一种跨数据域识别针极肌电图运动神经元损害的方法技术

本发明专利技术涉及一种跨数据域识别针极肌电图运动神经元损害的方法，包括步骤为：一

【技术实现步骤摘要】
一种跨数据域识别针极肌电图运动神经元损害的方法


[0001]本专利技术涉及计算机辅助医疗
，具体涉及一种跨数据域识别针极肌电图运动神经元损害的方法
。

技术介绍

[0002]肌电图
(Electromyography, EMG)
是神经肌肉疾病临床诊断的常用检测工具，通过对受试者不同肌肉部位
EMG
数据的采集和分析，为运动神经元病的诊断和治疗方案提供临床参考
。
肌萎缩性侧索硬化症
(Amyotrophic Lateral Sclerosis
，
ALS)
又称运动神经元病，其和颈椎病性脊髓病（
Cervical Spondylotic Myelopathy
，
CSM
）有着相似的临床表现和肌电图特征，为临床鉴别诊断和治疗带来困难
。
不同肌肉部位对运动神经元损害的敏感程度不同，不同患病状态
、
不同肌肉部位的
EMG
数据可以认为来自不同的数据域
。
不同肌肉部位
EMG
数据采集的难度或受试者的耐受度不同，如何选择对运动神经元损伤敏感度高且受试者耐受度较好的肌肉部位作为
EMG
检测部位，提取出不同数据域的运动神经元损害的共性特征是计算机辅助诊断方法需要解决的重要问题
。
本专利技术主要涉及一种跨数据域识别针极肌电图运动神经元损害的深度学习方法
。
[0003]相较于传统人工检测的方法，基于
EMG
数据的神经肌肉疾病计算机辅助诊断方法，可以大大提高
EMG
数据定量分析的效率和准确率，为医生提供辅助参考，实现对运动神经元疾病的早发现
、
早诊断
、
早治疗的目的
。
目前，基于
EMG
数据的运动神经元疾病计算机辅助诊断中，在数据集划分方面主要是将不同个体的样本数据进行训练集和测试集的划分，很少考虑按个体的划分方式
。
同时，在现有的
EMG
分析方面，很少分析不同肌肉部位在神经肌肉疾病诊断中的敏感性，并未对跨数据域的
EMG
数据进行分析
。
[0004]因此，基于跨个体
、
跨数据域的
EMG
数据学习，对于提高
EMG
数据运动神经元疾病计算机辅助诊断性能
、
提取
EMG
共性特征
、
寻找
EMG
采集敏感肌肉部位有着重要的意义
。

技术实现思路

[0005]本专利技术的目的在于面向共性特征提取的跨数据域学习方法，构建跨数据域学习网络，实现对跨数据域
EMG
数据共性特征的提取，提高
EMG
数据神经肌肉疾病计算机辅助诊断的分类性能
。
[0006]本专利技术是通过以下技术方案实现的，包括以下步骤：
[0007]第一步，对已采集运动神经元损害和非运动神经元损害的不同肌肉部位肌电图数据，每个人的
EMG
数据都是一个个体，不同患病状态
、
不同肌肉部位的
EMG
数据称之为来自不同的数据域，将来自两个不同数据域的
EMG
个体数据分别构成训练集和测试集；
[0008]第二步，对 第
i
个个体的
EMG
数据，采用窗口长度为
L、
重叠率为
50%
的滑动窗口划分，获得个
EMG
样本数据，并对每个
EMG
样本数据采用多项式拟合方法进行去基线漂移，获得预处理样本数据；
[0009]第三步，在预训练阶段，对训练集和测试集中每个个体的
EMG
数据，随
机选择若干个预处理后的样本数据，将其输入预训练网络进行学习，在此过程中训练集需要标签信息，测试集不需要标签信息
。
具体如下：
[0010]（1）将训练集和测试集的每个的若干样本数据作为预训练网络三个分支网络的输入数据，包括训练集中的正常样本
、
训练集中的患病样本和测试集样本；其中，患病样本指具有运动神经元损害的样本，正常样本指非运动神经元损害的样本，可以是正常人样本，也可以是不包含运动神经元损害的颈椎病样本；
[0011]（2）预训练网络的三个分支网络包括两条在线网络和一条目标网络，三条网络均包含特征提取网络和投影头两部分；其中，特征提取网络使用多分支小波卷积神经网络，包括3个小波卷积层
、2
个池化层和2个批标准化层，每个小波卷积层的核函数受所选小波基函数的约束，其尺度因子
、
位移因子
、
振幅权重系数等参数可以通过梯度下降法在训练中进行学习和更新；投影头是一个多层感知网络，由线性函数
、
批标准化层
、
线性整流函数
、
线性函数连接而成；
[0012]（3）两条在线网络的输入分别为训练集中的正常样本和患病样本，目标网络的输入为测试集中的样本
。
两条在线网络之间计算类间损失，在线网络与目标网络之间计算跨数据域之间的损失，两个损失加权构成网络的总损失，具体来说：
[0013]对于跨数据域的类内损失，采用余弦相似度来衡量数据域之间的距离，用其拉近两个数据域之间的距离，其函数如下：
[0014][0015]其中，分别表示来自训练集和测试集的样本，
S
和
T
分别代表训练集和测试集中样本的总数，和分别是在线网络和目标网络中的特征提取网络，和分别是在线网络和目标网络中的投影头，
F(
▪
)
为余弦相似度函数，
E
为均值函数；
[0016]对于类间损失，采用泄露类内损失函数，其函数如下：
[0017][0018]其中，分别表示来自训练集患病和正常的两个样本，
C
是常数，
LR
是带泄露线性整流函数；
[0019]网络的总损失为 ，其中为加权因子，取值从0到
1。
[0020]（4）采用梯度下降法对在线网络进行参数更新，目标网络参数由当前的网络参数与在线网络的参数加权得到，最后得到训练好的预训练网络
。
[0021]第四步，在识别阶段，采用单分支小波卷积神经网络作为分类器，基于预训练网络中的特征提取网络提取高阶嵌入特征，再将其输入到分类器中进行训练和测试，输出患运动神经元损害的概率，实现对肌电信号的识别分类
。
具体如下：
[0022]（1）基于预训练网络中的特征提取网络，对训练集数据和测试集数据分别提取高阶嵌入特征；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种跨数据域识别针极肌电图运动神经元损害的方法，其特征在于，所述方法以针极肌电图数据为应用对象，包括以下步骤：（1）对已采集运动神经元损害和非运动神经元损害的不同肌肉部位肌电图数据，第
i
个人的
EMG
数据是一个个体，不同患病状态
、
不同肌肉部位的
EMG
数据称之为来自不同的数据域，将来自两个不同数据域的
EMG
个体数据分别构成训练集和测试集；（2）对每个个体的
EMG
数据，采用窗口长度为
L、
重叠率为
50%
的滑动窗口划分，获得个
EMG
样本数据，并对每个
EMG
样本数据采用多项式拟合方法进行去基线漂移，获得预处理样本数据；（3）在预训练阶段，对训练集和测试集中每个个体的
EMG
数据，随机选择若干个预处理后的样本数据，将其输入预训练网络进行学习，在此过程中训练集需要标签信息，测试集不需要标签信息；（4）在识别阶段，采用单分支小波卷积神经网络作为分类器，基于预训练网络中的特征提取网络提取高阶嵌入特征，再将其输入到分类器中进行训练和测试，输出患运动神经元损害的概率，实现对肌电信号的识别分类
。2.
根据权利要求1所述的一种跨数据域识别针极肌电图运动神经元损害的方法，其特征在于，所述步骤（3）的预训练过程具体如下：（1）将训练集和测试集的每个的若干样本数据作为预训练网络三个分支网络的输入数据，包括训练集中的正常样本
、
训练集中的患病样本和测试集样本；其中，患病样本指具有运动神经元损害的样本，正常样本指非运动神经元损害的样本；（2）预训练网络的三个分支网络包括两条在线网络和一条目标网络，三条网络均包含特征提取网络和投影头两部分；其中，特征提取网络使用多分支小波卷积神经网络，包括3个小波卷积层
、2
个池化层和2个批标准化层，每个小波卷积层的核函数受所选小波基函数的约束，其尺度因子
、...

【专利技术属性】
技术研发人员：刘艳，张好宇，何及，张朔，
申请(专利权)人：中国科学院大学，
类型：发明
国别省市：