基于sEMG的吞材料的自动表征

科学领域:

• 生物医学工程 生物医学工程
• 生理学 生理学 生理学
• 机器学习 机器学习

背景情况:

• 监测消化活动对于管理糖尿病和肥胖等健康状况至关重要.
• 吞是一种复杂的生理过程,对生存至关重要.
• 目前的监测方法可能具有侵入性或缺乏精度.

研究的目的:

• 开发自动化,非侵入性的方法来检测和量化饮食活动.
• 使用无线表面电肌图 (sEMG) 和IMU传感器进行消化行为分析.
• 为具有成本效益的健康管理工具奠定基础.

主要方法:

• 收集了来自大肌和手腕安装IMU的无线表面电肌图 (sEMG) 信号.
• 分析了55名参与者的4675个吞.
• 机器学习模型 (神经网络,SVM,决策树) 用于检测,分类和体积估计.

主要成果:

• 在使用神经网络回归来估计液体玻璃体积时,获得了高精度 (R2=0.88,RMSE=0.2).
• 卷积神经网络在分类玻尿酸体积方面实现了>99%的准确性.
• 固体玻尿酸类型的分类和固体玻尿酸重量的估计显示出高准确度 (>94%跨主体) 和精度 (RMSE低至0.00037).

结论:

• 该研究提出了一种具有成本效益的非侵入性方法,用于监测吞和吞活动.
• 这项技术可以显著有利于患有需要消化行为管理的慢性健康状况的个人.
• 开发的自动化方法为先进的健康和健康监测系统提供了基础.