Détection des maladies musculaires en s'appuyant sur un signal électrique à l'aide de techniques de réseaux de neurones récurrents

Professeur Dr. Youssef Mohammed Al-Mashhadani

Université d'Al-Anbar / Faculté d'ingénierie

https://www.sciencepubco.com/index.php/ijet/article/view/25747

Les maladies musculaires peuvent survenir à tous les âges et peuvent causer des incapacités physiques graves. L'impact de ces maladies est particulièrement sévère chez les enfants et les jeunes. Les besoins de ces patients sont nombreux et complexes et sont souvent traités de manière incomplète. Certaines maladies musculaires répondent bien au traitement médical, tandis que de nombreuses incapacités physiques peuvent être améliorées ou évitées. Cette recherche présente l'application des réseaux de neurones récurrents locaux (LRNNs) pour détecter les maladies musculaires sur la base de la mesure réelle des signaux d'électromyographie (EMG). L'application des LRNNs a été réalisée en utilisant la rétropropagation Levenberg-Marquardt (LMBP) pour obtenir une haute précision à travers le processus d'identification. De nombreux traitements ont également été appliqués en utilisant le signal EMG via les LRNNs avant la reconnaissance des maladies. Enfin, une simulation de ce travail a été conçue à l'aide d'une interface utilisateur graphique (GUI) à travers MATLAB. Des résultats satisfaisants ont été obtenus grâce à l'étude de cas de l'application réelle sur les muscles du bras humain.

Conception de NN pour la reconnaissance des maladies musculaires

Le signal EMG réel des muscles a été mesuré à l'aide d'une unité de mesure de processus telle qu'un système Macromedia ou un système de retard. Le système de reconnaissance des maladies basé sur les LRNNs utilise le signal EMG en trois étapes : dans la première étape, les données de la série temporelle de l'EMG sont mesurées par des électrodes, puis le traitement sera appliqué à ce signal, tel que le filtrage, l'amplification et la normalisation de l'amplitude.

Filtrage du signal EMG

Il existe deux types de filtres de base qui peuvent être appliqués aux signaux EMG : haute et basse fréquence. D'autres filtres tels que les filtres passe-bas et passe-bande ne sont que des combinaisons de ces deux filtres de base. L'amplification de la fenêtre pour le signal EMG du biceps, le signal EMG autour du temps (0 - 0,45 millisecondes). Les données réelles de l'électromyographie ont une fréquence de 10-15 Hz ou plus, selon l'activité (10 Hz pour la marche normale et 15 Hz pour les mouvements rapides). Les données d'électromyographie clinique sont généralement filtrées par un passe-bas à 300-600 Hz pour l'électromyographie de surface, ou 1000 Hz ou plus pour les enregistrements d'électromyographie fine en raison de l'inclusion de l'environnement de mesure. Le choix de filtrer les données ou non, et les points de filtrage à utiliser, dépendent en partie de la qualité des données brutes et en partie de l'utilisation prévue des données traitées. ) Filtres Hz et passe-haut (2500Hz) sur le signal EMG.

Résultats

Les résultats ont été obtenus par des mesures réelles et des simulations avec une analyse montrant une haute précision pour la détection des NN utilisés pour distinguer les signaux EMG des muscles du bras humain. Les maladies musculaires ont été détectées sur la base des signaux EMG en utilisant les LRNNs, une méthode efficace en raison de sa simplicité et de sa précision. La conception du package proposé repose sur une technique d'interface utilisateur graphique, qui permet de relier les trois parties à l'étude, de simuler les parties individuelles en les transférant entre elles, et enfin de présenter les trois parties simultanément comme un système d'animation unique. De plus, ce package comprend des instructions avec des explications fournies dans des notes et des graphiques, permettant d'utiliser ce package comme un outil éducatif pour la détection des maladies musculaires humaines. La surveillance et l'analyse en temps réel des signaux d'électromyographie, l'extraction de toutes les caractéristiques importantes de l'électromyographie capturée et nécessaires pour un diagnostic correct des diverses maladies neurologiques et musculaires, et la gestion des données des patients permettent aux médecins de suivre à distance les progrès du patient. L'interface utilisateur graphique développée peut être facilement modifiée pour s'adapter aux besoins du médecin.