课题组在《Journal of NeuroEngineering and Rehabilitation》期刊(中科院2区,IF:5.100)发表最新文章《Exploration of a machine learning approach for diagnosing sarcopenia among Chinese community-dwelling older adults using sEMG-based data》。
肌少症(Sarcopenia)是与年龄相关的肌肉骨骼疾病,以骨骼肌质量、肌肉力量和(或)身体功能的减退为主要特征。神经支配导致运动单位(MU)功能受损并进一步导致肌纤维数量减少和尺寸减小是肌少症公认的发病机制。现有的肌少症临床诊断方法过程繁琐、耗时、客观性差,且无法对骨骼肌功能进行实时、动态的测量和监测,阻碍了其在社区、家庭环境中广泛应用。表面肌电图(sEMG)作为骨骼肌电活动的电学表现,可用于识别与肌少症相关的电生理异常。因此,本研究的主要目为在社区居住老年人中进行肌少症筛查,并利用从sEMG信号中提取特征,通过机器学习方法探索是否可使用握力测试期间的sEMG来检测肌少症,进一步利用新的特征权重估计方法提供机器学习模型的可解释性。
本研究首先严格按照AWGS 2019诊断标准共对158名社区居住的老年人(≥60岁)进肌少症筛查,在通过纳入/排除标准和数据质量检查后,共纳入45名健康老年人和48名肌少症老年人。然后,采用sEMG技术记录受试者不同用力收缩水平下(20% MVC和50% MVC)前臂6块肌肉的sEMG信号(图1),提取9个具有代表性的sEMG特征,包括六个时域特征(RMS,MAV,iEMG,WL,ZC,SSC)和三个时频域特征(WE,CWT_power,CWT_kurtosis)。随后,运用由支持向量机(SVM)、随机森林(RF)和梯度提升机(GBM)组成的投票分类器(Voting Classifier)对健康老年人和肌少症老年人进行分类。最后,利用SHapley Additive exPlanations(SHAP)方法研究上述机器学习模型在分类过程中各个sEMG特征对输出结果的影响权重值以提升模型的可解释性。
图1:前臂sEMG信号采集范式
结果显示,在20%和50%MVC握力测试中,肌少症老年人与健康老年人表面肌电特征间存在显著差异,其中WE和SSC的特征特异性不受收缩水平的影响(图2)。进一步,我们基于以上有显著性的特征,使用投票分类器对肌少症老年人和健康老年人进行分类,准确率超过70%,灵敏度超过75%,且发现使用投票分类器比单独使用SVM、RF和GBM三个模型的分类性能更佳(表1)。基于投票分类结果绘制的ROC曲线如图3,计算得到的AUC值达0.7以上。最后,为让模型结果更具可解释性,本研究采用SHAP算法对模型进行了特征权重评估,从SHAP算法获得的可解释结果表明,无论在何种收缩水平下,WL和CWT_kurtosis都是最影响分类结果的两个sEMG特征(图4)。
图2:sEMG特征的统计结果小提琴图
表1. 五折交叉验证的分类结果,表示为平均值(±标准差)
图3:投票分类器ROC曲线结果
图4:SHAP特征权重模型结果
综上,本研究提出了一种基于前臂肌肉sEMG信号进行社区肌少症筛查的方法。使用带有9个代表性sEMG特征的投票分类器,准确率超过70%,灵敏度超过75%,表明分类性能适中。SHAP模型得出的可解释结果表明,MU激活模式可能是影响肌少症的关键因素。
原文链接:
https://jneuroengrehab.biomedcentral.com/articles/10.1186/s12984-024-01369-y