Geyilə bilən səth elektromiografiyası (sEMG) sistemləri real vaxtda gəzinti analizi üçün güclü potensial göstərir, lakin bir neçə çərçivə simsiz əldə olunma, standartlaşdırılmış normalaşdırma və tək təsdiq edilmiş bir boru kəmərində optimallaşdırılmış maşın öyrənməsini birləşdirir və mövzu müstəqil lokomotiv tanımalarına qoyduğu birgə töhfələri aydın deyil. Bu tədqiqat, lokomotor-təşəbbüs təsnifatı və nevromuskul xarakterizasiya üçün aparat dizaynı, normalizasiya qiymətləndirilməsi və Bayesian optimallaşdırılmış maşın öyrənməsini birləşdirən xüsusi simsiz sEMG çərçivəsini inkişaf etdirdi və təsdiqlədi. ESP32 əsaslı bir sistem 25 sağlam iştirakçıda səviyyədə gəzmək, merdivenin yüksəlməsi və rampada qalxma zamanı tibialis anterior, soleus və gastrocnemius lateralis fəaliyyətini qeydə alıb. Sinyallar bant keçidləri filtrləndi (20500 Hz), düzəldildi və 120 vaxt, tezlik və vaxttezlik domen xüsusiyyətlərini çıxarmaq üçün istifadə edildi. Üç normalizasiya strategiyası, üç xüsusiyyət seçimi metodu və səkkiz Bayesian optimallaşdırılmış təsnifatçı tədqiqat iştirakçı səviyyəsində bölünmə, 5 × 5 çapraz təsdiq, bir subyektdən kənarda (LOSO) təsdiq və müstəqil test dəstləri vasitəsilə qiymətləndirilib. İşdən asılı EMG fərqləri böyük effekt ölçüləri ilə əhəmiyyətli idi (η2 = 0,1830,708, p < 0,001). Dərs gəzinti ən elektromiografik olaraq fərqlənən vəzifə idi, pilləkən və ramp yüksəlişi oxşar, lakin ayrılmazdır; ramp yüksəlişi orta vəziyyətdə çox əzələli birgə aktivləşmə və ayaq üstündə zirvədə soleus aktivliyi (50,7 ± 6,2% MVC) göstərdi. Z-poçt normalizasiyası ilə genetik alqoritm xüsusiyyətlərinin seçilməsi ən yaxşı tək bölünmə performansını verdi (logistika regresiyası: 98,33% dəqiqlik; SVM: 96,33%). Daha sərt LOSO rejimi altında, təsadüfi meşə 44 xüsusiyyət ilə 89,02% dəqiqliyə çatdı, bir əlaqəyə görə kəsilmiş 17 xüsusiyyət alt dəstində isə bu dərəcə bütün təsnifatçılar arasında ən yaxşı SVM (92,40%) ilə uyğunlaşdı və ya ötüb. İki dərin öyrənmə əsas xəttləri (1D-CNN, BiLSTM) LOSO dəqiqliyini müqayisə edə biləcək (91,39% və 87,72%), xüsusiyyətlərə əsaslanan boru kəməri end-to-end dərin memarlıqları olmadan siqnalın diskriminativ quruluşunu əhatə edir. Bu nəticələr çox tapşırıqlı lokomotor təsnifatı üçün şərh edilə bilən, kompakt, subyektdən asılı olmayan bir çərçivəni dəstəkləyir, baxmayaraq ki, daha geniş klinik təsdiqlənmə hələ də lazımdır.
Lokomotor vəzifələrin dəqiq ayrımlanması, reabilitasiya qiymətləndirməsinə və aşağı ekstremitasiya köməkçi qurğuların nəzarətinə birbaşa təsirləri olan geyinilə bilən neyromuskul monitorinqdə əsas bir çətinlikdir 1,2. Gəzmə təhlili hərəkət təhlilinin əsas vəzifələrindən biri olan gəzmə mərhələlərinin dəqiq müəyyənləşdirilməsini təmin edir və müxtəlif klinik tətbiqlər üçün normativ istinad verilənlər bazasının hazırlanmasına dəstək verir 3,4. Mövcud həssaslıq modalitetləri arasında səth elektromiqrafiyası (sEMG) xüsusilə üstünlük təşkil edir, çünki əzələ aktivliyi hərəkətin başlamasından əvvəl aşkar edilir və neyromuskuler nəzarət strategiyalarını, aktivləşmə vaxtını və hərəkət effektivliyini kodlaşdırır, bu da onu lokomotor təsnifatı üçün ideal modalitet 5,6 edir.
Ənənəvi laboratoriya əsaslı gəzinti analizi sistemləri yüksək dəqiqlik və geniş çoxkanallı qeydlər təklif edərkən əhəmiyyətli xərclər, real dünya lokomotiv dəyişikliyinin təkrarlanmasına imkan vermir, məhdud ölçmə mühitləri və gündəlik həyat fəaliyyətləri zamanı uzunmüddətli ambulator məlumatları tutmaq qabiliyyəti də daxil olmaqla kritik məhdudiyyətlər yaradır. Bu məhdudiyyət geyinilən sensor texnologiyalarının miniatürləşdirilmiş, ucuz və real dünya fizyoloji nəzarəti üçün uyğun miqyaslı platformalara yönəlməsinin daha geniş inkişafına səbəb olub. Səmsiz rabitə texnologiyalarının geyinilə bilən sEMG platformaları ilə inteqrasiya edilməsi daha da əlçatanlıqda əhəmiyyətli bir irəliləyiş təşkil edir, bu da müxtəlif gündəlik fəaliyyətlərdə real vaxtda məlumatların görsəmilməsini, uzaqdan monitorinq etməsini və sıxlıqla məlumat toplanmasını asanlaşdırır.
Düz yerə gəzmək, merdivenin yüksəlişi və rampın yüksəlişi də daxil olmaqla bir çox lokomotor vəzifələrinin təsirli təsnifatı üçün maşın öyrənmə texnikaları avtomatik nümunə tanıma üçün güclü potensial göstərmişdir və nəzarət olunan laboratoriya şəraitində 95%-dən çox dəqiqlik bildirilir 1,10. Mümkün olsa da, mürəkkəb dərin öyrənmə memarlıqları müqayisədə yüksək dəqiqliyə nail oldular, optimallaşdırılmış xüsusiyyətləri olan ənənəvi maşın öyrənməsi resurs məhdud daxili sistemlərdə üstün şərh qabiliyyətini və tətbiq qabiliyyətini təklif edir. Bu üstünlük xüsusilə istifadə edilə bilən sistemlərin inteqrasiyası üçün vacibdir, burada hesablama səmərəliliyi, aşağı enerji istehlakı və real vaxtda cihazda işlənmə vacibdir. Bundan əlavə, bu modellərin şərh edilməsi klinik təsdiqlənməni asanlaşdırır və onları real dünyada yardım və reabilitasiya geyinilən tətbiqlər üçün daha uyğun edir 1,9.
Bu irəliləyişlərə baxmayaraq, mövcud geyinilə bilən sEMG əsaslı sistemlər geniş yayılmış klinik qəbulun məhdudlaşdığı davamlı çətinliklərlə üzləşir, xüsusilə də dərc edilmiş tədqiqatların əksəriyyətində standartlaşdırılmış normalaşdırma texnikalarının olmaması və əsasən laboratoriya məhdudlaşdırılmış qiymətləndirmə protokollarının səbəbiylə real dünyada məhdud tətbiq edilməsi 5.11. Bildiyimiz qədər, heç bir əvvəlki araşdırma eyni zamanda bir, inteqrasiya edilmiş geyinilə bilən sEMG çərçivəsində siqnal normalizasiyasının standartlaşdırılması, çox tapşırıqlı lokomotiv təsnifi, çox domen xüsusiyyətlərin qiymətləndirilməsi və Bayesian optimallaşdırılmış maşın öyrənmə təsnifi ilə məşğul olmayıb. Bu iş birbaşa həll edilən boşluqdır. Bu müşahidələrdən ilham alan bu araşdırma (1) mobil tətbiq interfeysi ilə aşağı ekstremitet əzələlərindən xüsusi dizayn edilmiş simsiz sEMG əldə edilməsini, (2) mövzular arası dəyişkənliyi 5 azaltmaq üçün bir çox normalizasiya texnikasını daxil edən inkişaf etmiş siqnal preprocessingini və (3) Bayesian hiperparametr optimallaşdırmasını istifadə edən sistematik maşın öyrənməsinə əsaslanan təsnifiyyəti inteqrasiya edən geniş bir sistem təklif edir. İndiki
Xülasə — davamını mənbədə oxuyun.
