ok
EasiCSDeep：利用表面肌電信號(hào)識(shí)別頸椎病的深度學(xué)習(xí)模型
EasiCSDeep: A deep learning model for Cervical Spondylosis Identification using surface electromyography signal

摘要

本文提出了一種基于深度學(xué)習(xí)的智能方法，利用表面肌電信號(hào)識(shí)別頸椎病（CS）。針對(duì)表面肌電信號(hào)的復(fù)雜性、高維性和弱可用性，提出并開發(fā)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的多通道EasiCSDeep算法，該算法包括特征提取、空間關(guān)系表示和分類算法。

2 介紹

在本文中，我們開發(fā)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的EasiCSDeep方法，利用表面肌電信號(hào)，提供CS識(shí)別。EasiCSDeep是一個(gè)三層模型：特征提取、空間關(guān)系表示和分類算法。在特征提取方面，我們采用了五種特征提取方法來提取表面肌電信號(hào)的特征，并盡可能全面地用低維特征來表征高維表面肌電信號(hào)，有效地降低了數(shù)據(jù)維數(shù)，同時(shí)保留了原始表面肌電信號(hào)的特性。對(duì)于空間關(guān)系表示，我們根據(jù)產(chǎn)生表面肌電信號(hào)的肌肉的解剖位置以及所涉及的活動(dòng)類型，將特征數(shù)據(jù)重新組織為二維陣列數(shù)據(jù)，支持深度學(xué)習(xí)模型，自動(dòng)提取多個(gè)肌肉表面肌電信號(hào)之間的關(guān)系。對(duì)于分類算法，我們提出了一個(gè)具有六個(gè)處理通道的多通道模型EASIDEP，以同時(shí)處理不同類型的數(shù)據(jù)。EASIDEP保留了主要特征，減少了參數(shù)數(shù)量，并在不需要領(lǐng)域知識(shí)的情況下自動(dòng)捕獲依賴關(guān)系，提高了模型的性能。

我們的貢獻(xiàn)體現(xiàn)在以下五個(gè)方面：
? 我們采用了五種類型的特征提取方法來提取五種類型的特征，每種類型的特征側(cè)重于表面肌電數(shù)據(jù)的一個(gè)方面的特性，并盡可能全面地描述表面肌電信號(hào)，在保留原始表面肌電信號(hào)特性的同時(shí)降低數(shù)據(jù)維數(shù)。每種類型的特征提取方法都側(cè)重于不同觀測(cè)視圖中信號(hào)的特性。
? 受地理第一定律的啟發(fā)，我們結(jié)合解剖學(xué)和運(yùn)動(dòng)學(xué)知識(shí)重新組織數(shù)據(jù)，以提高EasiCSDeep的性能
? 根據(jù)特征類型，開發(fā)EASIDEP，在不需要專家知識(shí)和經(jīng)驗(yàn)的情況下自動(dòng)提取關(guān)系，在保證網(wǎng)絡(luò)計(jì)算能力的同時(shí)減少網(wǎng)絡(luò)參數(shù)

5 方法

如圖4所示，EasiCSDeep由特征提取FE、空間關(guān)系表示RS和分類算法EasiDeep組成。
特征提取：面對(duì)表面肌電數(shù)據(jù)的高維性和弱可用性，五種類型的特征提取方法，包括時(shí)域方法（TM）、頻域方法（F M）、時(shí)頻方法（T F M）、基于模型的方法（MM）和非線性熵特征提取方法（NM），用于提取表面肌電信號(hào)的特征。每種類型的特征提取方法都側(cè)重于不同觀測(cè)視圖中信號(hào)的特性。

時(shí)域方法：將表面肌電數(shù)據(jù)視為時(shí)間域中時(shí)間軸上的物理信號(hào)值，其變化特性通常用平均值、方差、最大值和最小值等統(tǒng)計(jì)特征來表示。時(shí)域方法用于提取上述特征，它將表面肌電信號(hào)看作隨機(jī)信號(hào)，其平均值為零，其方差隨信號(hào)強(qiáng)度的變化而變化。

頻域方法：頻域分析方法主要研究肌電信號(hào)在頻域的變化特征，其特征可以表示為頻域特征。本文利用傅立葉變換對(duì)表面肌電信號(hào)進(jìn)行變換，提取了14個(gè)頻域特征值。

時(shí)頻域方法：與時(shí)域和頻域方法不同，時(shí)頻域方法同時(shí)關(guān)注時(shí)變特性和頻率分布。與時(shí)域或頻域中的特征不同，表面肌電能夠由小波變換過程中產(chǎn)生的小波系數(shù)表示。本文首先采用著名的離散小波變換（DWT）方法對(duì)表面肌電信號(hào)進(jìn)行5級(jí)分解。

基于模型的方法：對(duì)于基于模型的方法，我們重點(diǎn)研究了數(shù)據(jù)聯(lián)合分布的特征。自回歸（AR）模型是一種流行的特征提取方法，廣泛應(yīng)用于生理信號(hào)分析，通過將表面肌電信號(hào)表示為模型的系數(shù)，來表示表面肌電的聯(lián)合分布。

非線性特征提取方法：由于表面肌電信號(hào)是通過跨肌肉膜的離子交換產(chǎn)生的，離子交換的狀態(tài)由電極檢測(cè)，狀態(tài)的變化反映了肌肉活動(dòng)的混亂程度。我們用熵來描述肌肉活動(dòng)的混亂程度。具體而言，sEMG信號(hào)的每個(gè)值表示一個(gè)狀態(tài)。

空間關(guān)系表示

7 總結(jié)

在本文中，我們提出并開發(fā)了一種新的基于深度學(xué)習(xí)的多通道模型EasiCSDeep，該模型使用表面肌電信號(hào)進(jìn)行深度學(xué)習(xí)，便攜式設(shè)備可以輕松獲取該信號(hào)。EasiCSDeep利用低維特征數(shù)據(jù)對(duì)高維表面肌電信號(hào)進(jìn)行綜合表征，將數(shù)據(jù)重組為矩陣格式，以支持深度學(xué)習(xí)的計(jì)算，并開發(fā)了具有六個(gè)通道的EASIDEP來同時(shí)處理五種類型的特征數(shù)據(jù)，能夠自動(dòng)捕獲依賴關(guān)系并提高模型的性能。

總結(jié)

以上是生活随笔為你收集整理的EasiCSDeep：利用表面肌电信号识别颈椎病的深度学习模型的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。