基于sEMG的萨尔科佩尼亚风险分类,使用经验模式分解和机器学习算法
Konki Sravan Kumar1, Daehyun Lee1,2, Ankhzaya Jamsrandoj3
1Center for Artificial Intelligence, Korea Institute of Science and Technology, Seoul, Korea.
Mathematical biosciences and engineering : MBE
|March 8, 2024
概括
这项研究引入了一种使用表面电肌图 (sEMG) 和机器学习的新方法,以早期检测肉症风险. 该技术准确地识别身体活动期间肌肉健康风险,帮助预防策略.
科学领域:
- 生物医学工程 生物医学工程
- 运动学 运动学
- 老年学是一门学科.
背景情况:
- 在较年轻的年龄中检测萨科佩尼亚风险对于预防策略和健康的衰老至关重要.
- 当前的方法在动态活动期间的早期识别中可能缺乏精度.
研究的目的:
- 开发和验证一种用于早期发现肉症风险的新技术.
- 将表面电肌图 (sEMG) 信号与实证模式分解 (EMD) 和机器学习 (ML) 结合起来.
主要方法:
- 在健康和处于危险状态的个体的行走和坐活动中收集的sEMG数据.
- 使用EMD从正常化的sEMG信号中提取内在模式函数 (IMF).
- 对于特征选择的最小冗余性最大相关性 (mRMR),然后是ML分类与离开一个主体的交叉验证.
主要成果:
- 获得的高准确率:0.88 (正常行走),0.89 (快速行走),0.81 (标准坐),0.80 (宽坐).
- 通过sEMG-EMD-ML系统,可靠地确定了肉症风险.
- 在各种体力任务中有效地分类患有肉症风险的个体.
结论:
- 拟议的sEMG-EMD-ML系统提供了一种可靠和准确的方法,用于早期发现肉症风险.
- 这项技术在肌肉功能评估和健康监测方面具有实际应用.
- 早期识别支持改善肌肉质量和终身福祉的干预措施.


