Grasping of the objects is the most frequent activity performed by the human upper limb. The amputations of the upper limb results in the need for prosthetic devices. The myoelectric prosthetic devices use muscle signals and apply control techniques for identification of different levels of hand gesture and force levels. In this study; a different level force contraction experiment was performed in which Electromyography (EMGs) signals and fingertip force signals were acquired. Using this experimental data; a two-step feature selection process is applied for the designing of a pattern recognition algorithm for the classification of different force levels. The two step feature selection process consist of generalized feature ranking using ReliefF, followed by personalized feature selection using Neighborhood Component Analysis (NCA) from the shortlisted features by earlier technique. The classification algorithms applied in this study were Support Vector Machines (SVM) and Random Forest (RF). Besides feature selection; optimization of the number of muscles during classification of force levels was also performed using designed algorithm. Based on this algorithm; the maximum classification accuracy using SVM classifier and two muscle set was achieved as high as 99%. The optimal feature set consisted features such as Auto Regressive coefficients, Willison Amplitude and Slope Sign Change. The mean classification accuracy for different subjects, achieved using SVM and RF was 94.5% and 91.7% respectively.

抓握物体是人类上肢最频繁的活动。上肢截肢导致需要假肢装置。肌电假肢装置使用肌肉信号并应用控制技术来识别不同水平的手势和力量水平。在这项研究中; 进行了不同水平的力收缩实验，其中获得了肌电图 (EMG) 信号和指尖力信号。使用这个实验数据；应用两步特征选择过程来设计用于不同力级别分类的模式识别算法。两步特征选择过程包括使用 ReliefF 的广义特征排序，然后通过早期技术从入围特征中使用邻域成分分析 (NCA) 进行个性化特征选择。本研究中应用的分类算法是支持向量机 (SVM) 和随机森林 (RF)。除了特征选择；还使用设计的算法对力量水平分类期间的肌肉数量进行了优化。基于此算法；使用SVM分类器和两个肌肉集的最大分类准确率达到了99%。最优特征集包括自回归系数、威利森振幅和斜率符号变化等特征。使用 SVM 和 RF 实现的不同受试者的平均分类准确率分别为 94.5% 和 91.7%。本研究中应用的分类算法是支持向量机 (SVM) 和随机森林 (RF)。除了特征选择；还使用设计的算法对力量水平分类期间的肌肉数量进行了优化。基于此算法；使用SVM分类器和两个肌肉集的最大分类准确率达到了99%。最优特征集包括自回归系数、威利森振幅和斜率符号变化等特征。使用 SVM 和 RF 实现的不同受试者的平均分类准确率分别为 94.5% 和 91.7%。本研究中应用的分类算法是支持向量机 (SVM) 和随机森林 (RF)。除了特征选择；还使用设计的算法对力量水平分类期间的肌肉数量进行了优化。基于此算法；使用SVM分类器和两个肌肉集的最大分类准确率达到了99%。最优特征集包括自回归系数、威利森振幅和斜率符号变化等特征。使用 SVM 和 RF 实现的不同受试者的平均分类准确率分别为 94.5% 和 91.7%。使用SVM分类器和两个肌肉集的最大分类准确率达到了99%。最优特征集包括自回归系数、威利森振幅和斜率符号变化等特征。使用 SVM 和 RF 实现的不同受试者的平均分类准确率分别为 94.5% 和 91.7%。使用SVM分类器和两个肌肉集的最大分类准确率达到了99%。最优特征集包括自回归系数、威利森振幅和斜率符号变化等特征。使用 SVM 和 RF 实现的不同受试者的平均分类准确率分别为 94.5% 和 91.7%。