使用EMG和MMG信号持续估计吞运动

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 信号处理 信号处理

背景情况:

• 口腔喉功能障碍 (OD) 是一种常见的吞功能障碍,特别是在老年人和神经病患者中,导致严重的健康风险.
• 目前的评估方法,如视频光学吞研究 (VFSS) 有局限性,包括辐射暴露和高成本.
• 需要方便的长期监测设备,以便在日常生活中准确评估吞功能.

研究的目的:

• 调查电肌图 (EMG) 和机械肌图 (MMG) 信号的性能,以估计持续吞运动.
• 评估用于分析这些信号的机器学习方法 (GPR,LSTM,RF).
• 提出基于深度摄像机的方法,用于参考喉位移测量.

主要方法:

• 从健康受试者和帕金森病 (PD) 患者身上使用可穿戴传感器收集了EMG和MMG信号.
• 使用高斯过程回归 (GPR),LSTM和随机森林 (RF) 来估计吞运动.
• 使用深度摄像头记录吞时的参考喉位移.

主要成果:

• 在健康受试者中,EMG模型展示了精确的吞运动估计,达到平均相关系数 (CC) ~0.90和正常化根平均平方误差 (NRMSE) <0.15.
• 对于PD患者来说,EMG模型使用RF实现了0.804的CC和0.205的NRMSE.
• MMG模型显示了可比性能:LSTM获得了0.844/0.150的CC/NRMSE (健康),RF获得了0.727/0.204的CC/NRMSE (PD患者).

结论:

• 当使用机器学习分析EMG和MMG信号时,它们都可用于准确,连续的吞运动估计.
• 这种方法可以为评估和管理口腔喉功能障碍 (OD) 提供安全和方便的替代方案.
• 这项研究开创了EMG和MMG用于持续的吞功能监测,为改善患者护理铺平了道路.