通过机器学习评估肌肉度,使用表面肌电图.
Andressa Rastrelo Rezende1, Camille Marques Alves1, Isabela Alves Marques1
1Assistive Technology Laboratory, Faculty of Electrical Engineering, Federal University of Uberlandia, Uberlandia 38400-902, Brazil.
Sensors (Basel, Switzerland)
|October 16, 2024
概括
这项研究引入了一种新的客观方法,使用表面电肌图 (sEMG) 和机器学习 (ML) 来准确地分类肌肉度异常. 这种方法为神经系统疾病的主观评估提供了可靠的替代方案.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 康复科学 康复科学 康复科学
背景情况:
- 肌肉度,抵抗被动拉伸,对于运动至关重要,由中枢神经系统调节.
- 神经系统疾病往往导致异常的肌肉度,目前通过主观尺度进行评估.
- 缺乏客观的测量方法阻碍了肌肉调异常的准确诊断和治疗.
研究的目的:
- 开发和验证一个客观的方法来分类肌肉度使用表面电肌图 (sEMG) 和机器学习 (ML).
- 区分各种肌肉度状态,包括,健康,低压和刚性,在上肢.
- 为未来的临床应用确定影响分类准确性的关键特征.
主要方法:
- 收集了来自39个具有不同肌肉发作特征 (,健康,低压,) 个体的sEMG数据.
- 应用机器学习算法来基于sEMG信号来分类和表征肌肉度.
- 分析的特征的重要性,以了解驱动分类性能的因素.
主要成果:
- 机器学习分类器实现了高精度,最佳模型在区分肌肉度方面达到96.12%.
- 这项研究成功地客观地分类了上肢肌肉度的全谱.
- 确定了影响分类器性能的关键特征,为未来的发展提供了见解.
结论:
- 拟议的sEMG和ML方法提供了一种可靠和定量方法来评估肌肉度.
- 这种客观方法解决了临床实践中传统的主观评估的局限性.
- 这些发现为开发用于客观肌肉度评估和管理的新设备铺平了道路.
关键词:
这是分类分类的分类.评价 评价 评价 评价机器学习是机器学习.肌肉度 肌肉度 肌肉度 肌肉度神经系统疾病 神经系统疾病表面电力学图 (surface electromyography) 是一种表面电力学图.更多相关视频
09:21Muscle Function Obtained with Motion Mode Ultrasound and Surface Electromyography during Core Endurance Exercise
Published on: August 25, 2022
3.1K
04:27Using Facial Electromyography to Assess Facial Muscle Reactions to Experienced and Observed Affective Touch in Humans
Published on: March 15, 2019
11.1K
