通过EMG和机器学习,在多种姿势中检测睡眠 Bruxism 的高级传感系统
Jahan Zeb Gul1, Noor Fatima2, Zia Mohy Ud Din2
1Department of Electronic Engineering, Maynooth University, W23A3HY Maynooth, Ireland.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
这项研究引入了一种新的方法来诊断睡眠 Bruxism 使用电肌图 (EMG) 来自肌的数据. 机器学习模型实现了高精度,特别是在左侧位置,改善了布鲁克斯主义检测.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 诊断睡眠 Bruxism 是具有挑战性的,因为难以区分真正的 Bruxism 和正常的肌肉活动.
- 目前的检测方法,包括心电图 (EMG),心电图 (ECG) 和脑电图 (EEG),在可访问性和有效性方面存在局限性.
- 以前的研究主要集中在按摩肌肉和卧卧的睡眠位置上,可能忽视了其他关键指标.
研究的目的:
- 通过分析肌活动,研究电肌图 (EMG) 在检测睡眠肌症方面的有效性.
- 评估机器学习 (ML) 分类器,以识别不同睡眠姿势 (仰卧,左侧,右侧) 的睡眠布鲁克斯症.
- 为了提高睡眠布鲁克斯症诊断的准确性和临床适用性.
主要方法:
- 收集的EMG数据测量了仰卧,左侧和右侧位置的部和部肌肉的最大自愿收缩.
- 从EMG信号中提取了10个时间域特征.
- 对比了六个机器学习分类器的性能,包括随机森林,用于睡眠布鲁克斯症检测.
主要成果:
- 机器学习模型在使用状肌肉数据检测睡眠乱时表现出卓越的准确性,而不是使用状肌肉数据.
- 随机森林分类器在评估的模型中实现了最高的性能.
- 93.33%的准确性是特别实现了在左侧躺卧位置的睡眠布鲁克斯症检测.
结论:
- 肌肌肉是改善睡眠布鲁克斯症检测准确性的有希望的目标.
- 机器学习,特别是随机森林,显示出显著的潜力,以提高睡眠布鲁克斯症的临床诊断.
- 这项研究为更有效,数据驱动的睡眠乱症管理提供了一条途径.
