Analysis of EMG Signals Using Stacking Model and Deep-MLP in the Detection of Neuromuscular Disorders

Abstract

Nöromüsküler hastalıklarda, özellikle miyopati ve nöropatide klinik semptomların benzerliği, yüzeysel elektromiyografi (sEMG) sinyallerine dayalı tanıyı önemli ölçüde zorlaştırmaktadır. Literatürdeki derin öğrenme yaklaşımları yüksek başarı oranları sunarken, düşük açıklanabilirlik oranları klinik güveni sınırlamaktadır. Bu çalışma, sEMG sinyallerinden çıkarılan el yapımı özellikler ve hibrit yapay zeka modelleri kullanarak hem yüksek doğruluk hem de yorumlanabilirlik sağlayan bir tanı sistemi geliştirmeyi amaçlamaktadır. Çalışmada, sağlıklı, miyopati ve nöropati sınıflarını kapsayan, Biceps Brachii ve Deltoid kaslarından kayıtlar içeren 241 katılımcıdan oluşan bir veri seti kullanılmıştır. Sinyallerden zaman, frekans ve doğrusal olmayan dinamikleri kapsayan 43 özellik çıkarılmış ve Karşılıklı Bilgi yöntemi kullanılarak en ayırt edici 20 özellik belirlenmiştir. Sınıflandırma aşamasında SVM, Rastgele Orman, Derin-MLP ve bu modelleri birleştiren bir Yığınlama mimarisi kullanılmıştır. Deneysel sonuçlar, Yığınlama modelinin üç sınıflı sınıflandırmada %80,26 doğrulukla en iyi performansı gösterdiğini ortaya koymuştur. İkili ayrımlarda, "Sağlıklı-Nöropati" sınıflandırmasında %93,17'lik bir başarı oranı elde edildi. Dahası, ayırt edilmesi en zor olan "Miyopati-Nöropati" çiftinde, Deep-MLP modeli, miyopatik sinyallerin heterojen doğasını %91'e varan doğrulukla başarıyla modelledi. Bu bulgular, çok boyutlu özellik kümelerinin ve topluluk öğrenme yöntemlerinin, nöromüsküler hastalıkların erken teşhisi için invaziv olmayan, güvenilir ve klinik olarak yorumlanabilir bir çözüm sunduğunu göstermektedir.