利用基于sEMG的数据,探索一种机器学习方法来诊断中国社区中居住的老年人中的麻症
Na Li1,2,3, Jiarui Ou4, Haoru He1,2,3
1The National Clinical Research Center for Geriatrics, West China Hospital of Sichuan University, Chengdu, Sichuan, 610041, China.
Journal of neuroengineering and rehabilitation
|May 9, 2024
概括
这项研究开发了一种机器学习方法,使用手握表面电肌图 (sEMG) 信号来对老年人进行查. 该方法实现了超过70%的准确性,提供了一个潜在的社区友好的检测工具.
科学领域:
- 生物医学工程 生物医学工程
- 老年学是一门学科.
- 机器学习 机器学习
背景情况:
- 查萨尔科佩尼亚需要更快,社区友好的方法.
- 表面电肌图 (sEMG) 信号为非侵入性检测提供了潜在的潜力.
- 机器学习 (ML) 可以分析复杂的sEMG数据以获得诊断见解.
研究的目的:
- 在社区居住的老年人中查萨科佩尼亚.
- 为了研究手握sEMG信号的实用性,用于使用ML检测肉症.
- 通过特征重要性分析来解释ML模型的发现.
主要方法:
- 招募了158名老年人 (≥60岁) 进行肉症查.
- 在20%和50%的最大自愿收缩 (MVC) 时,手握时记录了前臂肌肉的sEMG.
- 从sEMG信号中提取了9个特征,并使用了投票分类器 (SVM,RF,GBM) 与SHAP进行解释.
主要成果:
- 在9个特征中,有7个特征显示了健康群体和肉毒群体之间的显著差异.
- 通过交叉验证,投票分类器实现了80%的灵敏度和73%的准确性.
- 波长 (WL) 和CWT_kurtosis被确定为SHAP分析的关键特征.
结论:
- 建议使用前臂sEMG和ML进行基于社区的肉类瘤查方法.
- 该方法显示了中等分类性能 (准确度>70%,灵敏度>75%).
- 用sEMG特征表示的运动单元激活模式可能在肉症中至关重要.
