基于步态生物力学信号的糖尿病感觉运动性多发性神经病变严重度分类机器学习模型性能评估
机器学习
2022-05-24 v1 信号处理
摘要
糖尿病感觉运动性多发性神经病变（DSPN）是糖尿病患者中常见的神经病变类型之一，涉及人体步态生物力学改变。过去50年间，文献中研究者试图通过肌电图（EMG）和地面反作用力（GRF）研究由 DSPN 引起的生物力学变化，但文献结论相互矛盾。在此情形下，我们提出利用机器学习技术，基于 EMG 与 GRF 数据识别 DSPN 患者。我们收集的数据集包含三块下肢肌肉 EMG（胫骨前肌（TA）、股外侧肌（VL）、内侧腓肠肌（GM））及三维 GRF 分量（GRFx、GRFy 和 GRFz）。对原始 EMG 和 GRF 信号进行预处理，并应用文献中新提出的特征提取方案从信号中提取最优特征。使用 Relief 特征排序技术对提取的特征列表排序，并移除高相关特征。我们训练了不同 ML 模型以找出性能最优者并对其进行优化。我们将优化后的 ML 模型用于不同肌肉与 GRF 分量特征组合训练，并评估性能矩阵。本研究发现集成分类器模型在识别 DSPN 严重度上表现良好，并在训练前对其优化。EMG 分析中，GL、VL 与 TA 肌肉组合特征取前14个特征获最佳准确率 92.89%。GRF 分析中，模型使用自 GRFx、GRFy 与 GRFz 信号提取特征组合的前15个特征达到 94.78% 准确率。基于 ML 的 DSPN 严重度分类模型性能显著提升，表明其在 DSPN 严重度分类中对生物力学数据的可靠性。
引用
@article{arxiv.2205.10581,
title = {Evaluating Performance of Machine Learning Models for Diabetic Sensorimotor Polyneuropathy Severity Classification using Biomechanical Signals during Gait},
author = {Fahmida Haque and Mamun Bin Ibne Reaz and Muhammad Enamul Hoque Chowdhury and Serkan Kiranyaz and Mohamed Abdelmoniem and Emadeddin Hussein and Mohammed Shaat and Sawal Hamid Md Ali and Ahmad Ashrif A Bakar and Geetika Srivastava and Mohammad Arif Sobhan Bhuiyan and Mohd Hadri Hafiz Mokhtar and Edi Kurniawan},
journal= {arXiv preprint arXiv:2205.10581},
year = {2022}
}
备注
17 pages, 15 figures, 8 tables