主要组件分析 电肌图特征的双图可视化用于亚最大肌肉力量分级的特征

科学领域:

• 生物医学工程 生物医学工程
• 康复科学 康复科学 康复科学
• 信号处理 信号处理

背景情况:

• 亚最大肌肉强度分级对于监测康复进展至关重要,特别是核心背部肌肉.
• 传统的手动肌肉测试 (MMT) 缺乏客观性,并与精细分级 (4-, 4, 4+) 斗争.
• 电肌图 (EMG) 提供了定量洞察力,但为分级选择相关特征仍然具有挑战性.

研究的目的:

• 开发和验证一种选择最佳EMG特征的方法,以准确分类亚最大肌肉强度.
• 解决主观MMT在评估核心背部肌肉力量进展方面的局限性.
• 通过使用EMG来增强康复期间肌肉力量的定量评估.

主要方法:

• 利用主要组件分析 (PCA) 双图可视化来选择捕捉微妙强度变化的EMG特征.
• 采用根平均平方 (RMS) EMG和波形长度作为通过双图分析识别的关键特征.
• 应用K-means和高斯混合模型 (GMM) 聚类来分级亚最大肌肉力量 (4-, 4, 4+, 5) 并使用轮分数比较性能.

主要成果:

• 拟议的特征集 (RMS EMG和波形长度) 与GMM聚类相结合,实现了最高的准确性.
• 对于关键的背部肌肉 (长胸长,下腰脊) 获得了显著的平均轮指数 (SI) 评分.
• 高等级的SI分数证实了该方法在区分次最大强度等级 (4-, 4, 4+, 5) 的有效性.

结论:

• 该研究成功地确定了一组最小但有效的EMG特征,用于亚最大肌肉强度分级.
• PCA双图可视化提供了一种强大的方法来克服选择核心背部肌肉适当的EMG特征的挑战.
• 拟议的方法显著改善了在临床环境中客观评估和监测肌肉力量恢复.