Использование модели машинного обучения для классификации миографических заболеваний

Аннотация:

Для решения задачи классификации применены модели последовательного машинного обучения с использованием методов глубокого обучения. Работа реализована на платформе Kaggle с использованием языка программирования Python. Установлена зависящая от числа эпох точность нейронной сети при помощи кривых точности и потерь при обучении, оценивается влияние числа потерь на повышение точности сети. Электромиография - метод исследования и оценки функционального состояния периферических нервов, спинно-мозговых корешков и мышц. В основе его лежит оценка электрической проводимости и возбудимости нервных структур и мышц. Современные методы обработки применяются практически во всех областях медицины, включая электромиографию, а методы искусственного интеллекта успешно используются для повышения результатов диагностики. В исследователи предлагают метод классификации трех типов сигналов мембранного потенциала покоя, полученных в виде изображений посредством диагностической игольчатой электромиографии (ЭМГ) с использованием TensorFlow-Slim и Python для реализации схемы распознавания изображений на основе искусственного интеллекта. Классификационная модель Inception v4 использовалась для разделения изображений сигналов на три категории (точность=93,8%, точность=99,5%, полнота=90,8%). Это было сделано путем применения предварительно обученной модели Inception v4 к методу тонкой настройки. Модель распознавания изображений была создана для обучения с использованием различных типов медицинских данных на основе изображений. Целью статьи является исследование подхода глубокой нейронной сети к классификации 41-го движения руки и запястья на основе сигнала sEMG. Предложенные модели были обучены и оценены с использованием общедоступной базы данных проекта Ninapro, одной из крупнейших общедоступных баз данных sEMG для усовершенствованного миоэлектрического протезирования руки. Для этого исследования использовали два набора данных: DB5 с недорогими 16 каналами и настройкой частоты дискретизации 200 Гц и DB7 с 12 каналами и настройкой частоты дискретизации 2 кГц. Подход авторов достиг общей точности 93,87±1,49 и 91,69±4,68 % со сбалансированной точностью 84,00±3,40 и 84,66±4,78 % для DB5 и DB7 соответственно.

Авторы:

Издание: Медицинская техника
Год издания: 2022
Объем: 4с.
Дополнительная информация: 2022.-N 5.-С.42-45. Библ. 13 назв.
Просмотров: 12