Classification of EMG signals using wavelet neural network

توضیحات

ABSTRACT

An accurate and computationally efficient means of classifying electromyographic (EMG) signal patterns has been the subject of considerable research effort in recent years. Quantitative analysis of EMG signals provides an important source of information for the diagnosis of neuromuscular disorders. Following the recent  development of computer-aided EMG equipment, different methodologies in the time domain and frequency domain have been followed for quantitative analysis. In this study, feedforward error backpropagation  artificial neural networks (FEBANN) and wavelet neural networks (WNN) based classifiers were developed and compared in relation to their accuracy in classification of EMG signals. In these methods, we used an  autoregressive (AR) model of EMG signals as an input to classification system. A total of 1200 MUPs obtained from 7 normal subjects, 7 subjects suffering from myopathy and 13 subjects suffering from neurogenic  disease were analyzed. The success rate for the WNN technique was 90.7% and for the FEBANN technique 88%. The comparisons between the developed classifiers were primarily based on a number of scalar  performance measures pertaining to the classification. The WNN-based classifier outperformed the FEBANN  counterpart. The proposed WNN classification may support expert decisions and add weight to EMG  differential diagnosis.

INTRODUCTION

More than 100 neuromuscular disorders that influence the spinal cord, nerves or muscles are present. Early finding and diagnosis of these diseases by clinical examination and laboratory tests is crucial for their  management as well as their anticipation through prenatal diagnosis and genetic counselling. Such  information is also valuable in research, which may lead to the understanding of the nature and eventual  treatment of these diseases (Christodoulou and Pattichis, 1999). Motor unit morphology can be studied by recording its electrical activity, known as electromyography (EMG). In clinical EMG motor unit potentials (MUPs) are recorded using a needle electrode at slight voluntary contraction. The MUP reflects the electrical activity of a single anatomical motor unit. It represents the compound action potential of those muscle fibres within the recording range of the electrode. Features of MUPs extracted in the time domain such as duration, amplitude and phases proved to be very helpful in differentiating between muscle and nerve diseases with  the duration measure being the key parameter used in clinical practice (Pattichis and Pattichis, 1999).  

چکیده

ابزار دقیق و محاسباتی کارآمد طبقه بندی الگوی سیگنال الکترومیوگرافی (EMG) موضوع تحقیق قابل توجهی در سال های اخیر بوده است. تجزیه و تحلیل کمی از سیگنال های EMG یک منبع مهم اطلاعات برای تشخیص اختلالات عصبی-عضلانی است. پس از توسعه اخیر تجهیزات کامپیوتری EMG، روشهای متفاوتی در دامنه زمان و دامنه فرکانس برای تجزیه و تحلیل کمی مورد استفاده قرار گرفته است. در این مطالعه، طبقه بندی های مبتنی بر شبکه های عصبی مصنوعی (FEBANN) و شبکه های عصبی موجک (WNN) پیش بینی شده توسط نرم افزاری پیش بینی شده تهیه شده و با توجه به دقت آنها در طبقه بندی سیگنال های EMG مقایسه شده است. در این روش، ما یک مدل Autoregressive (AR) از سیگنال EMG را به عنوان ورودی به سیستم طبقه بندی استفاده کردیم. در مجموع 1200 MUP از 7 فرد طبیعی، 7 مورد مبتلا به میوپاتی و 13 فرد مبتلا به بیماری نوروژنیک مورد بررسی قرار گرفت. میزان موفقیت برای روش WNN 7/90٪ و برای روش FEBANN 88٪ بود. مقایسه بین طبقه بندی های توسعه یافته اساسا بر اساس تعدادی از معیارهای عملکرد اسکالر مربوط به طبقه بندی است. طبقه بندی مبتنی بر WNN فراتر از همتای FEBANN است. طبقه بندی پیشنهاد شده WNN ممکن است از تصمیمات کارشناسان پشتیبانی کند و وزن را به تشخیص افتراقی EMG افزایش دهد.

مقدمه

بیش از 100 اختلال عصبی-عضلانی که بر نخاع، اعصاب و ماهیچه تاثیر می گذارند وجود دارد. یافته های اولیه و تشخیص این بیماری ها از طریق معاینه بالینی و آزمایش های آزمایشگاهی برای مدیریت آنها و پیش بینی آنها از طریق تشخیص قبل از تولد و مشاوره ژنتیکی حیاتی است. چنین اطلاعاتی نیز در تحقیقات ارزشمند است که ممکن است منجر به درک طبیعت و درمان احتمالی این بیماری ها شود (Christodoulou and Pattichis، 1999). مورفولوژی واحد موتور با ثبت فعالیت الکتریکی آن (EMG) شناخته می شود. در پلاسمای الکترومغناطیسی واحد الکترومغناطیسی (MUPs) با استفاده از یک الکترود سوزن با انقباض دائمی جزئی ثبت می شود. MUP نشان دهنده فعالیت الکتریکی یک واحد موتور آناتومیک است. این نشان دهنده پتانسیل عمل ترکیبات این فیبرهای عضلانی در محدوده ضبط الکترود است. ویژگی های MUP های استخراج شده در حوزه زمان مانند دوره، دامنه و فاز ها در تمایز بین بیماری های عضلانی و عصبی بسیار مفید بوده و اندازه گیری طول آنها پارامتر کلیدی مورد استفاده در عمل بالینی است (Pattichis and Pattichis، 1999).

Year: 2006

Publisher : ELSEVIER

By :  Abdulhamit Subasi , Mustafa Yilmaz , Hasan Riza Ozcalik

File Information: English Language/ 8 Page / size: 330KB

Only site members can download free of charge after registering and adding to the cart

Download tutorial

سال : 1385

ناشر : ELSEVIER

کاری از : عبدالحمید سوبدی، مصطفی ییلماز، حسن ریضا اوزکالیک

اطلاعات فایل : زبان انگلیسی / 8 صفحه / حجم : KB 330

فقط اعضای سایت پس از ثبت نام و اضافه کردن به سبد خرید می توانند دانلود رایگان کنند.خوشحال می شویم به ما پبیوندید

آموزش دانلود