Uvedli smo algoritem za samodejno prepoznavanje pravilno razpoznanih (angl. true positive - TP) in napačno prepoznanih (ang. false positive - FP) proženj motoričnih enot, ki jih s postopki slepe ločitve izvorov (angl. blind source separation - BSS) identificiramo iz večkanalnih površinskih elektromiogramov (EMG). Algoritem izbere vnaprej določeno število proženj posamezne motorične enote, tako imenovanih prič. Ostala proženja so testna in so z našim algoritmom razvrščena v pravilno in napačno razpoznana. V ta namen algoritem zgradi toliko filtrov motoričnih enot, kolikor je testnih proženj, pri čemer uporabi podatke vseh prič in vsakega posameznega testnega proženja. Nato uporabi vsak filter motorične enote na signalih EMG in za vsako izbrano testno proženje pridobi novo oceno vseh proženj motorične enote. Za to novo oceno izračuna energijsko razmerje med pričami in šumom (angl. Pulse-to-Noise Ratio - PNR). Ko so izračunane nad vsemi testnimi proženji, tvorijo vrednosti PNR bimodalno porazdelitev z vrhom pri nižjih vrednostih PNR, ki predstavljajo napačno razpoznana proženja in vrhom pri višjih vrednostih PNR, ki predstavlja pravilno razpoznana proženja. Zato je mogoče pravilnost razpoznave posameznega testnega proženja razlikovati z uporabo računalniško učinkovitega algoritma segmentacije vrednosti PNR. Prav tako smo predlagali in medsebojno primerjali različne strategije izbire prič in pokazali, da izbira približno 40 proženj z največjo amplitudo v identificiranem vlaku proženj zmanjšuje verjetnost, da bodo kot priče izbrana napačno razpoznana proženja. S tem maksimira uspešnost razlikovanja med pravilno in napačno razpoznanimi proženji. V naših preskusih na 20 s dolgih eksperimentalnih signalih EMG dvoglave nadlahtne mišice se je število napačno razpoznanih proženj po uporabi predlaganega algoritma zmanjšalo s 23,9 ± 4,7 na 4,1 ± 4,4.
COBISS.SI-ID: 22931734
Analizirali smo učinkovitost različnih strategij predučenja filtrov posameznih motoričnih enot (ME) iz večkanalnih površinskih elektromiogramov (EMG), posnetih med prostovoljnimi mišičnimi skrčitvami. Filtri motoričnih enot so bili ocenjeni iz 10 s dolgih posnetkov izometričnih prostovoljnih skrčitev pri nizki stopnji mišičnega vzbujanja. V ta namen smo uporabili gradientno optimizacijo treh različnih stroškovnih funkcij in pridobili tri množice filtrov. Filtre smo nato uporabili za prepoznavanje proženj posameznih motoričnih enot v sestavljenih mišičnih potencialih, posnetih med vzbujenimi mišičnimi skrčitvami, ki so imele proženja motoričnih enot razpršena s standardnim odklonom od 13 ms do 1 ms in so s tem simulirala različne stopnje sinhronizacije ME. Pokazali smo, da sta število razpoznanih proženj motoričnih enot in njihova natančnost razpoznave močno odvisna od izbrane stroškovne funkcije v gradientni optimizaciji. Ne glede na izbrano stroškovno funkcijo in stopnjo sinhronizacije ME je bila srednja natančnost identifikacije motoričnih enot pri zunanje vzbujenih mišičnih skrčitvah ? 95% in je primerljiva z natančnostjo razpoznave pri prostovoljnih skrčitvah. Po drugi strani pa se povprečen odstotni delež zgrešenih proženj ME statistično značilno zvišal s stopnjo sinhronizacije, in sicer iz (1% na ~ 3%. Članek je sprejet v objavo na mednarodni konferenci EMBC2020.
COBISS.SI-ID: 00000001
V zadnjem desetletju je natančna identifikacija motoričnih enot (ME) v središču raziskovalnega zanimanja na področju analize večkanalnih elektromiogramov (EMG). Razvite so bile različne metode dekompozicije signalov EMG, vsaka s svojimi prednostmi in slabostmi. V tej raziskavi smo ocenili zmožnost treh različnih vrst nevronskih mrež, in sicer goste mreže, mreže z kratkoročnim in dolgoročnim spominom (angl. long short-term memory - LSTM) in konvolucijske mreže, da prepoznajo proženja ME iz večkanalnih površinskih signalov EMG. Vsaka vrsta nevronskih mrež je bila ovrednotena na simuliranih signalih EMG z znanim prožilnimi vzorci ME in z veliko raznolikostjo ostalih lastnosti ME. V primerjavi z gosto nevronsko mrežo sta LSTM in konvolucijska nevronska mreža imeli statistično značilno višjo natančnost in statistično značilno nižji odstotek napačnih razpoznav proženj ME. Mreža LSTM je pokazala večjo občutljivost na šum kot konvolucijska nevronska mreža.
COBISS.SI-ID: 00000002