ok
A Convenient Non-harm Cervical Spondylosis Intelligent Identity method based on Machine Learning
一种基于机器学习的简便无损伤颈椎病智能识别方法
摘要
颈椎病（CS）是一种最常见的骨科疾病，主要由医生根据临床症状和医院昂贵仪器提供的颈椎变化进行判断。随着表面肌电图（sEMG）技术和人工智能技术的发展，我们提出了一种方便、无损伤的CS智能识别方法EasiCNCSII，包括表面肌电图数据采集和CS识别。针对有限的可测试肌肉，基于肌腱理论和CS病因学，提出了一种方便、有效的数据采集方法。面对高维数据和低可用性数据，开发了三层模型EasiAI以智能识别CS。在第一层中，从原始表面肌电数据中提取公共特征和新特征。第二层提出了EasiRF，以进一步降低数据维度，提高性能。在第三层建立了基于梯度增强回归树的分类模型来识别CS。
介绍
在这项工作中，我们提出了一种新的基于表面肌电和机器学习的方便、无伤害和智能的CS识别方法EasiCNCSII，如图1所示。
该方法主要包括数据采集和CS识别。
对于数据采集，我们提出了一种方便、省时的数据采集方法，包括6块肌肉和7个动作（肌肉和动作的选择见补充资料）。在将入口表面肌电设备连接到笔记本电脑和用户颈部肌肉后，用户只需根据说明独立完成一组简单动作，时间不超过20分钟。相关数据在sEMG设备采集时上传至智能处理终端。
对于CS识别，开发了基于三层体系结构的EasiAI模型来识别CS。Easi AI包括特征提取、特征选择和分类算法。在特征提取方面，我们从原始表面肌电信号中提取了11类特征，其中6类是在时域等常用的高维时间序列特征提取方法中提取的，其中5类是在相关知识的启发下构建的。Pearson证明大多数特征与CS显著相关（p≤ 0. 05). 在特征选择方面，提出了特征选择方法EasiRF，以选择最相关的特征并提高CS识别的性能。与传统的特征选择算法相比，Easi RF算法是有效的。在分类算法方面，提出了一种基于GBRT的分类算法来识别CS。
方法
EasiCNCSII
EasiCNCSII的设计如图2所示，包括两部分：数据采集和EasiAI模型。
图2。EasiCNCSII方法。图的左侧是CS识别模型EasiAI，由特征提取、特征选择、分类算法组成。图的右侧是数据采集。sEMG采集的数据自动传输至配备EasiAI的智能终端。EasiAI生成的报告将发送给用户。
对于数据采集，用户将表面肌电仪与6块肌肉连接后，按照简单的指令完成7个动作。来自用户的模拟信号被转换成数字信号，数字信号是高维时间序列数据，并通过sEMG设备发送到EasiAI。
EasiAI是一个三层数据处理模型：特征提取、特征选择和分类算法。特征提取算法采用时域、频域、时频域等方法从用户的数字信号中提取特征。为了选择最相关的特征，提出了基于随机森林（RF）的特征选择算法EasiRF。提出了基于梯度增强回归树的分类算法来识别CS，在有限的数据集上取得了较好的分类效果，且计算量相对较小。使用特征选择后的输入数据，生成显示用户是否患有CS的报告并返回给用户。轻量级算法可以集成到用户端并快速向用户发送报告，而无需担心隐私问题。
特征提取算法
采用时域、频域、时频、参数化模型和非线性特征分析等5种常用方法对表面肌电信号进行特征提取。此外，还考虑了利用疾病相关知识构造特征的方法。特征包括均方根（RMS）、中值频率（MF）、平均功率频率（MPF）、平均肌电图（AEMG）和综合肌电图（IEMG）在内的5个特征是临床研究中的常见特征。
EasiRF算法
基于RF的EasiRF是一种随机模型，随机选择样本生成树，随机选择特征作为分裂规则。
分类算法
基于RF的EasiRF是一种随机模型，随机选择样本生成树，随机选择特征作为分裂规则。
提出了一种基于梯度增强回归树(GBRT)的CS分类算法。GBRT也被称为梯度增强机(GBM)或梯度树增强。它是一种树集成模型，它的基分类器是一棵既可用于回归又可用于分类的决策树。对GBRT模型进行迭代训练。