降采样如何影响针极肌电图信号？一个理解降采样对高频时间序列影响的可推广工作流
人工智能
2026-05-21 v1
摘要
针极肌电图(nEMG)信号的自动分析正逐渐成为支持神经肌肉疾病(NMD)检测的工具,然而信号的高且异构的采样率给基于特征的机器学习模型带来了巨大的计算挑战,尤其是在近实时分析中。降采样提供了一种潜在的解决方案,但其对诊断信号内容和分类性能的影响仍未被充分理解。本研究提出了一个工作流,用于系统评估高频时间序列中由降采样引起的信息损失。该工作流将基于形状的失真度量与来自可用基于特征的机器学习模型的分类结果以及特征空间分析相结合,以量化不同降采样算法和因子对波形完整性和预测性能的影响。我们使用一个三分类NMD分类任务来实验评估该工作流。我们展示了该工作流如何识别出既能保留诊断信息又能显著降低计算负载的降采样配置。对基于形状的失真度量的分析表明,形状感知降采样算法优于标准抽取,因为它们能更好地保留峰值结构和整体信号形态。结果为选择能够实现近实时nEMG分析的降采样配置提供了实用指导,并突显了一个可推广的工作流,该工作流也可用于在其他高频时间序列应用中平衡数据缩减与模型性能。
引用
@article{arxiv.2601.10191,
title = {How does downsampling affect needle electromyography signals? A generalisable workflow for understanding downsampling effects on high-frequency time series},
author = {Mathieu Cherpitel and Janne Luijten and Thomas Bäck and Camiel Verhamme and Martijn Tannemaat and Anna Kononova},
journal= {arXiv preprint arXiv:2601.10191},
year = {2026}
}