一个非侵入性神经质量评估模型,用于表面肌电图信号

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 表面电肌图 (sEMG) 测量通常被心电图 (ECG) 信号污染,特别是在心脏附近.
• 准确评估sEMG数据质量对于在临床和研究环境中可靠的解释至关重要.

研究的目的:

• 开发和验证QASE-net,一种用于预测sEMG信号的信号噪声比 (SNR) 的非侵入性模型.
• 为了提高现实世界的sEMG数据质量评估的有效性.

主要方法:

• QASE-net采用一个端到端训练的架构,集成1D卷积神经网络 (CNN),双向长期短期记忆 (BLSTM) 层和注意力机制.
• 利用来自非侵入性自适应假肢数据库的现实世界sEMG数据和来自MIT-BIH正常鼻腔节律数据库的ECG数据进行实验验证.

主要成果:

• 与基线方法相比,QASE-net在预测sEMG信号与噪声比率方面表现优越.
• 该模型显示预测错误显著减少,与地面真相SNR值的线性相关性更高.
• 实验结果证实了QASE-net在评估sEMG数据质量的有效性.

结论:

• 在实际场景中,QASE-net为提高sEMG质量评估的可靠性和精度提供了一个有希望的解决方案.
• 拟议的模型有可能在各种应用中显著提高sEMG数据的可用性.
• 这项工作有助于为生物医学测量提供更强大的信号处理技术.