表面筋電図を用いたヘルスケアアプリケーションにおける筋疲労評価：転移学習アプローチ

科学分野:

• 生体医工学
• 人工知能
• 老年医学

背景:

• 筋疲労モニタリングは、高齢者の安全と活動サポートにとって重要です。
• 既存の疲労評価方法は、リアルタイムアプリケーションにおいて限界があります。
• アンビエント・アシステッド・リビング（AAL）には、非侵襲的で信頼性の高いモニタリングソリューションが必要です。

研究 の 目的:

• 筋疲労レベルを分類するための新しい深層学習フレームワークを導入すること。
• 疲労検出のためにワイヤレス表面筋電図（sEMG）データを利用すること。
• 高齢者ケアのためのAALアプリケーションの開発をサポートすること。

主な方法:

• 高齢者および非高齢者の成人からsEMG信号の新しいデータセットを収集しました。
• 1次元sEMG信号を連続ウェーブレット変換を用いて2次元の時間周波数画像（スケーログラム）に変換しました。
• 事前学習済みの畳み込みニューラルネットワーク（CNN）をファインチューニングして、二値および多クラスの疲労レベル検出を含む画像分類を行いました。

主要な成果:

• 深層学習フレームワークは、二値分類（疲労あり/なし）で98.6%の精度を達成しました。
• 多クラス分類では、95.6%の精度（疲労なし、中程度の疲労、激しい疲労）を達成しました。
• 提案された転移学習パイプラインは、従来の機械学習手法（最大92%の精度）を上回りました。

結論:

• 提案された深層学習フレームワークは、筋疲労モニタリングに対して堅牢で汎用性の高いパフォーマンスを示しました。
• このアプローチは、AALシナリオにおけるリアルタイムで非侵襲的なソリューションを提供する可能性を秘めています。
• この結果は、高齢者ケアと安全性の向上のための高度なAIの統合を支持するものです。