穿戴式肌电图:发作的分类:一个可行性研究

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 信号处理 信号处理

背景情况:

• 准确的发作诊断和分类对于有效的患者治疗至关重要.
• 通过肌肉活动观察到的发作的运动成分提供了有价值的诊断信息.
• 表面电肌图 (sEMG) 是一种测量肌肉电活动的非侵入性方法.

研究的目的:

• 评估使用肢体肌肉的sEMG信号跟踪发作运动的可行性.
• 开发和评估基于sEMG数据的机器学习模型来对发作进行分类.
• 为了确定最佳的sEMG功能,以准确有效地检测发作.

主要方法:

• 开发了紧的无线传感器节点,用于实时对多个四肢肌肉进行sEMG测量.
• 提取和分析了16个时间域的sEMG特征,评估了它们的歧视和冗余性.
• 采用Big-O符号和执行时间分析来选择功能以减少计算复杂性.
• 训练并比较使用所选特征的各种机器学习分类器.

主要成果:

• 一个人工神经网络 (ANN) 模型实现了 99.95% 的高分类准确性.
• 最佳模型利用了六个特定的sEMG特性:IEMG,WAMP,MYOP,SE,SKEW和WL.
• 所有八个选定的传感器都被认为是实现最大分类准确度所必需的.

结论:

• sEMG信号分析是追踪和分类发作运动的可行和高度准确的方法.
• 机器学习,特别是具有精心选择的sEMG特征的ANN模型,显示了实时发作检测的巨大潜力.
• 多个站点的sEMG测量对于稳健而准确的 classification是必不可少的.