EMG işaretlerinin modern yöntemlerle önişlenmesi ve sınıflandırılması

Abstract

Bu çalışmada, intromasküler (kas içi) elektromiyografik işaretlere ait motor üniteaksiyon potansiyellerinin (MUAP) spektral analiz yöntemleri ile önişlenmesi vedesen sınıflandırması yapılmıştır. Sunulan metot otomatik olarak MUAP şablonkümelerinin sayısını bulmakta ve bunları normal, nörojenik veya miyopatik olaraksınıflandırmaktadır. EMG işaretlerinden öznitelik vektörü (feature vector) çıkartmakiçin farklı AR parametrik metotları ve alternatif olarak işaretin belirleyici özelliklerikullanılmıştır. Bu yaklaşım, 7'si normal, 7'si miyopatik ve 13'ü de nörojenikrahatsızlığı olan deneklerden elde edilen 1200 MUAP'lık EMG kayıtlarının birveritabanında değerlendirilmesiyle sağlanmıştır. MUAP gruplarının doğru tanınmasıoranı normal, miyopatik ve nöropatik için sırasıyla %97, 90 ve 87 ve alternatifyöntemde % 97, 89 ve 90 dır. Eklenen MUAP'ların yaklaşık yüzde doksanı doğruolarak tanımlanmıştır. MUAP sınıflandırması için elde edilen doğruluk oranı, BileşikSinir Ağları (CNN) için %92'dir. Sunulan metot, çok hızlı EMG ayrışımlarısağlamasa da, işlenmemiş EMG işaretlerinden nöropatik, miyopatik veya normalsınıflara otomatik MUAP adreslemesini yapabilmektedir.Çalışmada benzer bir sınıflandırma FEBANN ile de yapılmıştır. Elde edilensonuçlar, bu çalışma için, CNN'in doğruluk oranlarının FEBANN'a göre dahayüksek olduğunu göstermektedir.

motor unit action potentials (MUAPs) from intramuscular electromyographic signals.The proposed method automatically detects the number of template MUAP clustersand classifies them into normal, neuropathic or myopathic. To extract a featurevector from the EMG signal, we use different AR parametric methods and features ofsignals. The approach has been validated using a dataset of EMG recordingscomposed of 1200 MUAPs obtained from 7 normal subjects, 7 subjects sufferingfrom myopathy, and 13 subjects suffering from neurogenic disease. The correctidentification rate for MUAP clustering is 97, 90 and 87% for normal, myopathic andneuropathic, respectively. Almost ninety percent of the superimposed MUAPs werecorrectly identified. The obtained accuracy for MUAP classification is about 92% forcombined neural network. The proposed method, apart from efficient EMGdecomposition addresses automatic MUAP classification to neuropathic, myopathicor normal classes directly from raw EMG signals.A similar classification was also made with FEBANN in the study. Obtained resultsshow that the accuracy rates for CNN in this study is higher than FEBANN