深度学习和预测建模用于从下电肌图的信号图像中生成正常化的肌肉功能参数
Taseef Hasan Farook1, Tashreque Mohammed Haq2, Lameesa Ramees2
1Adelaide Dental School, The University of Adelaide, Adelaide, SA, 5000, Australia. Taseef.farook@adelaide.edu.au.
Medical & biological engineering & computing
|February 20, 2024
概括
这项研究引入了一个开源的工作流程,用于将下肌电动图 (EMG) 信号图像转换为可用的数据. 这种方法增强了对关节复杂功能的模式识别和预测建模.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 计算神经科学是一种神经科学.
背景情况:
- 专有软件限制了对存档的下肌电图 (EMG) 信号的访问.
- 缺乏开源工具阻碍了对关节复杂功能EMG数据的分析.
- 对TMJ疾病的模式识别和预测建模需要可访问的,规范化的EMG数据.
研究的目的:
- 开发一个开源的工作流程,从下巴EMG图像中提取正常化的信号参数.
- 确定最佳的集群方法来量化EMG信号强度和活动持续时间.
- 为了研究,使下巴EMG数据的持续访问和分析.
主要方法:
- 使用OpenCV,变化编码器和Neurokit2的工作流产生并增强了来自部运动练习的866个独特的EMG信号.
- 用K-means,高斯混合模型 (GMM) 和DBSCAN集群算法来进行信号规范化和处理.
- 工作流程使用66名参与者的EMG数据进行了验证,测量了肌,肌和胃肠肌.
主要成果:
- 开发的工作流成功地从EMG图像中提取了规范化的信号数据.
- 为肌肉活动持续时间和功能强度生成了可量化的参数.
- 在过程中,K-means集群对时肌和按摩肌的表现最好 (轮得分为0.10-0.11),而DBSCAN和GMM对其他运动的得分较低.
结论:
- 一个新的深度学习工作流程可以从图像中提取和量化下下巴EMG数据.
- 这种方法克服了专有软件的局限性,促进了TMJ复杂功能的高级分析.
- 这项研究为研究人员研究肌活动和相关疾病提供了宝贵的工具.
