EMG信号分解によって抽出されたモーターユニットの潜在列車のSVMベースの検証

筋電図（EMG）シグナル分解を介して抽出されたモーターユニットポテンシャルトレイン（MUPTS）は、神経筋障害の診断と、運動の神経制御の研究を支援しますが、それらが有効な場合のみです。このホワイトペーパーでは、抽出されたMUPTの有効性を推定するために、サポートベクターマシン（SVM）ベースの教師分類器を提案します。分類器は、MU発火パターンまたはMUPTのMUP形状の一貫性のいずれかを使用して、その妥当性を推定します。開発された分類器は、MUPTのクラスラベル（つまり、有効/無効）と、行われている決定に対するある程度のサポートを推定しています。抽出されたMU発火パターンとMUP形状の特徴を使用して、特定のMUPTの有効性を推定する単一のSVMを調査しました。さらに、2つの異なるSVMによって個別に決定された、MU発火パターンと特定のMUPTのMUP形状の妥当性を融合させることにより、列車の全体的な妥当性を推定するマルチラシファー技術の有効性も調査されました。シミュレートされたデータのみに基づいたトレーニングは、シミュレートされたテストデータと実際のテストデータの両方を使用してテストした場合、いくつかのマルチラシファーメソッドの堅牢な分類パフォーマンスを示しました。調査した方法のうち、トレーニング可能なロジスティック回帰を使用してベース分類器出力を集約して構築されたマルチラシファーは、最高のパフォーマンスを示しました。抽出されたMUPTの12.7％が平均して無効であると仮定すると、分解中に抽出されたMUPTを正しく分類するこの方法の推定精度は、シミュレートされたデータと実際のデータでそれぞれ99.4％および98.8％でした。

Motor unit potential trains (MUPTs) extracted via electromyographic (EMG) signal decomposition can aid in the diagnosis of neuromuscular disorders and the study of the neural control of movement, but only if they are valid. In this paper, support vector machine (SVM)-based supervised classifiers are proposed to estimate the validity of extracted MUPTs. The classifiers use either the MU firing pattern or the MUP shape consistency of an MUPT, or both, to estimate its validity. The developed classifiers estimate the class label of an MUPT (i.e., valid/invalid) and a degree of support for the decision being made. A single SVM that estimates the validity of a given MUPT using extracted MU firing pattern and MUP shape features was investigated. In addition, the effectiveness of multiclassifier techniques which estimate the overall validity of a train by fusing the MU firing pattern and MUP shape validity of a given MUPT, determined separately by two distinct SVMs, was also investigated. Training based only on simulated data showed robust classification performance of the several multiclassifier methods when tested using both simulated and real test data. Of the methods studied, the multiclassifier constructed using trainable logistic regression to aggregate base classifier outputs had the best performance. Assuming 12.7% of extracted MUPTs are on average invalid, the estimated accuracy for this method in correctly categorizing MUPTs extracted during decomposition was 99.4% and 98.8% for simulated and real data, respectively.