自动神经肌肉评估:基于机器学习的面部的分类使用表面肌电图
Ibrahim Manzoor1, Aryana Popescu1, Sarah Ricchizzi1
1Department of Neurosurgery and Neurotechnology, Eberhard Karls University, Hoppe-Seyler-Straße 3, 72076 Tübingen, Germany.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
面部 (FP) 的严重程度可以使用面部表面电肌图 (EMG) 和机器学习模型来预测. 这种自动化方法为诊断面部神经功能提供了对主观临床评估的可靠替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 神经学 神经学
- 机器学习应用 机器学习应用
背景情况:
- 面部 (FP) 显著影响面部肌肉的控制,导致不对称性和情绪表达困难.
- 目前的评估方法,如House-Brackmann (HB) 评分是主观的,并且取决于考官.
- 客观和一致的FP评估对于有效的诊断和管理至关重要.
研究的目的:
- 开发和评估一个自动化系统,用面部表面电肌图 (EMG) 来预测面部的严重程度.
- 为了比较各种机器学习模型在基于EMG数据的FP等级分类中的性能.
- 为了建立一个非侵入性的,客观的替代传统的临床评分方法的FP.
主要方法:
- 面部表面EMG数据从58名受试者在特定的面部运动 (微笑,闭眼,抬起额头) 中收集.
- 用九种不同的机器学习模型提取和分析时间域EMG特征.
- 用准确性,精度,回忆和F1分数指标评估模型性能.
主要成果:
- 基于集群的机器学习模型,特别是随机森林和决策树集群,显示出最高的有效性.
- 这些模型的分类准确度在81.7%至84.8%之间,取决于分析的面部运动.
- 这些模型可靠地使用非侵入性EMG信号区分不同程度的面部.
结论:
- 基于集体的机器学习模型提供了一种强大而可靠的方法,用于使用EMG进行面部的自动分级.
- 这种方法为主观临床评估提供了一个客观的替代方案,提高了诊断一致性.
- 拟议的方法有可能改善面部的临床和研究环境中的纵向监测.
