基于人工智能对动力单元动作潜力的分类,用于现实世界的针 EMG 记录
Deborah Hubers1, Wouter Potters1, Olivier Paalvast1
1Department of Neurology and Clinical Neurophysiology, Amsterdam Neuroscience, Amsterdam University Medical Centers, Location AMC, Amsterdam, the Netherlands.
概括
这项研究开发了一个人工神经网络 (ANN) 来从针状肌电图 (n-EMG) 记录中分类运动单元动作潜力 (MUAP) 持续时间. 该ANN显示了AI辅助临床MUAP分类的潜力.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 针电肌图 (n-EMG) 对于诊断神经肌肉疾病至关重要.
- 准确地分类动力单元动作潜力 (MUAP) 持续时间对于诊断至关重要.
- 现实世界 n-EMG 数据通常包含文物和变异性,复杂化分析.
研究的目的:
- 开发和验证人工神经网络 (ANN) 用于分类 MUAP 持续时间.
- 分析从临床实践中未选择和未清理的n-EMG记录.
- 评估AI在自动化MUAP分析中对临床应用的潜力.
主要方法:
- 在326名患者的n-EMG数据上训练了两个嵌套ANN模型.
- 第一个ANN模型分类了肌肉休息,收缩和人工物.
- 第二个ANN模型从收缩段预测了MUAP持续时间 (延长,正常,缩短).
主要成果:
- 第一个ANN模型在区分休息,收缩和文物方面实现了96%的准确性.
- 第二个ANN模型在验证集 (67-83%) 中显示了MUAP持续时间分类的中度准确性.
- 该研究使用了内部和外部验证数据集.
结论:
- 一个两步的ANN有效地在现实世界n-EMG数据中对信号状态进行分类.
- 基于ANN的MUAP持续时间分类显示中度准确性,表明临床应用的潜力.
- 这项研究在临床环境中开创了人工智能辅助的MUAP分类.


