混合注意力-CNN模型用于使用EMG脑电图图像对步态异常进行分类

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 医疗保健中的机器学习

背景情况:

• 电肌图 (EMG) 对于肌肉功能评估至关重要,但由于噪音和可变性,它面临解释挑战.
• 从EMG信号中获得的 Skalogram 图像提供了用于分析的视觉表示.
• 现有的诊断方法需要提高准确性和效率.

研究的目的:

• 开发一个强大的算法来分类EMG扫描图像.
• 使用EMG数据,准确区分诸如风湿性关节炎和椎间盘缩等疾病.
• 提高神经和肌肉骨疾病的诊断能力.

主要方法:

• 使用了由电肌图数据生成的图图像.
• 开发了一种混合算法,结合了注意力网络架构和卷积神经网络 (CNN) 分类.
• 使用注意力和卷积模块提取的特征用于增强分类.

主要成果:

• 拟议的混合CNN模型与八个替代架构相比,表现出优越的性能.
• 在分类步态异常方面,实现了高准确度 (96.7%),精度 (95.2%),回忆力 (94.8%),曲线下面积 (0.99).
• 该模型显示出对EMG信号模式的优异区分能力.

结论:

• 开发的算法准确地分类EMG扫描图像,为诊断工具提供了显著的进步.
• 这种方法有可能用于早期诊断和改善风湿性关节炎和椎间盘缩患者的治疗计划.
• 混合模型有效地减轻了与EMG信号解释相关的挑战.