ok
EasiCSDeep：利用表面肌电信号识别颈椎病的深度学习模型
EasiCSDeep: A deep learning model for Cervical Spondylosis Identification using surface electromyography signal
摘要
本文提出了一种基于深度学习的智能方法，利用表面肌电信号识别颈椎病（CS）。针对表面肌电信号的复杂性、高维性和弱可用性，提出并开发了一种基于卷积神经网络的多通道EasiCSDeep算法，该算法包括特征提取、空间关系表示和分类算法。
2 介绍
在本文中，我们开发了一种基于卷积神经网络的EasiCSDeep方法，利用表面肌电信号，提供CS识别。EasiCSDeep是一个三层模型：特征提取、空间关系表示和分类算法。在特征提取方面，我们采用了五种特征提取方法来提取表面肌电信号的特征，并尽可能全面地用低维特征来表征高维表面肌电信号，有效地降低了数据维数，同时保留了原始表面肌电信号的特性。对于空间关系表示，我们根据产生表面肌电信号的肌肉的解剖位置以及所涉及的活动类型，将特征数据重新组织为二维阵列数据，支持深度学习模型，自动提取多个肌肉表面肌电信号之间的关系。对于分类算法，我们提出了一个具有六个处理通道的多通道模型EASIDEP，以同时处理不同类型的数据。EASIDEP保留了主要特征，减少了参数数量，并在不需要领域知识的情况下自动捕获依赖关系，提高了模型的性能。
我们的贡献体现在以下五个方面：
• 我们采用了五种类型的特征提取方法来提取五种类型的特征，每种类型的特征侧重于表面肌电数据的一个方面的特性，并尽可能全面地描述表面肌电信号，在保留原始表面肌电信号特性的同时降低数据维数。每种类型的特征提取方法都侧重于不同观测视图中信号的特性。
• 受地理第一定律的启发，我们结合解剖学和运动学知识重新组织数据，以提高EasiCSDeep的性能
• 根据特征类型，开发EASIDEP，在不需要专家知识和经验的情况下自动提取关系，在保证网络计算能力的同时减少网络参数
5 方法
如图4所示，EasiCSDeep由特征提取FE、空间关系表示RS和分类算法EasiDeep组成。
特征提取：面对表面肌电数据的高维性和弱可用性，五种类型的特征提取方法，包括时域方法（TM）、频域方法（F M）、时频方法（T F M）、基于模型的方法（MM）和非线性熵特征提取方法（NM），用于提取表面肌电信号的特征。每种类型的特征提取方法都侧重于不同观测视图中信号的特性。
时域方法：将表面肌电数据视为时间域中时间轴上的物理信号值，其变化特性通常用平均值、方差、最大值和最小值等统计特征来表示。时域方法用于提取上述特征，它将表面肌电信号看作随机信号，其平均值为零，其方差随信号强度的变化而变化。
频域方法：频域分析方法主要研究肌电信号在频域的变化特征，其特征可以表示为频域特征。本文利用傅立叶变换对表面肌电信号进行变换，提取了14个频域特征值。
时频域方法：与时域和频域方法不同，时频域方法同时关注时变特性和频率分布。与时域或频域中的特征不同，表面肌电能够由小波变换过程中产生的小波系数表示。本文首先采用著名的离散小波变换（DWT）方法对表面肌电信号进行5级分解。
基于模型的方法：对于基于模型的方法，我们重点研究了数据联合分布的特征。自回归（AR）模型是一种流行的特征提取方法，广泛应用于生理信号分析，通过将表面肌电信号表示为模型的系数，来表示表面肌电的联合分布。
非线性特征提取方法：由于表面肌电信号是通过跨肌肉膜的离子交换产生的，离子交换的状态由电极检测，状态的变化反映了肌肉活动的混乱程度。我们用熵来描述肌肉活动的混乱程度。具体而言，sEMG信号的每个值表示一个状态。
空间关系表示
7 总结
在本文中，我们提出并开发了一种新的基于深度学习的多通道模型EasiCSDeep，该模型使用表面肌电信号进行深度学习，便携式设备可以轻松获取该信号。EasiCSDeep利用低维特征数据对高维表面肌电信号进行综合表征，将数据重组为矩阵格式，以支持深度学习的计算，并开发了具有六个通道的EASIDEP来同时处理五种类型的特征数据，能够自动捕获依赖关系并提高模型的性能。