ترجمه مقاله مهندسی پزشکی|تشخیص و طبقه بندی پتانسیل واحد حرکتی سیگنال‌ ماهیچه نگاری درون ماهیچه‌ای

ترجمه مقاله مهندسی پزشکی|تشخیص و طبقه بندی پتانسیل  واحد حرکتی سیگنال‌ ماهیچه نگاری درون ماهیچه‌ای

• دسته: مهندسی پزشکی : ترجمه مقاله 2015 ieee 
• مجله 2015 E-Health and Bioengineering Conference (EHB)
• دانشگاه: Systems Design Engineering, University of Waterloo, Waterloo, ON, Canada
• لینک مقاله در سایت IEEE
• فرمت فایل :  word
• تعداد صفحات فایل ترجمه شده: 17
• جهت دانلود انگلیسی این مقاله اینجا کلیک نمایید.

محصولات مشابه:

دانلودترجمه مقاله مهندسی پزشکی: تجزیه‌ی چندکاناله‌ی سیگنال‌های EMG درون ماهیچه‌ای توسط جداسازی کور منابع بر اساس ایستان گردشی

ترجمه مقاله 2017 ieee یک روش مبتنی بر چگالی برای خوشه بندی پتانسیل واحد حرکتی عضلات 

تشخیص و طبقه بندی بدون ناظرِ پتانسیل عمل واحد حرکتی در سیگنال‌های ماهیچه نگاری درون ماهیچه‌ای

چکیده:  در این مقاله یک بازده محاسباتی و الگوریتم بدون ناظر برای تشخیص و خوشه‌بندی پتانسیل‌های عمل واحد حرکتی (MUAPs) ثبت شده در یک ماهیچه نگاری درون ماهیچه‌ای تک-کاناله (EMG) معرفی شده است. تشخیص MUAPها توسط یک نسخه‌ی بهبود یافته از عملگر انرژی چندرزلوشنه‌ی Teager (MTEO) صورت گرفته است. خوشه‌بندی بدون ناظرِ پتانسیل عمل با اعمال ترکیبی از تکنیک‌های تطبیق الگو و برچسب صورت گرفت. الگوریتم پیشنهادی، تداخل جزئیِ MUAPها را با یک MTEO جدید و مبتنی بر روش تحلیلی، کاهش‌ می‌دهد. سرعت محاسبه‌ی روش نیز با استفاده از آنالیز مولفه‌ی اصلی (PCA، به منظور کاهش تعداد الگوها و تشخیص نقطه‌ی قابل اطمینان و متعاقبا کاهشِ همبستگی بار محاسبات، بهبود یافت. عملکرد الگوریتم بر روی چندیدن رکورد EMG درون ماهیچه‌ای مربوط به عضلات بیمار و سالم مانند کریکوآریتنوئید خلفی و تیبیالیس قدامی مورد بررسی قرار گرفت.

کلید واژه ها: ماهیچه نگاری؛ تطبیق الگو؛ طبقه بندی بدون ناظر؛ تجزیه

• مقدمه

EMG درون ماهیچه‌ای[1] یک رکوردِ القاء الکتریکی[2] مربوط به الیاف ماهیچه[3] در واحد‌های حرکتی[4] (MUها) است که با داخل کردن سوزن و یا سیم انجام‌ می‌شود ]1[. هر MU شامل یک مجموعه‌ای از نورون‌های حرکتی[5] (MNها) است که قطارهای پالس شاخته شده‌ای را برای پتانسیل عمل تولید (APها)‌ می‌کند. مجموع APها یک پتانسیل عمل واحد حرکتی (MUAP) نامیده‌ می‌شود ]2[. آنالیز ریخت شناسی MUAPها‌ می‌تواند در تشخیص میوپاتی و دیگر بیماری‌های مربوط به پیوند عصب و عضله کمک کند. هر چند، تجزیه‌ی دوجانبه‌ی MUAPها یک کار زمان گیر و مشکل است. بنابراین محققان بر روی توسعه‌ی الگوریتم هایی که توانایی تشخیص خودکار و ایزوله کردن MUAPها دارند تمرکز کرده اند]1[. چندیدن الگوریتم برای تجزیه‌ی EMG پیشنهاد شده اند. برخی الگوریتم‌ها سریع هستند ]3 و 4[، اما قادر به کاهش روی هم افتادگی و تداخل نیستند و لذا دقت پایینی دارند. دیگر الگوریتم‌ها از قبیل کاری که توسط LeFever  و Deluca انجام شده است ]5[، دقیق هستند اما از لحاظ محاسباتی سنگین بوده و بنابراین کُند هستند و برای رکوردهای طولانی مناسب نمی باشند. از طرف دیگر، تجزیه‌ی EMG مونترال (MTLEMG) که توسط Florestal، Mathieu، و Malanda، پیشنهاد شده است ]2[ یک بده-بستان قابل قبول میان سرعت و دقت را با ترکیب تکنیک‌های تطبیق الگو و برچسب بدست آورده است. هرچند، این روش به دلیل بکارگیری استراتژی تشخیصی، برای اندازه گیری EMG نویزدار مناسب نیست.

شناسایی MUAPهای فردی در یک رکورد EMG درون ماهیچه‌ای شامل دو گام اصلی است: تشخیص و طبقه بندی. در فاز تشخیص، هدف کم کردنِ MUAPها از نویز است. در گام طبقه بندی، MUAPهای تشخیص داده شده بنا بر ریخت شناسی شان به یک خوشه نسبت داده‌ می‌شوند. هدف این مقاله بهبود دقت تشخیص و افزایش سرعت محاسباتی طبقه بندی است، درحالی که قابلیت اطمینان را حفظ کند. در گام تشخیص از یک عملگر انرژی Teager چندرزولوشنه (MTEO) ]6[ همراه با تحلیل آماری ]7[ استفاده شد، که به طور همزمان فرکانس لحظه‌ای و دامنه‌ی MUAPها را بدست‌ می‌دهد، تا بتواند تشخیص‌های خطا را کاهش داده و دقت تشخیص را بهبود ببخشد. در گام طبقه بندی، خروجی MTEO برای تنظیم MUAPها، کاهش الگوها و استخراج ویژگی استفاده شد، تا نویز پس‌زمینه و اسپایک‌های نامرتبط را کاهش دهد. در نهایت، تکنیک‌های تطبیق الگو و برچسبی مشابه با MTLEMG ]2[ استفاده شد، تا حساسیت خوشه بندی و سرعت الگوریتم را بهبود بدهد.

Abstract:

INTRODUCTION

Intramuscular EMG is the recording of the electrical
excitation related to the muscle fibers in the motor units
(MUs) by inserting needles or wires [1]. Each MU contains
an ensemble of motoneurons (MNs) that generate pulse trains
known as action potentials (APs). The sum of APs forms the
so called motor unit action potential (MUAP) [2]. The
analysis of MUAPs morphology can assist in the diagnosis of
myopathies and other diseases associated with the
neuromuscular junction. However, manual decomposition of
MUAPs is a hard and time consuming task. Therefore
researchers have focused on developing algorithms that are
able to automatically detect and isolate MUAPs [1]. Several
algorithms have been proposed for the EMG decomposition
task. Some algorithms are fast [3], [4], but unable to reduce
superimpositions and interferences and therefore they suffer
from low accuracy. Other algorithms such as the work
described by LeFever and Deluca [5] are accurate but
computationally heavy and hence slow and not suitable for
long recordings. On the other hand, the Montreal EMG
decomposition (MTLEMG) proposed by Florestal, Mathieu
and Malanda [2], achieves an acceptable tradeoff between
speed and accuracy by combining label and template
matching techniques. However, the method is not suitable for
the noisy EMG measurements due to the detection strategy
employed.
The identification of individual MUAPs in an
intramuscular EMG recording consists of two main stages:
detection and classification. In the detection phase, the goal is
to differentiate MUAPs from noise. In the classification stage,
the detected MUAPs are assigned to a cluster based on their
morphology. The aim of this paper is to improve the
detection accuracy and enhance the computational speed of
classification while preserving the reliability of the
decomposition. A multiresolution Teager energy operator
(MTEO) [6] along with a statistical analysis [7] are employed
in the detection stage, which simultaneously tests both the
instantaneous frequency and amplitude of the MUAPs in
order to reduce the false detections and improve the detection
accuracy. In the classification stage, the MTEO output is used
for the MUAPs alignment, templates reduction and feature
extraction so as to reduce the background noise and unrelated
spikes. Finally, Label and template matching techniques
similar to MTLEMG [2] are used in order to improve both the
speed and clustering sensitivity of the algorithm.