تشخيص بيماري‌هاي عصبي - حركتي با تحليل بافت تصاوير طيف سيگنال‌هاي ماهيچه‌اي

Diagnosis of Neuromuscular Disorders Using Spectrogram Textural Features of EMG Signals

مشكلات عصبي-حركتي دربرگيرنده طيف وسيعي از بيماري‌ها هستند كه موجب اختلال در عملكرد ماهيچه‌هاي ارادي و يا اعصاب مي‌شوند. يكي از روش‌هاي تشخيص خودكار اين بيماري‌ها، بررسي سيگنال‌هاي ماهيچه‌اي توسط برنامه‌هاي كامپيوتري است. برنامه‌هايي كه به اين منظور توسعه مي‌يابند شامل چندين مرحله پردازش هستند كه استخراج ويژگي و دسته‌بندي از مراحل اصلي آن‌ها است. در اين مقاله روشي مبتني بر تحليل بافت طيف سيگنال براي استخراج ويژگي ارائه شده است كه برخلاف روش‌هاي زماني، فركانسي و زمان-فركانسي مبتني بر موجك، با استخراج توأمان روابط زمان و فركانس از سيگنال‌هاي ماهيچه‌اي موجب تشكيل يك بردار ويژگي با قابليت تمايز بالا و ابعاد پايين مي‌گردد. همچنين، جهت دسته‌بندي ويژگي‌ها، ماشين بردار پشتيبان، k-نزديك‌ترين همسايه، تحليل تمايزي، رگرسيون منطقي و تركيب آن‌ها در دو حالت كلي و با تفكيك باندهاي فركانسي مورد بررسي قرار گرفته‌اند. به‌منظور برآورد روش پيشنهادي در اين تحقيق از پايگاه داده سيگنال‌هاي ماهيچه‌اي اندام تحتاني استفاده شده است. با توجه به نتايج به‌دست‌آمده از آزمايش‌ها ، دقت دسته‌بندي %89.40 با استفاده از ماشين بردار پشتيبان با هسته RBF در حالت تفكيك باندهاي فركانسي حاصل شده است كه به ميزان %3.40 نسبت به بهترين روش قبلي دقيق‌تر است.

Neuromuscular disease includes many disorders that damage functioning of muscles or nerves. For automatic diagnosis of these abnormalities, surface EMG signals are processed using computer programs. Feature extraction and classification are two fundamental steps in processing EMG signals by the programs. This paper presents a novel approach based on textural analysis of time-frequency image of EMG signals. In contrast to previous time alone, frequency alone, and time-frequency wavelet-based approaches, exploiting relational time and frequency properties of spectral image of EMG signal, high discrimination is achieved in the form of a compact feature vector by the proposed method. To assign each feature to it ҆s respective class, various classification methods including: KNN, SVM, LDA, logic regression, and their combination are examined in two segmented and holistic modes in the present study. At last, EMG dataset in lower limb is utilized to evaluate the proposed method. Using SVM with RBF kernel to classify segmented features, the classification accuracy of 89.4% obtained by the proposed method. The obtained classification accuracy has been improved by 3.40% over the best previous result.