在没有休息试验的情况下,基于机器学习的EMG基线噪声标准偏差估计
Naisargi Mehta1, Bashima Islam1, Edward A Clancy1
1Department of Electrical and Computer Engineering, Worcester Polytechnic Institute, Worcester, MA, USA.
概括
在表面电肌图 (EMG) 中估计静止噪声至关重要. 一种新的机器学习 (ML) 方法和固定值为准确的EMG分析提供了传统静态测量的可行替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 神经科学是一个神经科学.
背景情况:
- 在表面电肌图 (EMG) 中精确估计静止噪声标准偏差 (σnoise) 对于可靠的振幅估计至关重要,特别是在低级收缩中.
- 传统方法需要明确的静态EMG记录,这在现实应用中并不总是可行的.
研究的目的:
- 为了比较一种新型机器学习 (ML) 方法的准确性和固定噪声值与直接的静态测量来估计噪声.
- 评估这些方法在降低基线EMG噪声方面的有效性.
主要方法:
- 比较了直接的静态噪声测量与一个在模拟和真实EMG数据上训练的ML模型,来自62个受试者的三个系统.
- 作为第三种比较方法,使用了3%的最大自愿EMG (MVE) 固定的snoise值.
- 在单独的评估中评估了降噪性能.
主要成果:
- 基于ML的方法显示,与静止式噪声的MVE中位数绝对差异为1.4%.
- 固定噪声方法的中位数绝对差异为1.71%的MVE,与ML方法没有显著差异.
- 无论是ML方法还是固定噪声方法都实现了45%的噪声降低,而休息校准实现了75%的降低.
结论:
- 机器学习和固定的snoise值是用于EMG噪声估计的直接静态测量的可行的替代方案.
- 这些方法在缺乏明确休息数据的环境中提高了EMG分析的可靠性.
- 进一步的研究可能会优化这些替代噪声估计技术.
