que las SVM lineales y polinómicas alcanzaron precisiones ligeramente superiores al noventa y dos por ciento, mientras que la red neuronal alcanzó alrededor del ochenta y nueve por ciento. A continuación, se aplicó un análisis de componentes principales, conservando dos, cinco, nueve y doce componentes. Una dimensionalidad muy baja deterioró todos los modelos, mientras que conservar entre nueve y doce componentes mejoró ligeramente el rendimiento de la máquina de vectores de soporte RBF y benefició claramente a la red neuronal, que alcanzó una precisión de casi el noventa y cuatro por ciento.

Palabras Claves:

Clasificación de gestos con las manos, extracción de características, SVM, ANN, PCA.

Smart citations:

https://scite.ai/reports/10.61467/2007.1558.2026.v17i3.1251
Dimensions.
Open Alex.