GLEAM:使用EEG和sEMG信号进行慢性腰部疼痛检测的多式深度学习框架

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 医疗保健中的人工智能

背景情况:

• 腰部疼痛 (LBP) 是一个全球性的健康挑战,导致严重的残疾和经济负担.
• 目前用于LBP强度的诊断方法可能是主观的,缺乏准确性.
• 需要客观和准确的工具来评估LBP的严重程度.

研究的目的:

• 开发和验证一个新的深度学习框架,用于精确的LBP强度分类.
• 调查结合脑电图 (EEG) 和表面电肌图 (sEMG) 信号用于LBP诊断的疗效.
• 引入一种先进的模型,能够区分四种LBP水平:没有,轻度,中度和无法忍受的.

主要方法:

• 设计了一个混合深度学习模型,GLEAM (GAN-Convolution-sElf Attention-ETLSTM).
• 一个否定生成对抗网络 (GAN) 被用来提高EEG和sEMG信号的质量.
• 卷积神经网络 (CNN),自我注意机制和ETLSTM网络被整合用于特征提取和分类.

主要成果:

• 在分类LBP强度方面,GLEAM模型实现了98.95%的高精度.
• 消除噪声的GAN有效地消除了EEG和sEMG信号中的噪声,改善了数据质量.
• 综合架构成功地捕获了生理信号中的本地和全球模式.

结论:

• 拟议的GLEAM框架为客观的LBP强度评估提供了强大可靠的方法.
• 这种深度学习方法显示了改善LBP诊断和患者管理的巨大潜力.
• 无声化GAN和ETLSTM网络的新型集成代表了疼痛评估生物信号分析的重大进步.