EasiCSDeep：一种基于表面肌电信号使用深度学习模型识别颈椎病的算法
机器学习
2018-12-13 v1 机器学习
摘要
颈椎病（CS）是一种常见慢性病，影响多达三分之二的人口，给个人与社会带来严重负担。早期识别对提高治愈率与降低成本具有重要价值。然而，其病理复杂，且轻微症状增加了诊断难度，尤其在早期阶段。此外，医院医疗服务耗时且昂贵，降低了对 CS 识别的关注。因此，亟需一种便捷、低成本的智能 CS 识别方法。本文提出一种基于深度学习、利用表面肌电（sEMG）信号识别 CS 的智能方法。面对 sEMG 信号复杂、高维且弱可用性的问题，我们提出并开发了基于卷积神经网络的多通道 EasiCSDeep 算法，其由特征提取、空间关系表示与分类算法组成。据我们所知，该 EasiCSDeep 是首个利用深度学习与 sEMG 数据识别 CS 的尝试。与先前最先进（state-of-the-art）算法相比，我们的算法取得了显著改进。
引用
@article{arxiv.1812.04912,
title = {EasiCSDeep: A deep learning model for Cervical Spondylosis Identification using surface electromyography signal},
author = {Nana Wang and Li Cui and Xi Huang and Yingcong Xiang and Jing Xiao},
journal= {arXiv preprint arXiv:1812.04912},
year = {2018}
}