[论文解读] EasiCSDeep: A deep learning model for Cervical Spondylosis Identification using surface electromyography signal

Nana Wang, Cui Li+3 more|arXiv (Cornell University)|Dec 12, 2018

Muscle activation and electromyography studies参考文献 27被引用 5

一句话总结

本文提出EasiCSDeep，一种新颖的深度学习模型，利用多通道表面肌电图（sEMG）信号以高精度识别颈椎椎间盘病（CS）。通过采用三维卷积神经网络从六个sEMG通道中提取空间与时间特征，该模型实现了97.22%的准确率，显著优于先前方法，实现了低成本、便携式CS筛查。

ABSTRACT

Cervical spondylosis (CS) is a common chronic disease that affects up to two-thirds of the population and poses a serious burden on individuals and society. The early identification has significant value in improving cure rate and reducing costs. However, the pathology is complex, and the mild symptoms increase the difficulty of the diagnosis, especially in the early stage. Besides, the time-consuming and costliness of hospital medical service reduces the attention to the CS identification. Thus, a convenient, low-cost intelligent CS identification method is imperious demanded. In this paper, we present an intelligent method based on the deep learning to identify CS, using the surface electromyography (sEMG) signal. Faced with the complex, high dimensionality and weak usability of the sEMG signal, we proposed and developed a multi-channel EasiCSDeep algorithm based on the convolutional neural network, which consists of the feature extraction, spatial relationship representation and classification algorithm. To the best of our knowledge, this EasiCSDeep is the first effort to employ the deep learning and the sEMG data to identify CS. Compared with previous state-of-the-art algorithm, our algorithm achieves a significant improvement.

研究动机与目标

• 开发一种低成本、便携且智能的早期颈椎椎间盘病（CS）识别方法，基于表面肌电图（sEMG）信号。
• 解决在CS分类中高维、噪声大且不完整的sEMG数据带来的挑战。
• 相比现有方法，提升诊断准确率、灵敏度与特异性。
• 通过减少对昂贵影像学检查与医院诊断的依赖，实现广泛筛查。
• 通过在症状进展前检测轻度或无症状的CS病例，支持早期干预。

提出的方法

• EasiCSDeep模型采用三维卷积神经网络（CNN）处理多通道sEMG信号，捕捉肌肉群之间的空间与时间依赖关系。
• 该方法将原始sEMG信号转换为矩阵形式数据，以实现高效的深度学习处理，增强特征表示能力。
• 六个不同的sEMG特征类型（如时域、频域、小波特征）通过独立的输入通道同时处理，以丰富特征表示。
• 采用多尺度滤波器尺寸策略，最优性能在(5,5)滤波器尺寸下实现，有效建模空间关系。
• 模型使用最大池化层降低维度并提升泛化能力，最终通过全连接层完成分类。
• 该架构设计用于处理高维sEMG数据，同时保持对噪声和数据不完整性的鲁棒性。

实验结果

研究问题

• RQ1 深度学习模型能否仅使用表面肌电图（sEMG）信号有效分类颈椎椎间盘病？
• RQ2 sEMG通道数量如何影响CS识别中的分类性能？
• RQ3 用于捕捉sEMG信号中与CS检测相关有意义空间关系的最优滤波器尺寸配置是什么？
• RQ4 与传统机器学习方法相比，EasiCSDeep在准确率、灵敏度与特异性方面能多大程度上实现超越？
• RQ5 尽管存在噪声、不完整或高维的sEMG数据，该模型是否仍具备良好的泛化能力？

主要发现

• EasiCSDeep模型在使用六个sEMG通道时达到97.22%的峰值准确率，显著优于三通道模型（78.25%）与四通道模型（83.15%）。
• 在(5,5)滤波器尺寸下获得最高准确率，表明该尺寸在空间特征提取方面达到最优；而更小的滤波器（如2×2）性能较低（80.56%）。
• 相比先前最先进的方法，该模型灵敏度提升1.78个百分点，特异性提升11.43个百分点。
• 在通道中包含六种不同的sEMG特征类型显著提升了模型性能，证明了多模态特征表示的重要性。
• 结果证实，来自解剖位置接近或功能相关的肌肉的sEMG信号之间存在强烈的空间相关性，支持了模型设计选择的合理性。
• 该模型对数据噪声与不完整性表现出鲁棒性，表明其在真实世界、低资源临床环境中的实际可行性。