Dergiler / Konya Journal of Engineering Sciences / 2023 / Cilt: 11 Sayı: 1

Frekans Alanı Öznitelik Çıkarımına Dayalı Makine Öğrenme Teknikleri ile Trapezius Yüzey EMG Sinyallerini Kullanarak Servikal Disk Fıtığı Hastalığının Tahmini

PREDICTION OF CERVICAL DISC HERNIATION DISEASE UTILIZING TRAPEZIUS sEMG SIGNALS WITH MACHINE LEARNING TECHNIQUES BASED ON FREQUENCY DOMAIN FEATURE EXTRACTION

Sayfa
205–219
Yayın Tarihi
2023-03-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Deneysel sonuçlar, trapezius kasının SDH hastalarında ve sağlıklı kişilerde farklı yüzey elektriksel aktivitesine sahip olduğunu ve bu aktivitenin frekans alanı özelliklerinin hastalık tahmininde ayırt edici olduğunu ortaya koymaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Servikal Disk Hernisi (SDH), neden olduğu boyun ağrısı ile birçok kişinin günlük yaşam kalitesini düşüren bir hastalıktır.
📊
Temel Bulgular & Veri:Asıl sorumuz şudur: ‘Trapezius kasından alınan yüzey Elektromiyogram (yEMG) sinyali SDH hastalığının tanısında etkili bir gösterge olabilir mi?’.
💡
Sonuç & Katkı:Deneysel sonuçlar, trapezius kasının SDH hastalarında ve sağlıklı kişilerde farklı yüzey elektriksel aktivitesine sahip olduğunu ve bu aktivitenin frekans alanı özelliklerinin hastalık tahmininde ayırt edici olduğunu ortaya koymaktadır.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:EMG · Makine Öğrenimi · Sınıflandırma

Özet

Servikal Disk Hernisi (SDH), neden olduğu boyun ağrısı ile birçok kişinin günlük yaşam kalitesini düşüren bir hastalıktır. Asıl sorumuz şudur: ‘Trapezius kasından alınan yüzey Elektromiyogram (yEMG) sinyali SDH hastalığının tanısında etkili bir gösterge olabilir mi?’. Bu çalışma, SDH hastalığının Trapezius kasındaki yüzey elektriksel aktivite değişimini değerlendirerek tanıya yardımcı olan otomatik bir tahmin sistemi tasarlamayı amaçlamaktadır. Bu amaçla, SDH hastalarından ve sağlıklı deneklerden toplanan yEMG sinyallerinden ön işleme ve özellik çıkarma yöntemleri kullanılarak bir veri seti hazırlanmıştır. İlk aşamada, yEMG sinyallerini gürültüden arındırmak için Savitsky-Golay filtresi kullanılmış ve Butterworth filtre tasarımı ile 20-150 Hz aralığındaki baskın frekans sinyalleri çalışmaya dahil edilmiştir. Daha sonra Burg yöntemi uygulanan sinyallerden frekans alanında yirmi PSD tabanlı öznitelik elde edilmiştir. Bilgi Kazancı, Kazanç Oranı ve Gini değerlerine dayalı en önemli on bir özellik, sınıflandırıcılara sunulmak üzere seçilmiştir. Tüm yeni özellik uzaylarının %80' i sınıflandırma için, geri kalanı ise tahmin için kullanılmıştır. Sınıflandırma için 10 kat çapraz doğrulama uygulanarak Ağaç sınıflandırıcı ile %91.6' lık en iyi sınıflandırma doğruluğu elde edilmiştir. Ayrıca, Sinir ağları ve CN2 kuralı başlatıcısı, sınıflandırıcıların daha önce görmediği kalan verilerin %20' sini kullanarak tahmin için %87.5 sınıflandırma doğruluğu sağlamıştır. Deneysel sonuçlar, trapezius kasının SDH hastalarında ve sağlıklı kişilerde farklı yüzey elektriksel aktivitesine sahip olduğunu ve bu aktivitenin frekans alanı özelliklerinin hastalık tahmininde ayırt edici olduğunu ortaya koymaktadır.

Abstract

Cervical disk herniation (CDH) is a disease that affects the quality of life of many people due to the neck pain it causes. The aim of this study was to develop an automatic prediction system to aid in diagnosis by evaluating the change in the surface electrical activity of the trapezius muscle in SDH disease in order to find an answer to the question: 'Can the surface electromyogram (sEMG) recorded from the trapezius muscle be an effective indicator for the diagnosis of SDH disease?'. To this end, a dataset will be created using preprocessing and feature extraction methods from sEMG signals from CDH patients and healthy individuals. In the first step, the Savitsky-Golay filter is used to denoise the sEMG signals and the dominant frequency signals between 20 and 150 Hz are included in the study using the Butterworth filter design. Twenty PSD-based features in the frequency domain were then obtained from the signals to which we applied the Burg method. Eleven of the most significant features based on the information gain, gain ratio, and Gini values are selected to be submitted to the classifiers. 80% of all new feature areas are used for classification and the rest for prediction. The best classification accuracy of 91.6% was obtained with the Tree classifier using 10-fold cross-validation for classification. In addition, neural networks and CN2 rule inducer provided 87.5% classification accuracy for prediction using 20% of the remaining data that the classifiers had not seen before. The experimental results demonstrate that the trapezius muscle has different surface electrical activity in CDH patients and healthy subjects and that the frequency domain characteristics of this activity are important for disease prediction.

🔖

Bu Makaleye Atıf Yap

YILMAZ, B., ÖZMEN, G., EKMEKCİ, H. (2023). Frekans Alanı Öznitelik Çıkarımına Dayalı Makine Öğrenme Teknikleri ile Trapezius Yüzey EMG Sinyallerini Kullanarak Servikal Disk Fıtığı Hastalığının Tahmini. Konya Journal of Engineering Sciences, Cilt: 11 Sayı: 1, 205–219. https://ajindex.com/articles/908937

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Mochida, Kiyoshi, Hiromichi Komori, Atsushi Okawa, Takeshi Muneta, Hirotaka Haro, and Kenichi Shinomiya. “Regression of Cervical Disc Herniation Observed on Magnetic Resonance Images.” Spine 23 (9): 990–95. https://doi.org/10.1097/00007632-199805010-00005, 1998
  2. Yeung, Jacky T., John I. Johnson, and Aftab S. Karim. “Cervical Disc Herniation Presenting with Neck Pain and Contralateral Symptoms: A Case Report.” Journal of Medical Case Reports 6 (1): 166. https://doi.org/10.1186/1752-1947-6-166, 2012
  3. Sharrak, Samir, and Yasir Al Khalili. “Cervical Disc Herniation.” StatPearls [Internet], 2020
  4. Kamibayashi, Lynne K, and Frances J.R. Richmond. “Morphometry of Human Neck Muscles.” Spine 23 (12): 1314–23. https://doi.org/10.1097/00007632-199806150-00005, 1998
  5. Takebe, Kyoichi, Mathias Vitti, and John V Basmajian. “The Functions of Semispinalis Capitis and Splenius Capitis Muscles: An Electromyographic Study.” The Anatomical Record 179 (4): 477–80. https://doi.org/10.1002/ar.1091790407, 1974
  6. Bernhardt, P, H-J. Wilke, K.H. Wenger, B Jungkunz, A Böhm, and L.E. Claes. “Multiple Muscle Force Simulation in Axial Rotation of the Cervical Spine.” Clinical Biomechanics 14 (1): 32–40. https://doi.org/10.1016/S0268-0033(98)00031-X, 1999
  7. Sommerich, Carolyn M., Sharon M.B. Joines, Veerle Hermans, and Samuel D. Moon. “Use of Surface Electromyography to Estimate Neck Muscle Activity.” Journal of Electromyography and Kinesiology 10 (6): 377–98. https://doi.org/10.1016/S1050-6411(00)00033-X, 2000
  8. Bronzino, Joseph D. Biomedical Engineering Handbook 2. Vol
  9. Springer Science & Business Media, 2000
  10. Luca, Carlo J De. “The Use of Surface Electromyography in Biomechanics.” Journal of Applied Biomechanics 13 (2): 135–63. https://doi.org/10.1123/jab.13.2.135, 1997
  11. Subasi, Abdulhamit. “Classification of EMG Signals Using PSO Optimized SVM for Diagnosis of Neuromuscular Disorders.” Computers in Biology and Medicine 43 (5): 576–86. https://doi.org/10.1016/j.compbiomed.2013.01.020, 2013
  12. Subasi, Abdulhamit, Emine Yaman, Yara Somaily, Halah A. Alynabawi, Fatemah Alobaidi, and Sumaiah Altheibani. “Automated EMG Signal Classification for Diagnosis of Neuromuscular Disorders Using DWT and Bagging.” Procedia Computer Science 140: 230–37. https://doi.org/10.1016/j.procs.2018.10.333, 2018
  13. Jose, Shobha, S Thomas George, M S P Subathra, Vikram Shenoy Handiru, Poornaselvan Kittu Jeevanandam, Umberto Amato, and Easter Selvan Suviseshamuthu. “R