带道综合征自动诊断:一种基于运动与感觉神经传导的方法
Dimitrios Bakalis1, Prokopis Kontogiannis1, Evangelos Ntais2
1Department of Computer Science and Engineering, School of Engineering, University of Ioannina, 45110 Ioannina, Greece.
Bioengineering (Basel, Switzerland)
|February 23, 2024
概括
机器学习使用神经传导研究 (NCS) 准确诊断手腕道综合征 (CTS). 分析运动和感觉神经信号的先进算法实现了高精度,有助于临床诊断.
科学领域:
- 神经学 神经学
- 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:
- 手腕道综合征 (CTS) 的诊断依赖于电生理学测试.
- 对神经传导研究 (NCS) 的客观解释可能具有挑战性.
研究的目的:
- 通过使用NCS数据,评估机器学习 (ML) 对于自动化CTS诊断的有效性.
- 为了比较两种ML方法来分类CTS严重程度.
主要方法:
- 电机NCS信号被转换为时间频谱图,用于深度2D卷积神经网络 (CONV2D) 分析.
- 感觉NCS信号经历了多层波段分解 (MWD) 进行特征提取和分类器训练.
- 分类器区分对照组,轻度CTS和中度至重度CTS.
主要成果:
- 使用电机信号的CONV2D模型实现了94%的准确性.
- 使用感官信号的基于MWD的模型实现了97.1%的准确性.
- 这两种ML方法的性能都超过了以前的自动CTS诊断方法.
结论:
- ML分类技术显著提高了NCS对CTS诊断的准确性.
- 这些方法为临床医生在诊断和管理CTS等神经病变方面提供了宝贵的工具.
- 将AI集成到NCS分析中可以提高诊断效率和精度.
