CN117198463A - 一种跨数据域识别针极肌电图运动神经元损害的方法 - Google Patents
一种跨数据域识别针极肌电图运动神经元损害的方法 Download PDFInfo
- Publication number
- CN117198463A CN117198463A CN202311464049.8A CN202311464049A CN117198463A CN 117198463 A CN117198463 A CN 117198463A CN 202311464049 A CN202311464049 A CN 202311464049A CN 117198463 A CN117198463 A CN 117198463A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- training
- motor neuron
- neuron damage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 210000002161 motor neuron Anatomy 0.000 title claims abstract description 45
- 230000004693 neuron damage Effects 0.000 title claims abstract description 37
- 238000002567 electromyography Methods 0.000 title abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 210000003205 muscle Anatomy 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 29
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims 2
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract 1
- 206010002026 amyotrophic lateral sclerosis Diseases 0.000 description 21
- 238000002474 experimental method Methods 0.000 description 10
- 230000006378 damage Effects 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000004195 computer-aided diagnosis Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 208000014674 injury Diseases 0.000 description 5
- 208000005264 motor neuron disease Diseases 0.000 description 5
- 208000018360 neuromuscular disease Diseases 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 206010041591 Spinal osteoarthritis Diseases 0.000 description 3
- 208000036319 cervical spondylosis Diseases 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000005801 spondylosis Diseases 0.000 description 3
- 206010028570 Myelopathy Diseases 0.000 description 2
- 238000002679 ablation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 208000034869 Cervical myelopathy Diseases 0.000 description 1
- 208000026072 Motor neurone disease Diseases 0.000 description 1
- 208000029033 Spinal Cord disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种跨数据域识别针极肌电图运动神经元损害的方法,包括步骤为:一、对已采集运动神经元损害和非运动神经元损害的不同肌肉部位肌电图数据,按个体划分训练集和测试集;二、对每个个体数据进行滑动窗口划分、去基线漂移和标准化等预处理;三、构建包括特征提取网络和投影头的跨数据域预训练网络,对每个个体数据,随机选择若干预处理后的样本数据,将其输入网络中进行学习;四、在识别阶段,采用单分支小波卷积神经网络作为分类器,输出患运动神经元损害的概率,获得最终的识别结果。本发明实现对运动神经元损害和非运动神经元损害的不同个体、不同部位、不同患病状态、不同族群肌电图数据特征的全面深入学习和共性特征提取。
Description
技术领域
本发明涉及计算机辅助医疗技术领域,具体涉及一种跨数据域识别针极肌电图运动神经元损害的方法。
背景技术
肌电图(Electromyography, EMG)是神经肌肉疾病临床诊断的常用检测工具,通过对受试者不同肌肉部位EMG数据的采集和分析,为运动神经元病的诊断和治疗方案提供临床参考。肌萎缩性侧索硬化症(Amyotrophic Lateral Sclerosis,ALS)又称运动神经元病,其和颈椎病性脊髓病(Cervical Spondylotic Myelopathy,CSM)有着相似的临床表现和肌电图特征,为临床鉴别诊断和治疗带来困难。不同肌肉部位对运动神经元损害的敏感程度不同,不同患病状态、不同肌肉部位的EMG数据可以认为来自不同的数据域。不同肌肉部位EMG数据采集的难度或受试者的耐受度不同,如何选择对运动神经元损伤敏感度高且受试者耐受度较好的肌肉部位作为EMG检测部位,提取出不同数据域的运动神经元损害的共性特征是计算机辅助诊断方法需要解决的重要问题。本发明主要涉及一种跨数据域识别针极肌电图运动神经元损害的深度学习方法。
相较于传统人工检测的方法,基于EMG数据的神经肌肉疾病计算机辅助诊断方法,可以大大提高EMG数据定量分析的效率和准确率,为医生提供辅助参考,实现对运动神经元疾病的早发现、早诊断、早治疗的目的。目前,基于EMG数据的运动神经元疾病计算机辅助诊断中,在数据集划分方面主要是将不同个体的样本数据进行训练集和测试集的划分,很少考虑按个体的划分方式。同时,在现有的EMG分析方面,很少分析不同肌肉部位在神经肌肉疾病诊断中的敏感性,并未对跨数据域的EMG数据进行分析。
因此,基于跨个体、跨数据域的EMG数据学习,对于提高EMG数据运动神经元疾病计算机辅助诊断性能、提取EMG共性特征、寻找EMG采集敏感肌肉部位有着重要的意义。
发明内容
本发明的目的在于面向共性特征提取的跨数据域学习方法,构建跨数据域学习网络,实现对跨数据域EMG数据共性特征的提取,提高EMG数据神经肌肉疾病计算机辅助诊断的分类性能。
本发明是通过以下技术方案实现的,包括以下步骤:
第一步,对已采集运动神经元损害和非运动神经元损害的不同肌肉部位肌电图数
据,每个人的EMG数据都是一个个体,不同患病状态、不同肌肉部位的EMG数据称之为来自
不同的数据域,将来自两个不同数据域的EMG个体数据分别构成训练集和测试集;
第二步,对 第i个个体的EMG数据,采用窗口长度为L、重叠率为50%的滑动窗口
划分,获得个EMG样本数据,并对每个EMG样本数据采用多项式拟合方法进行去基线漂移,
获得预处理样本数据;
第三步,在预训练阶段,对训练集和测试集中每个个体的EMG数据,随
机选择若干个预处理后的样本数据,将其输入预训练网络进行学习,在
此过程中训练集需要标签信息,测试集不需要标签信息。具体如下:
(1)将训练集和测试集的每个的若干样本数据作为预训练
网络三个分支网络的输入数据,包括训练集中的正常样本、训练集中的患病样本和测试集
样本;其中,患病样本指具有运动神经元损害的样本,正常样本指非运动神经元损害的样
本,可以是正常人样本,也可以是不包含运动神经元损害的颈椎病样本;
(2)预训练网络的三个分支网络包括两条在线网络和一条目标网络,三条网络均包含特征提取网络和投影头两部分;其中,特征提取网络使用多分支小波卷积神经网络,包括3个小波卷积层、2个池化层和2个批标准化层,每个小波卷积层的核函数受所选小波基函数的约束,其尺度因子、位移因子、振幅权重系数等参数可以通过梯度下降法在训练中进行学习和更新;投影头是一个多层感知网络,由线性函数、批标准化层、线性整流函数、线性函数连接而成;
(3)两条在线网络的输入分别为训练集中的正常样本和患病样本,目标网络的输入为测试集中的样本。两条在线网络之间计算类间损失,在线网络与目标网络之间计算跨数据域之间的损失,两个损失加权构成网络的总损失,具体来说:
对于跨数据域的类内损失,采用余弦相似度来衡量数据域之间的距离,用其拉
近两个数据域之间的距离,其函数如下:
其中,分别表示来自训练集和测试集的样本,S和T分别代表训练集和测试集
中样本的总数,和分别是在线网络和目标网络中的特征提取网络,和分别是在线网
络和目标网络中的投影头,F(▪)为余弦相似度函数,E为均值函数;
对于类间损失,采用泄露类内损失函数,其函数如下:
其中,分别表示来自训练集患病和正常的两个样本,C是常数,LR是带泄露
线性整流函数;
网络的总损失为 ,其中为加权因子,取值从0到1。
(4)采用梯度下降法对在线网络进行参数更新,目标网络参数由当前的网络参数与在线网络的参数加权得到,最后得到训练好的预训练网络。
第四步,在识别阶段,采用单分支小波卷积神经网络作为分类器,基于预训练网络中的特征提取网络提取高阶嵌入特征,再将其输入到分类器中进行训练和测试,输出患运动神经元损害的概率,实现对肌电信号的识别分类。具体如下:
(1)基于预训练网络中的特征提取网络,对训练集数据和测试集数据分别提取高阶嵌入特征;
(2)采用单分支小波卷积神经网络作为分类器,将训练集的高阶嵌入特征输入分类器进行训练,基于训练好的分类器,对测试集进行测试,其中,小波卷积神经网络包括1个小波卷积层、2个1维普通卷积层、2个池化层和2个批标准化层;
(3)输出患运动神经元损害的概率,实现对肌电信号的识别分类。
与现有技术相比,本发明的有益效果是:
(1)本发明提出了一种共性特征提取的深度学习框架,基于EMG数据可以实现对运动神经元损伤共性特征的提取,筛选出对运动神经元损伤敏感度高且受试者耐受度较好的肌肉部位作为EMG检测肌肉部位。
(2)本发明可以有效提高ALS和CSM肌电图的鉴别性能,提高针极肌电图运动神经元损害的识别能力。
(3)预训练神经网络可以一方面减少两个不同数据域之间的差异,另一方面能根据训练集的标签对数据进行预分类,实现对不同数据域共性特征的提取。
(4)设计的分类器基于单分支小波卷积神经网络,所需的训练参数较少,可以提取更多隐藏特征,提高了分类的效率和准确率。
附图说明
图1为本发明的预训练阶段算法流程图;
图2为本发明识别阶段算法流程图;
图3为本发明的特征提取网络示意图。
具体实施方式
下面结合附图对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和过程,但本发明的保护范围不限于下述的实施例。
本发明以肌电图(Electromyography, EMG)数据为应用对象,对患有肌萎缩性侧索硬化症(Amyotrophic Lateral Sclerosis,ALS)的EMG数据分别与正常EMG数据、颈椎病性脊髓病(Cervical Spondylotic Myelopathy,CSM)的EMG数据进行学习和分类。如表1所示,实验中使用的数据来源于公开数据集EMGLAB和北京大学第三医院,共包含两个数据集:
数据集1由北京大学第三医院提供,采用Keypoint***采集得到的ALS、正常和CSM数据集,采样率为24kHz。分别采集自胫骨前肌(ATM)、右侧第一骨间肌(rFIM)和胸锁乳突肌(STER)。
数据集2(BBM数据集)是从EMGLABs的公开数据集下载的,它是使用Keypoint***从肱二头肌(BBM)中采样得到的ALS和正常数据集,采样率为23437Hz。 BBM数据集人数有限,记录为个人。
在下面的实验中,使用数据集1来评估所提出的方法在实验在ALS和CSM识别中的性能,并使用数据集1和数据集2来展示所提出的方法在跨部位和跨族群实验中的有效性。
表1 数据集的构成
如图1所示,本发明基于对比学习的跨个体、跨数据域学习方法的实施例流程如下:
第一步,对已采集运动神经元损害和非运动神经元损害的不同肌肉部位肌电图数
据,每个人的EMG数据都是一个个体,不同患病状态、不同肌肉部位的EMG数据称之为来自
不同的数据域,将来自两个不同数据域的EMG个体数据分别构成训练集和测试集。
在预训练阶段,使用训练集的所有样本和测试集样本的1/5。在分类器训练阶段,训练集的所有样本和标签用来训练分类器;测试阶段,测试集的所有样本用于测试。为了避免样本划分过程中可能出现的偏差,采用五折交叉验证来减少不同个体的影响,说明所提方法的性能。
第二步,对第i个体的EMG数据,采用窗口长度为L、重叠率为50%的滑动窗口划
分,获得个EMG样本数据,并对每个EMG样本数据采用多项式拟合方法进行去基线漂移,获
得预处理样本数据。具体如下:
首先,对原始EMG数据,采用窗口长度6000进行滑动窗口划分,窗口与窗口之间
有50%的重叠率,每个分析窗口内的EMG数据看作一个样本;在本实施例中,
以BBM数据集为例,可获得5028个ALS样本和5344个正常对照样本;
然后,对每个EMG样本数据,采用多项式拟合方法进行去基线漂移。在本实施例中,通过对信号多项式拟合得到一条原始基线,用原始EMG信号减去原始基线即可得到去基线漂移后的EMG数据。
第三步,在预训练阶段,对训练集和测试集中每个个体的EMG数据,随
机选择若干个预处理后的样本数据,将其输入预训练网络进行学习,在
此过程中训练集需要标签信息,测试集不需要标签。具体操作如下:
(1)将训练集和测试集的每个的12个样本数据作为预训练
网络三个分支网络的输入数据,包括训练集中的正常样本、训练集中的患病样本和测试集
样本;其中,患病样本指具有运动神经元损害的样本,正常样本指非运动神经元损害的样
本,可以是正常人样本,也可以是不包含运动神经元损害的颈椎病样本;
(2)预训练网络的三个分支网络包括两条在线网络和一条目标网络,三条网络均包含特征提取网络和投影头两部分;数据经过特征提取网络之后得到嵌入,嵌入再经过投影头得到projection。特征提取网络如附图3所示,特征提取网络使用多分支小波卷积神经网络,包括3个小波卷积层、2个池化层和2个批标准化层,每个小波卷积层的核函数受所选小波基函数的约束,其尺度因子、位移因子、振幅权重系数等参数可以通过梯度下降法在训练中进行学习和更新;投影头是一个简单的多层感知网络,由线性函数、批标准化层、线性整流函数、线性函数连接而成。
(3)两条在线网络的输入分别为训练集中的正常样本和患病样本,目标网络的输入为测试集中的样本;两条在线网络之间计算类间损失,在线网络与目标网络之间计算跨数据域之间的损失,两个损失加权构成网络的总损失,具体来说:
对于跨数据域的类内损失,采用余弦相似度来衡量数据域之间的距离,用其拉
近两个数据域之间的距离,其函数如下:
其中,分别表示来自训练集和测试集的样本,S和T分别代表训练集和测试集
中样本的总数,和分别是在线网络和目标网络中的特征提取网络,和分别是在线网
络和目标网络中的投影头,F(▪)为余弦相似度函数,E为均值函数;
对于类间损失,采用泄露类内损失函数,其函数如下:
其中,分别表示来自训练集患病和正常的两个样本,C是常数,LR是带泄露
线性整流函数。
网络的总损失为 ,其中为加权因子,取值从0到1。
(4)采用梯度下降法对在线网络进行参数更新,目标网络参数由当前的网络参数与在线网络的参数加权得到,最后得到训练好的预训练网络。
第四步,如图2所示,在识别阶段,采用单分支小波卷积神经网络作为分类器,基于预训练网络中的特征提取网络提取高阶嵌入特征,再将其输入到分类器中进行训练和测试,输出患运动神经元损害的概率,实现对肌电信号的识别分类。具体如下:
(1)基于预训练网络中的特征提取网络,对训练集数据和测试集数据分别提取高阶嵌入特征;
(2)采用单分支小波卷积神经网络作为分类器,将训练集的高阶嵌入特征输入分类器进行训练,基于训练好的分类器,对测试集进行测试;其中,小波卷积神经网络包括1个小波卷积层、2个1维普通卷积层、2个池化层和2个批标准化层;
(3)输出患运动神经元损害的概率,实现对肌电信号的识别分类。
本实施例中,以下所有实验均在Ubuntu***上进行,GPU为NVIDIA GeForce1080Ti,CUDA10.2。在预训练期间的相关配置如下:30个epochs,batch size为128,学习率为0.0003;在分类器训练阶段的相关配置如下:60个epochs,batch size为16,学习率为0.0003。
对于数据集1和数据集2,均使用Keypoint***以近似相同的采样率从不同的肌肉部位和不同族群中采样(即数据集1是亚洲人群样本,数据集2是欧洲人群样本)。 在ALS和CSM识别的实验中,考虑到胸锁乳突肌在临床中对于ALS和CSM鉴别的有效性,分别采用rFIM和ATM作为训练集,STER作为测试集进行两种疾病的识别。在跨族群实验中,交替使用rFIM和BBM作为训练集和测试集。
在表2和表3中,提供了ALS和CSM的在胸锁乳突肌上的识别结果,比较了所提出方法和其他现有方法的识别性能。其中,方法1、方法2使用的是传统机器学习方法。其中,方法1提取特征过后使用线性判别分析(Linear Discriminant Analysis,LDA)作为分类器;方法2使用集成分类器进行识别分类。方法3使用一种扩展的一维卷积神经网络,从原始 EMG信号中识别 ALS。 表2中,训练集为数据集1的rFIM数据集,测试集为数据集2的STER数据集。表3中,训练集为数据集1的ATM数据集,测试集为数据集2的STER数据集。从表2和表3可以看出,两种传统机器学习方法的准确率明显低于两种深度学习方法。相比之下,方法3和本发明方法的深度学习方法更容易学习运动神经元损害的共性特征。与方法3相比,本发明方法在不同肌肉部位进行训练的情况下,在胸锁乳突肌上进行测试的识别性能更加稳定,有着更好的鲁棒性。
表2 以rFIM为训练集,STER为测试集的ALS和CSM识别结果
表3 以ATM为训练集,STER为测试集的ALS和CSM识别结果
表4和表5提供了跨肌肉部位和跨族群的ALS和正常识别实验,分别采用rFIM和BBM作为训练集,BBM、rFIM、ATM作为测试集。从表4和表5可见,本发明所提出的学习模型可以提取不同肌肉部位和不同族群运动神经元损伤的共性特征,实现对运动神经元损害ALS和非运动神经元损害的正常EMG数据的准确识别。可以看到本发明方法在单一肌肉部位和跨部位实验中,均具有较高的分类性能,并且对各种不同肌肉部位实验具有良好的鲁棒性。在某些肌肉部位不方便采集的情况下,本发明方法可以更有效的实现对已有肌肉部位EMG数据的有效利用,且可以获得良好的识别性能。
表4 以rFIM为训练集的ALS和正常识别结果
表5 以BBM为训练集的ALS和正常识别结果
本发明中各算法模块的作用如表6的消融实验所示,在该实验中,以BBM作为训练数据集,rFIM作为测试数据集。表6结果说明预训练对所提算法性能至关重要,去除预训练模块,算法性能下降 12.62%。泄露类内损失函数和新分类器也表现出了对模型性能提升的重要贡献。
表6 消融实验结果
综合来看,在跨个体、跨数据域的EMG数据分析中,本发明方法可以更有效的实现对运动神经元损害共性特征的提取,提高跨个体、跨部位、跨族群等跨数据域的运动神经元损害检测的准确性以及鲁棒性。
上述说明已经充分介绍了本发明的具体实施方式。需要指出的是,熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应的,本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。
Claims (3)
1.一种跨数据域识别针极肌电图运动神经元损害的方法,其特征在于,所述方法以针极肌电图数据为应用对象,包括以下步骤:
(1)对已采集运动神经元损害和非运动神经元损害的不同肌肉部位肌电图数据,第i个人的EMG数据是一个个体,不同患病状态、不同肌肉部位的EMG数据称之为来自不同的数据域,将来自两个不同数据域的EMG个体数据分别构成训练集/>和测试集/>;
(2)对每个个体的EMG数据,采用窗口长度为L、重叠率为50%的滑动窗口划分,获得/>个EMG样本数据,并对每个EMG样本数据采用多项式拟合方法进行去基线漂移,获得预处理样本数据/>;
(3)在预训练阶段,对训练集和测试集/>中每个个体的EMG数据/>,随机选择若干个预处理后的样本数据/>,将其输入预训练网络进行学习,在此过程中训练集需要标签信息,测试集不需要标签信息;
(4)在识别阶段,采用单分支小波卷积神经网络作为分类器,基于预训练网络中的特征提取网络提取高阶嵌入特征,再将其输入到分类器中进行训练和测试,输出患运动神经元损害的概率,实现对肌电信号的识别分类。
2.根据权利要求1所述的一种跨数据域识别针极肌电图运动神经元损害的方法,其特征在于,所述步骤(3)的预训练过程具体如下:
(1)将训练集和测试集的每个的若干样本数据/>作为预训练网络三个分支网络的输入数据,包括训练集中的正常样本、训练集中的患病样本和测试集样本;其中,患病样本指具有运动神经元损害的样本,正常样本指非运动神经元损害的样本;
(2)预训练网络的三个分支网络包括两条在线网络和一条目标网络,三条网络均包含特征提取网络和投影头两部分;其中,特征提取网络使用多分支小波卷积神经网络,包括3个小波卷积层、2个池化层和2个批标准化层,每个小波卷积层的核函数受所选小波基函数的约束,其尺度因子、位移因子、振幅权重系数可以通过梯度下降法在训练中进行学习和更新;投影头是一个多层感知网络,由线性函数、批标准化层、线性整流函数、线性函数连接而成;
(3)两条在线网络的输入分别为训练集中的正常样本和患病样本,目标网络的输入为测试集中的样本;两条在线网络之间计算类间损失,在线网络与目标网络之间计算跨数据域之间的损失,两个损失加权构成网络的总损失,具体来说:
对于跨数据域的类内损失,采用余弦相似度来衡量数据域之间的距离,用其拉近两个数据域之间的距离,其函数如下:
,
其中,分别表示来自训练集和测试集的样本,S和T分别代表训练集和测试集中样本的总数,/>和/>分别是在线网络和目标网络中的特征提取网络,/>和/>分别是在线网络和目标网络中的投影头,F(▪)为余弦相似度函数,E为均值函数;
对于类间损失,采用泄露类内损失函数,其函数如下:
,
其中,分别表示来自训练集患病和正常的两个样本,C是常数,LR是带泄露线性整流函数;
网络的总损失为 ,其中/>为加权因子,取值从0到1;
(4)采用梯度下降法对在线网络进行参数更新,目标网络参数由当前的网络参数与在线网络的参数加权得到,最后得到训练好的预训练网络。
3.根据权利要求1所述的一种跨数据域识别针极肌电图运动神经元损害的方法,其特征在于,所述步骤(4)的分类过程具体如下:
(1)基于预训练网络中的特征提取网络,对训练集数据和测试集数据分别提取高阶嵌入特征;
(2)采用单分支小波卷积神经网络作为分类器,将训练集的高阶嵌入特征输入分类器进行训练,基于训练好的分类器,对测试集进行测试,其中,小波卷积神经网络包括1个小波卷积层、2个1维普通卷积层、2个池化层和2个批标准化层;
(3)输出患运动神经元损害的概率,实现对肌电信号的识别分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464049.8A CN117198463A (zh) | 2023-11-06 | 2023-11-06 | 一种跨数据域识别针极肌电图运动神经元损害的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464049.8A CN117198463A (zh) | 2023-11-06 | 2023-11-06 | 一种跨数据域识别针极肌电图运动神经元损害的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117198463A true CN117198463A (zh) | 2023-12-08 |
Family
ID=89003808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311464049.8A Pending CN117198463A (zh) | 2023-11-06 | 2023-11-06 | 一种跨数据域识别针极肌电图运动神经元损害的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117198463A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180247224A1 (en) * | 2017-02-28 | 2018-08-30 | Nec Europe Ltd. | System and method for multi-modal graph-based personalization |
CN114611563A (zh) * | 2022-05-16 | 2022-06-10 | 北京大学第三医院(北京大学第三临床医学院) | 一种跨部位识别针极肌电图神经源性损害的方法 |
CN114936583A (zh) * | 2022-06-14 | 2022-08-23 | 中国科学技术大学 | 基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法 |
CN116029333A (zh) * | 2023-01-04 | 2023-04-28 | 飞矩科技(上海)有限公司 | 一种面向分布式***自适应的多目标肌电模式识别方法 |
-
2023
- 2023-11-06 CN CN202311464049.8A patent/CN117198463A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180247224A1 (en) * | 2017-02-28 | 2018-08-30 | Nec Europe Ltd. | System and method for multi-modal graph-based personalization |
CN114611563A (zh) * | 2022-05-16 | 2022-06-10 | 北京大学第三医院(北京大学第三临床医学院) | 一种跨部位识别针极肌电图神经源性损害的方法 |
CN114936583A (zh) * | 2022-06-14 | 2022-08-23 | 中国科学技术大学 | 基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法 |
CN116029333A (zh) * | 2023-01-04 | 2023-04-28 | 飞矩科技(上海)有限公司 | 一种面向分布式***自适应的多目标肌电模式识别方法 |
Non-Patent Citations (2)
Title |
---|
HAOYU ZHANG .ET: "Domain Contrast Network for cross-muscle ALS disease identification with EMG signal", 《ELSEVIER》, pages 1 - 8 * |
唐爱明 等: "《新编内科疾病诊疗学》", 30 September 2009, pages: 449 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Dermatologist-level classification of skin cancer using cascaded ensembling of convolutional neural network and handcrafted features based deep neural network | |
Rahman et al. | Sleep stage classification using single-channel EOG | |
Zhang et al. | A sensor-based wrist pulse signal processing and lung cancer recognition | |
Zhao et al. | Noise rejection for wearable ECGs using modified frequency slice wavelet transform and convolutional neural networks | |
Abou Jaoude et al. | Detection of mesial temporal lobe epileptiform discharges on intracranial electrodes using deep learning | |
Li et al. | Robust ECG biometrics using GNMF and sparse representation | |
Du et al. | A method for detecting high-frequency oscillations using semi-supervised k-means and mean shift clustering | |
CN108256629A (zh) | 基于卷积网络和自编码的eeg信号无监督特征学习方法 | |
Yuan et al. | Wave2vec: Learning deep representations for biosignals | |
Li et al. | Application of MODWT and log-normal distribution model for automatic epilepsy identification | |
Prasanth et al. | Deep learning for interictal epileptiform spike detection from scalp EEG frequency sub bands | |
Singh et al. | Detection of epileptic seizure EEG signal using multiscale entropies and complete ensemble empirical mode decomposition | |
Soni et al. | Graphical representation learning-based approach for automatic classification of electroencephalogram signals in depression | |
Wei et al. | A deep learning framework with multi-perspective fusion for interictal epileptiform discharges detection in scalp electroencephalogram | |
Li et al. | Early diagnosis of Parkinson's disease using Continuous Convolution Network: Handwriting recognition based on off-line hand drawing without template | |
Al-Salman et al. | Sleep stage classification in EEG signals using the clustering approach based probability distribution features coupled with classification algorithms | |
CN112651927A (zh) | 一种基于卷积神经网络与支持向量机的拉曼光谱智能识别方法 | |
Qazi et al. | Electroencephalogram (EEG) Brain Signals to Detect Alcoholism Based on Deep Learning. | |
CN113988135A (zh) | 一种基于双分支多流网络的肌电信号手势识别方法 | |
Hu et al. | Spatiotemporal convolution sleep network based on graph attention mechanism with automatic feature extraction | |
Haloi et al. | Statistical feature-based EEG signals classification using ANN and SVM classifiers for Parkinson’s disease detection | |
CN117198463A (zh) | 一种跨数据域识别针极肌电图运动神经元损害的方法 | |
Oikonomou | Human recognition using deep neural networks and spatial patterns of SSVEP signals | |
da Silva Lourenço et al. | Not one size fits all: influence of EEG type when training a deep neural network for interictal epileptiform discharge detection | |
Jia et al. | Decision level fusion for pulse signal classification using multiple features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |