通过可解释的人工智能解释中风损伤的肌电图案

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 机器学习 机器学习

背景情况:

• 缺血性中风往往导致步行障碍,影响患者的康复和生活质量.
• 电肌图 (EMG) 为神经肌肉功能提供了有价值的见解,可能作为中风诱导的步态问题的诊断标记.
• 当前的诊断方法可能无法完全捕捉影响中风后步态的微妙神经肌肉变化.

研究的目的:

• 开发一种可解释的机器学习 (ML) 框架,使用EMG信号来区分中风患者和健康个体.
• 通过可解释的人工智能 (XAI) 技术,识别关键的EMG特征,表明与中风相关的步行障碍.
• 建立一个客观的工具来预测和管理中风后的步行功能障碍.

主要方法:

• 收集了48名中风患者和75名健康成年人的EMG数据.
• 使用可穿戴传感器在双腿骨和两个下肢的侧面胃角肌肉.
• 使用增强ML模型 (例如GBoost) 和XAI技术 (SHAP,LIME,Anchors) 来进行分类和解释.

主要成果:

• 该GBoost模型实现了高分类性能,在训练组中AUROC为0.94,在测试组中为0.92 (准确率为85.26%).
• 在XAI分析中,确定了右双腿骨和侧腹肌肌的特定EMG光谱特征,这些特征对于区分中风患者至关重要.
• 可解释模型有效地突出了与中风相关的行走障碍相关的神经肌肉变化.

结论:

• 一个可解释的基于EMG的ML模型可以准确地预测中风相关的步行障碍.
• 这种方法为中风后的早期检测和个性化康复策略提供了一个有希望的,客观的工具.
• 已识别的EMG生物标志物可以显著帮助控制中风幸存者的步行功能障碍.