基于机器学习的神经肌肉疾病识别方法：利用肌电图（EMG）信号实现情感健康监测应用

《ACM Transactions on Internet Technology》：ML-Based Identification of Neuromuscular Disorder Using EMG Signals for Emotional Health Application

本文提出了一种基于离散小波变换和混合机器学习模型的便携式神经肌肉疾病分类系统。通过在线测试阶段优化分类器模型，实现了超过98%的准确率，并采用嵌入式CompactRIO-9035实时控制器实现系统部署。

　　

摘要

摘要：肌电图（EMG）用于评估运动神经、感觉神经和肌肉中的神经冲动。EMG是一种多用途工具，广泛应用于各种生物医学领域。它常用于判断身体健康状况，同时也可用于评估情绪健康，例如通过面部肌电图来实现。肌电图信号的分类引起了科学家的兴趣，因为这对于识别神经肌肉疾病（NMDs）至关重要。生物医学传感器的微型化技术最近取得了进展，使得医疗监测系统的开发成为可能。本文提出了一种便携且可扩展的机器学习模块架构，专为医疗诊断设计。特别是，我们提出了一种用于识别神经肌肉疾病的混合分类模型。该模型结合了两种监督式机器学习分类器与离散小波变换（DWT）。在在线测试阶段，使用这些分类器的最优模型来预测肌电图信号的类别标签。仿真结果表明，两种分类器的准确率均超过98%。最后，所提出的方法采用了嵌入式CompactRIO-9035实时控制器进行实现。