表面筋電図信号からの呼吸運動定量化のためのカスケードCNN-LSTMフレームワーク

科学分野:

• 生体医工学;信号処理;機械学習

背景:

• 横隔膜表面筋電図（sEMG）信号は、放射線療法や集中治療などの臨床現場におけるリアルタイム呼吸モニタリングに不可欠です。;心電図（ECG）干渉は、sEMG信号を汚染することが一般的であり、正確な呼吸運動推定を妨げます。;ECGアーチファクト除去のための既存の方法は、しばしば遅延を導入し、線形仮定に依存するため、リアルタイムの臨床適用性を制限します。

研究 の 目的:

• sEMG信号からのリアルタイム呼吸運動定量化のための堅牢な深層学習フレームワークを開発すること。;高忠実度アーチファクト抑制と呼吸運動の正確な推定を達成すること。;臨床呼吸モニタリングにおける従来の信号処理技術の限界を克服すること。

主な方法:

• 呼吸器sEMG成分の分離のためのCNN-LSTMモデルと非線形特徴抽出のためのマルチスケールCNNを統合したカスケード深層学習フレームワークを提案しました。;sEMGおよび呼吸データは、45人の被験者（トレーニング用に20人、検証用に25人）から収集されました。;sEMG由来の呼吸と参照信号との相関を評価するために、相互相関分析が使用されました。

主要な成果:

• 提案された深層学習手法は、ゲーティング（0.910 ± 0.046）およびテンプレート減算（0.859 ± 0.081）と比較して、腹部圧由来の呼吸との相関係数（ピアソンのr = 0.949 ± 0.030）で優れた相関を達成しました。;本手法は、後処理なしでも参照信号との相関が有意に高いことを示し、リアルタイムアーチファクト抑制能力を強調しました。;これは、汚染されたsEMG信号からの呼吸運動の正確な定量化において堅牢なパフォーマンスを示唆しています。

結論:

• 開発された深層学習フレームワークは、sEMG信号における高忠実度アーチファクト抑制のための効率的なソリューションを提供します。;臨床応用にとって重要な、正確でリアルタイムの呼吸モニタリングを可能にします。;このアプローチは、患者ケアとモニタリングの向上のための生理学的信号処理の分野を進歩させます。