ok
EasiCSDeep：利用表面肌電信號識別頸椎病的深度學習模型
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習的智能方法，利用表面肌電信號識別頸椎病（CS）。針對表面肌電信號的復雜性、高維性和弱可用性，提出并開發了一種基于卷積神經網絡的多通道EasiCSDeep算法，該算法包括特征提取、空間關系表示和分類算法。

2 介紹

在本文中，我們開發了一種基于卷積神經網絡的EasiCSDeep方法，利用表面肌電信號，提供CS識別。EasiCSDeep是一個三層模型：特征提取、空間關系表示和分類算法。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，有效地降低了數據維數，同時保留了原始表面肌電信號的特性。對于空間關系表示，我們根據產生表面肌電信號的肌肉的解剖位置以及所涉及的活動類型，將特征數據重新組織為二維陣列數據，支持深度學習模型，自動提取多個肌肉表面肌電信號之間的關系。對于分類算法，我們提出了一個具有六個處理通道的多通道模型EASIDEP，以同時處理不同類型的數據。EASIDEP保留了主要特征，減少了參數數量，并在不需要領域知識的情況下自動捕獲依賴關系，提高了模型的性能。

我們的貢獻體現在以下五個方面：
? 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，每種類型的特征側重于表面肌電數據的一個方面的特性，并盡可能全面地描述表面肌電信號，在保留原始表面肌電信號特性的同時降低數據維數。每種類型的特征提取方法都側重于不同觀測視圖中信號的特性。
? 受地理第一定律的啟發，我們結合解剖學和運動學知識重新組織數據，以提高EasiCSDeep的性能
? 根據特征類型，開發EASIDEP，在不需要專家知識和經驗的情況下自動提取關系，在保證網絡計算能力的同時減少網絡參數

5 方法

如圖4所示，EasiCSDeep由特征提取FE、空間關系表示RS和分類算法EasiDeep組成。
特征提取：面對表面肌電數據的高維性和弱可用性，五種類型的特征提取方法，包括時域方法（TM）、頻域方法（F M）、時頻方法（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的特征。每種類型的特征提取方法都側重于不同觀測視圖中信號的特性。

時域方法：將表面肌電數據視為時間域中時間軸上的物理信號值，其變化特性通常用平均值、方差、最大值和最小值等統計特征來表示。時域方法用于提取上述特征，它將表面肌電信號看作隨機信號，其平均值為零，其方差隨信號強度的變化而變化。

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表面肌電信號進行變換，提取了14個頻域特征值。

時頻域方法：與時域和頻域方法不同，時頻域方法同時關注時變特性和頻率分布。與時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生的小波系數表示。本文首先采用著名的離散小波變換（DWT）方法對表面肌電信號進行5級分解。

基于模型的方法：對于基于模型的方法，我們重點研究了數據聯合分布的特征。自回歸（AR）模型是一種流行的特征提取方法，廣泛應用于生理信號分析，通過將表面肌電信號表示為模型的系數，來表示表面肌電的聯合分布。

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

空間關系表示

7 總結

在本文中，我們提出并開發了一種新的基于深度學習的多通道模型EasiCSDeep，該模型使用表面肌電信號進行深度學習，便攜式設備可以輕松獲取該信號。EasiCSDeep利用低維特征數據對高維表面肌電信號進行綜合表征，將數據重組為矩陣格式，以支持深度學習的計算，并開發了具有六個通道的EASIDEP來同時處理五種類型的特征數據，能夠自動捕獲依賴關系并提高模型的性能。

總結

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內容，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站內容還不錯，歡迎將生活随笔推薦給好友。