利用人工智能对肌电图信号进行分类，以检测神经肌肉疾病——该方法基于大规模的临床采集数据库

《Muscle & Nerve》：Electromyography Signal Classification With Artificial Intelligence for Detection of Neuromuscular Disorders Using a Large Clinically-Acquired Database

人工智能用于肌电图信号分类研究，通过CNN区分肌肉活动与背景噪声，结合随机森林和CNN将608名受试者分为ALS、肌病及对照组。实验采用CCFDB和EMGlab两个数据集，在CCFDB上CWT结合两层数学期望CNN取得62%临床分类准确率，而EMGlab达91%。研究表明临床环境数据集存在显著性能差距，需开发适应真实临床场景的AI模型。

　　

摘要

引言/目的

人工智能（AI）在分析肌电图（EMG）信号方面展现出了潜力，但其临床应用仍受到基于小型、精心挑选的数据集以及可变准确性的限制。本研究评估了AI在将针式肌电图（EMG）信号分类为肌肉活动与背景/噪声/伪迹方面的表现，并进一步区分了三种临床类别：肌萎缩侧索硬化症（ALS）、肌病和非疾病对照组。

方法

本研究使用了来自克利夫兰诊所基金会肌电图数据库（CCFDB）的大量临床采集的EMG数据。采用了两步分类方法：首先使用卷积神经网络（CNN）将肌肉活动与背景/噪声/伪迹分离，然后利用随机森林算法和CNN进行临床类别分类。特征提取技术包括短时傅里叶变换（STFT）、离散小波变换（DWT）、连续小波变换（CWT）和小波包分解（WPD）。

结果

研究共纳入了608名参与者的EMG数据（266例ALS患者、89例肌病患者、253例非疾病对照组），共计11,456条肌肉记录和15,613段肌肉活动数据。肌肉活动检测模型的准确率为85.4%。在临床类别分类方面，使用双层CNN的CWT方法在CCFDB数据集上的准确率最高（62%）。更复杂的CNN架构并未显著提升分类性能。而在公开可用的EMGlab数据集上，使用相同AI模型的准确率更高（91%）。

讨论

AI可以辅助肌电图分析，但精心挑选的数据集与临床采集的数据集之间的性能差异凸显了开发能够应对真实临床环境中信号多样性和复杂性的强大模型的必要性。未来的研究应侧重于面向临床的AI开发，以提高其转化应用能力。

利益冲突

作者M.T.、S.H.、X.W.和J.A.M.获得了克利夫兰诊所研究发展办公室、Lerner医学人工智能研究所（AIM）内部资助计划的支持。其余作者（A.S.）声明无利益冲突。

数据可用性声明

研究数据不予共享。