Masticationpedia

Reti Neurali Artificiali: Diagnostica Neuromuscolare Automatica: differenze tra le versioni

← Differenza precedente
VisualeWikitesto
Nessun oggetto della modifica
Nessun oggetto della modifica
 
Riga 12: Riga 12:




=== Artificial Neural Networks:   
=== Reti Neurali Artificiali:   
Automatic Neuromuscular Diagnostics ===
Diagnostica Neuromuscolare Automatica ===


N. Accornero, G. Romaniello*, G.C. Filligoi*, E. Galiè, B. Gregori   
N. Accornero, G. Romaniello*, G.C. Filligoi*, E. Galiè, B. Gregori   
Department of Neurological Sciences, University of Rome "La Sapienza"   
Dipartimento di Scienze Neurologiche, Università di Roma "La Sapienza"   


<br />
<br />


==Introduction==
==Introduzione==
[[File:Figure 1 (Accornero) copia.jpg|thumb|Figure 1: ]]
[[File:Figure 1 (Accornero) copia.jpg|thumb|Figura 1: ]]
A preliminary study is presented on the automatic diagnosis of neuromuscular disorders using artificial neural networks that evaluate electrical and acoustic surface signals of the muscles under examination.   
Viene presentato uno studio preliminare sulla diagnosi automatica dei disturbi neuromuscolari utilizzando reti neurali artificiali che valutano i segnali elettrici e acustici di superficie dei muscoli in esame.   
The analysis of the electrical and acoustic (vibratory) activity captured on the muscle surface proves particularly promising for the non-invasiveness of the method, compared to the traditional electromyographic (EMG) exam performed with a disposable needle electrode, for its low cost, and because the recorded activity, coming from a much larger muscle mass than that explored with a needle electrode, theoretically allows for the detection of even subclinical pathologies.   
L'analisi dell'attività elettrica e acustica (vibratoria) catturata sulla superficie muscolare si dimostra particolarmente promettente per la non invasività del metodo, rispetto all'esame elettromiografico (EMG) tradizionale eseguito con un elettrodo ad ago monouso, per il suo basso costo, e perché l'attività registrata, proveniente da una massa muscolare molto più ampia di quella esplorata con un elettrodo ad ago, teoricamente consente di rilevare anche patologie subcliniche.   
Surface recording of muscle activity is also particularly advantageous in sports medicine, in neuromotor rehabilitation, and in the functional control of motorized prostheses.   
La registrazione di superficie dell'attività muscolare è anche particolarmente vantaggiosa in medicina sportiva, nella riabilitazione neuromotoria e nel controllo funzionale delle protesi motorizzate.   
Vibratory signals produced by the contraction and sliding of individual muscle fibers can also be derived from the muscle surface. This activity, called an acousto-myogram (AMG), provides relevant information that correlates with the force exerted and fatigue.<ref name="Accornero1">Accornero N., Berardelli A., Manfredi M.: “A composite probe for acoustic and electromyographic recording of muscular activity”. Electroencephalography and clinical Neurophysiology, 72:548-549, 1989.</ref>   
I segnali vibratori prodotti dalla contrazione e dallo scorrimento delle singole fibre muscolari possono essere derivati anche dalla superficie muscolare. Questa attività, chiamata acousto-miogramma (AMG), fornisce informazioni rilevanti che correlano con la forza esercitata e l'affaticamento.<ref name="Accornero1">Accornero N., Berardelli A., Manfredi M.: “A composite probe for acoustic and electromyographic recording of muscular activity”. Electroencephalography and clinical Neurophysiology, 72:548-549, 1989.</ref>   
Some recent studies have documented the complementarity of the two signals, the electrical and the acoustic, in the evaluation of exercise and muscle fatigue.<ref name="Akataki">Akataki K., Mita K., Itoh K., Suzuki N., Watakabe M.: “Acoustic and electrical activities during voluntary isometric contraction of biceps brachii muscles in patients with spastic cerebral palsy”. Muscle and Nerve 19:1252-1257, 1996.</ref><ref name="Barry">Barry D.T., Geiringer S.R., Ball R.D.: “Acoustic myography: a noninvasive monitor of motor unit fatigue”. Muscle and Nerve, 8: 189-194, 1985.</ref><ref name="Dalton">Dalton P.D., Comerford M.J., Stokes M.J.: “Acoustic myography of the human quadriceps muscle during intermittent fatiguing activity”. Journal of the Neurological Sciences, 109: 56-60, 1992.</ref><ref name="Esposito">Esposito F., Malgrati D., Veicsteinas A., Orizio C.: “Time and frequency domain analysis of electromyogram and sound myogram in the elderly”. European Journal of Applied Physiology 73: 503-510, 1996.</ref> 
Alcuni studi recenti hanno documentato la complementarità dei due segnali, elettrico e acustico, nella valutazione dell'esercizio e dell'affaticamento muscolare.<ref name="Akataki">Akataki K., Mita K., Itoh K., Suzuki N., Watakabe M.: “Acoustic and electrical activities during voluntary isometric contraction of biceps brachii muscles in patients with spastic cerebral palsy”. Muscle and Nerve 19:1252-1257, 1996.</ref><ref name="Barry">Barry D.T., Geiringer S.R., Ball R.D.: “Acoustic myography: a noninvasive monitor of motor unit fatigue”. Muscle and Nerve, 8: 189-194, 1985.</ref><ref name="Dalton">Dalton P.D., Comerford M.J., Stokes M.J.: “Acoustic myography of the human quadriceps muscle during intermittent fatiguing activity”. Journal of the Neurological Sciences, 109: 56-60, 1992.</ref><ref name="Esposito">Esposito F., Malgrati D., Veicsteinas A., Orizio C.: “Time and frequency domain analysis of electromyogram and sound myogram in the elderly”. European Journal of Applied Physiology
Surface signals are inherently complex, in the mathematical sense, as they are composed of the sum of the activities of numerous sources (muscle fibers) that are not strictly correlated. Traditional analysis methods, using descriptors such as amplitude, spectrum, and morphology, are difficult to apply. Similarly, the use of expert diagnostic systems, based on rules, has proven to be ineffective. In this context, connectionist systems or artificial neural networks seem particularly suitable, as they achieve remarkable classification capabilities by being trained "by example" rather than by rules.<ref name="Hassoun">Hassoun H. M., Wang C., Spitzer A.R.: “NNERVE: Neural Network extraction of repetitive vector for electromyography- Part I-II: Performance analysis”. IEEE Transactions on Biomedical Engineering 41 (11): 1039-1052; 1053-1061, 1994.</ref> 
To evaluate this method, we developed a system aimed at performing a screening between normal and pathological conditions in the context of neuromuscular disorders. (Fig. 1) 


Considering the particularly encouraging results, a second version of the system was developed, aimed at differentiating within pathological cases between myopathies and neuropathies. This is currently under evaluation in a sample of patients with neuromuscular pathologies in the orofacial region.
```it
73: 503-510, 1996.</ref> 
I segnali di superficie sono intrinsecamente complessi, nel senso matematico, poiché sono composti dalla somma delle attività di numerose fonti (fibre muscolari) che non sono strettamente correlate. I metodi di analisi tradizionali, utilizzando descrittori come ampiezza, spettro e morfologia, sono difficili da applicare. Allo stesso modo, l'uso di sistemi diagnostici esperti, basati su regole, si è dimostrato inefficace. In questo contesto, i sistemi connessionisti o le reti neurali artificiali sembrano particolarmente adatti, poiché raggiungono notevoli capacità di classificazione essendo addestrati "per esempio" piuttosto che per regole.<ref name="Hassoun">Hassoun H. M., Wang C., Spitzer A.R.: “NNERVE: Neural Network extraction of repetitive vector for electromyography- Part I-II: Performance analysis”. IEEE Transactions on Biomedical Engineering 41 (11): 1039-1052; 1053-1061, 1994.</ref> 
Per valutare questo metodo, abbiamo sviluppato un sistema volto a effettuare uno screening tra condizioni normali e patologiche nel contesto dei disturbi neuromuscolari. (Fig. 1) 


===Methodology===
Considerando i risultati particolarmente incoraggianti, è stata sviluppata una seconda versione del sistema, volta a differenziare all'interno dei casi patologici tra miopatie e neuropatie. Questo è attualmente in fase di valutazione su un campione di pazienti con patologie neuromuscolari nella regione orofacciale.
[[File:Figure 2 (Accornero).jpg|thumb|'''Figure 2:''' Electrical and acoustic activity during sustained maximal isometric contraction]]
The surface electrical signal can easily be recorded using electrodes applied to the skin, spaced 3-5 cm apart, and arranged axially along the muscle belly. The amplitude of the electrical signal during muscle activity is highly variable (ranging from less than 1 mV to several tens), and it depends on the level of muscle power exerted, the impedance characteristics of the skin and subcutaneous tissue, fatigue, and other factors.


The spectral content is generally between 50 and 500 Hz and varies depending on the activation modalities and fatigue.   
===Metodologia===
[[File:Figure 2 (Accornero).jpg|thumb|'''Figura 2:''' Attività elettrica e acustica durante contrazione isometrica massimale sostenuta]]
Il segnale elettrico di superficie può essere facilmente registrato utilizzando elettrodi applicati sulla pelle, distanziati di 3-5 cm e disposti assialmente lungo il ventre muscolare. L'ampiezza del segnale elettrico durante l'attività muscolare è altamente variabile (da meno di 1 mV a diverse decine), e dipende dal livello di forza muscolare esercitata, dalle caratteristiche di impedenza della pelle e del tessuto sottocutaneo, dalla fatica e da altri fattori.   


As previously mentioned, contractile activity, physiologically unsynchronized among the multitude of muscle fibers, even within the same motor unit, manifests as a vibration with a frequency range between 5 and 40 Hz, which is much lower than that of the electrical signal (Fig. 2). This vibratory activity can be recorded using a microphone or a piezoelectric membrane applied to the muscle surface. Fatigue also modifies the amplitude and spectral content of the signal in a way that is not necessarily correlated with changes in the electromyographic signal.   
Il contenuto spettrale è generalmente compreso tra 50 e 500 Hz e varia a seconda delle modalità di attivazione e della fatica.   


To optimize the recording of these signals, we developed a composite and preamplified electrode, measuring 3x5 cm, that allows for the simultaneous recording of the two signals from the same muscle site (Fig. 3). The preamplifier stage with fixed gain (1000x for the EMG channel, 100x for the AMG channel) is directly mounted near the electrodes, minimizing artifacts from environmental electromagnetic fields, and the differential setup improves the signal-to-noise ratio.   
Come precedentemente menzionato, l'attività contrattile, fisiologicamente non sincronizzata tra la moltitudine di fibre muscolari, anche all'interno della stessa unità motoria, si manifesta come una vibrazione con una gamma di frequenza tra 5 e 40 Hz, che è molto inferiore a quella del segnale elettrico (Fig. 2). Questa attività vibratoria può essere registrata utilizzando un microfono o una membrana piezoelettrica applicata sulla superficie muscolare. La fatica modifica anche l'ampiezza e il contenuto spettrale del segnale in un modo che non è necessariamente correlato ai cambiamenti nel segnale elettromiografico.   


The two amplified signals can be easily acquired by a personal computer equipped with a two-channel analog-to-digital converter.
Per ottimizzare la registrazione di questi segnali, abbiamo sviluppato un elettrodo composito e preamplificato, di dimensioni 3x5 cm, che consente la registrazione simultanea dei due segnali dallo stesso sito muscolare (Fig. 3). Lo stadio di preamplificazione con guadagno fisso (1000x per il canale EMG, 100x per il canale AMG) è montato direttamente vicino agli elettrodi, minimizzando
```


For this study, recordings were made from six muscles: Biceps, Tibialis Anterior, and Common Finger Flexor bilaterally in all subjects, for a duration of 20 seconds during maximal isometric effort. 
artefatti dai campi elettromagnetici ambientali, e la configurazione differenziale migliora il rapporto segnale-rumore.
[[File:FIGURE 3 (ACCORNERO).jpg|thumb|'''Figure 3:''' composite electro-acoustic preamplifier]]
To minimize the amount of data to be stored, the digital sampling was reduced to 1 kHz for the EMG channel and 200 Hz for the AMG channel, considering their respective spectral contents.


====Subjects====
I due segnali amplificati possono essere facilmente acquisiti da un computer personale dotato di un convertitore analogico-digitale a due canali.
Ten healthy subjects with an average age of 40 ± 12 and 24 pathological subjects (aged 53 ± 15) with various neuromuscular pathologies confirmed by clinical and needle electromyographic data (TAB. 1) were used, for a total of 182 recordings. Of these, 152 randomly selected recordings were used to create the set of example cases for training the neural network, and the remaining 30 were used to form the TEST CASE set.


====Artificial Neural Network====
Per questo studio, le registrazioni sono state effettuate da sei muscoli: Bicipite, Tibiale Anteriore e Flessore Comune delle Dita bilateralmente in tutti i soggetti, per una durata di 20 secondi durante uno sforzo isometrico massimo.
The neural network specifically developed has a classic three-layer forward topology; 816 input nodes, 15 in the first hidden layer, 5 in the second, and 1 in the output layer for Normal/Pathological coding. The network was trained using a backpropagation algorithm until an error of 0.03 was reached on the example cases. The 816 input data consist of 400 compressed spectrogram values of each signal (800 data points) plus additional encoded information regarding gender, age, the explored muscle, and the side.
[[File:FIGURE 3 (ACCORNERO).jpg|thumb|'''Figura 3:''' preamplificatore elettro-acustico composito]]
Per minimizzare la quantità di dati da memorizzare, il campionamento digitale è stato ridotto a 1 kHz per il canale EMG e 200 Hz per il canale AMG, considerando i rispettivi contenuti spettrali.
 
====Soggetti====
Sono stati utilizzati dieci soggetti sani con un'età media di 40 ± 12 e 24 soggetti patologici (età 53 ± 15) con varie patologie neuromuscolari confermate da dati clinici ed elettromiografici con ago (TAB. 1), per un totale di 182 registrazioni. Di queste, 152 registrazioni selezionate casualmente sono state utilizzate per creare il set di casi di esempio per l'addestramento della rete neurale, e le restanti 30 sono state utilizzate per formare il set di CASI DI TEST.
 
====Rete Neurale Artificiale====
La rete neurale sviluppata specificamente ha una topologia classica a tre strati forward; 816 nodi di input, 15 nel primo strato nascosto, 5 nel secondo, e 1 nello strato di output per la codifica Normale/Patologico. La rete è stata addestrata utilizzando un algoritmo di retropropagazione fino a raggiungere un errore di 0,03 sui casi di esempio. I 816 dati di input consistono in 400 valori di spettrogramma compressi di ciascun segnale (800 punti dati) più informazioni codificate aggiuntive riguardanti sesso, età, il muscolo esplorato e il lato.
<Center>
<Center>
{| class="wikitable"
{| class="wikitable"
! colspan="5" |Example cases
! colspan="5" |Casi di esempio
|-
|-
!Subjects examined!!Categories!!Num.!!Age
!Soggetti esaminati!!Categorie!!Num.!!Età
!Total registrations
!Registrazioni totali
|-
|-
|PHYSIOLOGICAL|| ||9||45 ± 15
|FISIOLOGICI|| ||9||45 ± 15
|60
|60
|-
|-
|PATHOLOGICAL|| ||24||53 ± 17
|PATOLOGICI|| ||24||53 ± 17
|122
|122
|-
|-
!NEUROGENIC
!NEUROGENI
!
!
!17
!17
Riga 72: Riga 78:
!
!
|-
|-
| ||Amyotrophic lateral sclerosis||5|| rowspan="5" |56 ± 14
| ||Sclerosi laterale amiotrofica||5|| rowspan="5" |56 ± 14
| rowspan="5" |84
| rowspan="5" |84
|-
|-
| ||CIDP||6
| ||CIDP||6
|-
|-
| ||Conduction block neuropathy||1
| ||Neuropatia da blocco di conduzione||1
|-
|-
| ||Radiculopathy||1
| ||Radiculopatia||1
|-
|-
| ||Diabetic polyneuropathy||4
| ||Polineuropatia diabetica||4
|-
|-
!MYOGENIC
!MIOGENI
!
!
!7
!7
Riga 89: Riga 95:
!
!
|-
|-
| ||Steinert's myotonic dystrophy||3|| rowspan="3" |49 ± 18
| ||Distrofia miotonica di Steinert||3|| rowspan="3" |49 ± 18
| rowspan="3" |38
| rowspan="3" |38
|-
|-
| ||Corticosteroid-induced myopathy||3
| ||Miopatia indotta da corticosteroidi||3
|-
|-
| ||Aspecific myopathy||1
| ||Miopatia aspecifica||1
|-
|-
|
|
Riga 104: Riga 110:
</Center>
</Center>


===Risultati===
[[File:Table 2 (accornero).jpg|thumb|Figura 4: Descrizione grafica dei risultati]]
Dopo aver raggiunto un buon livello di addestramento sul set di casi di esempio (errore = 0,03), è stato condotto un test sui 30 casi di test selezionati casualmente. I risultati sono stati decisamente incoraggianti, poiché tutti i nuovi casi sono stati classificati correttamente.
Successivi test sono stati effettuati utilizzando solo i dati elettromiografici e solo i dati acusto-miografici, con l'osservazione che la rete utilizza prevalentemente le informazioni contenute nel segnale EMG (>90%) e che il contributo del segnale acustico, sebbene costantemente basso (<10%), completa la diagnosi.


===Results===
  accuratezza. (Fig. 4).
[[File:Table 2 (accornero).jpg|thumb|Figure 4: Graphical description of the results]]
After achieving a good level of training on the example case set (error = 0.03), a test was conducted on the 30 randomly selected test cases. The results were decidedly encouraging, as all new cases were correctly classified.  
Subsequent tests were carried out using only the electromyographic data and only the acousto-myographic data, with the observation that the network predominantly uses the information contained in the EMG signal (>90%) and that the contribution of the acoustic signal, although consistently low (<10%), complements the diagnostic accuracy. (Fig. 4).


===Conclusions===
===Conclusioni===
From this preliminary study, the following conclusions can be drawn:   
Da questo studio preliminare, si possono trarre le seguenti conclusioni:   
- The information contained in surface electrical and acoustic signals is sufficient to diagnose normality or pathology.   
- Le informazioni contenute nei segnali elettrici e acustici di superficie sono sufficienti per diagnosticare la normalità o la patologia.   
- The surface electromyographic signal appears indispensable for classification, but the correlation with the acoustic signal improves diagnostic accuracy.   
- Il segnale elettromiografico di superficie appare indispensabile per la classificazione, ma la correlazione con il segnale acustico migliora l'accuratezza diagnostica.   
- A connectionist system can perform a correct diagnostic classification using a significant compression of the aforementioned signals, consisting of the spectrograms of the two 20-second signals, segmented into 1-second epochs with 20 frequency levels, thus compressing the information from 40,000 samples to 800.   
- Un sistema connessionista può eseguire una corretta classificazione diagnostica utilizzando una compressione significativa dei suddetti segnali, costituita dagli spettrogrammi dei due segnali di 20 secondi, segmentati in epoche di 1 secondo con 20 livelli di frequenza, comprimendo così le informazioni da 40.000 campioni a 800.   
- The network's analog output, with values ranging between +1 and -1, allows for a “quantitative” assessment of the diagnosis of normality or pathology.
- L'output analogico della rete, con valori compresi tra +1 e -1, consente una valutazione “quantitativa” della diagnosi di normalità o patologia.


These results encourage the continuation of the study with the aim of further articulating the diagnostic classification, discriminating between neuropathies and myopathies within the pathological group. To this end, it will be necessary to significantly expand the set of example cases with pathologies from the two mentioned categories, carefully diagnosed clinically and electromyographically.
Questi risultati incoraggiano la continuazione dello studio con l'obiettivo di articolare ulteriormente la classificazione diagnostica, discriminando tra neuropatie e miopatie all'interno del gruppo patologico. A tal fine, sarà necessario ampliare significativamente il set di casi esemplari con patologie delle due categorie menzionate, accuratamente diagnosticate clinicamente ed elettromiograficamente.


{{Bib}}
{{Bib}}

Versione attuale delle 00:26, 3 mag 2025

Reti Neurali Artificiali: Diagnostica Neuromuscolare Automatica


Masticationpedia
Masticationpedia


=== Reti Neurali Artificiali: Diagnostica Neuromuscolare Automatica ===

N. Accornero, G. Romaniello*, G.C. Filligoi*, E. Galiè, B. Gregori Dipartimento di Scienze Neurologiche, Università di Roma "La Sapienza"


Introduzione

Figura 1:

Viene presentato uno studio preliminare sulla diagnosi automatica dei disturbi neuromuscolari utilizzando reti neurali artificiali che valutano i segnali elettrici e acustici di superficie dei muscoli in esame. L'analisi dell'attività elettrica e acustica (vibratoria) catturata sulla superficie muscolare si dimostra particolarmente promettente per la non invasività del metodo, rispetto all'esame elettromiografico (EMG) tradizionale eseguito con un elettrodo ad ago monouso, per il suo basso costo, e perché l'attività registrata, proveniente da una massa muscolare molto più ampia di quella esplorata con un elettrodo ad ago, teoricamente consente di rilevare anche patologie subcliniche. La registrazione di superficie dell'attività muscolare è anche particolarmente vantaggiosa in medicina sportiva, nella riabilitazione neuromotoria e nel controllo funzionale delle protesi motorizzate. I segnali vibratori prodotti dalla contrazione e dallo scorrimento delle singole fibre muscolari possono essere derivati anche dalla superficie muscolare. Questa attività, chiamata acousto-miogramma (AMG), fornisce informazioni rilevanti che correlano con la forza esercitata e l'affaticamento.[1] Alcuni studi recenti hanno documentato la complementarità dei due segnali, elettrico e acustico, nella valutazione dell'esercizio e dell'affaticamento muscolare.[2][3][4][5] I segnali di superficie sono intrinsecamente complessi, nel senso matematico, poiché sono composti dalla somma delle attività di numerose fonti (fibre muscolari) che non sono strettamente correlate. I metodi di analisi tradizionali, utilizzando descrittori come ampiezza, spettro e morfologia, sono difficili da applicare. Allo stesso modo, l'uso di sistemi diagnostici esperti, basati su regole, si è dimostrato inefficace. In questo contesto, i sistemi connessionisti o le reti neurali artificiali sembrano particolarmente adatti, poiché raggiungono notevoli capacità di classificazione essendo addestrati "per esempio" piuttosto che per regole.[6] Per valutare questo metodo, abbiamo sviluppato un sistema volto a effettuare uno screening tra condizioni normali e patologiche nel contesto dei disturbi neuromuscolari. (Fig. 1)

Considerando i risultati particolarmente incoraggianti, è stata sviluppata una seconda versione del sistema, volta a differenziare all'interno dei casi patologici tra miopatie e neuropatie. Questo è attualmente in fase di valutazione su un campione di pazienti con patologie neuromuscolari nella regione orofacciale.

Metodologia

Figura 2: Attività elettrica e acustica durante contrazione isometrica massimale sostenuta

Il segnale elettrico di superficie può essere facilmente registrato utilizzando elettrodi applicati sulla pelle, distanziati di 3-5 cm e disposti assialmente lungo il ventre muscolare. L'ampiezza del segnale elettrico durante l'attività muscolare è altamente variabile (da meno di 1 mV a diverse decine), e dipende dal livello di forza muscolare esercitata, dalle caratteristiche di impedenza della pelle e del tessuto sottocutaneo, dalla fatica e da altri fattori.

Il contenuto spettrale è generalmente compreso tra 50 e 500 Hz e varia a seconda delle modalità di attivazione e della fatica.

Come precedentemente menzionato, l'attività contrattile, fisiologicamente non sincronizzata tra la moltitudine di fibre muscolari, anche all'interno della stessa unità motoria, si manifesta come una vibrazione con una gamma di frequenza tra 5 e 40 Hz, che è molto inferiore a quella del segnale elettrico (Fig. 2). Questa attività vibratoria può essere registrata utilizzando un microfono o una membrana piezoelettrica applicata sulla superficie muscolare. La fatica modifica anche l'ampiezza e il contenuto spettrale del segnale in un modo che non è necessariamente correlato ai cambiamenti nel segnale elettromiografico.

Per ottimizzare la registrazione di questi segnali, abbiamo sviluppato un elettrodo composito e preamplificato, di dimensioni 3x5 cm, che consente la registrazione simultanea dei due segnali dallo stesso sito muscolare (Fig. 3). Lo stadio di preamplificazione con guadagno fisso (1000x per il canale EMG, 100x per il canale AMG) è montato direttamente vicino agli elettrodi, minimizzando ``` 

artefatti dai campi elettromagnetici ambientali, e la configurazione differenziale migliora il rapporto segnale-rumore.

I due segnali amplificati possono essere facilmente acquisiti da un computer personale dotato di un convertitore analogico-digitale a due canali.

Per questo studio, le registrazioni sono state effettuate da sei muscoli: Bicipite, Tibiale Anteriore e Flessore Comune delle Dita bilateralmente in tutti i soggetti, per una durata di 20 secondi durante uno sforzo isometrico massimo.

Figura 3: preamplificatore elettro-acustico composito

Per minimizzare la quantità di dati da memorizzare, il campionamento digitale è stato ridotto a 1 kHz per il canale EMG e 200 Hz per il canale AMG, considerando i rispettivi contenuti spettrali.

Soggetti

Sono stati utilizzati dieci soggetti sani con un'età media di 40 ± 12 e 24 soggetti patologici (età 53 ± 15) con varie patologie neuromuscolari confermate da dati clinici ed elettromiografici con ago (TAB. 1), per un totale di 182 registrazioni. Di queste, 152 registrazioni selezionate casualmente sono state utilizzate per creare il set di casi di esempio per l'addestramento della rete neurale, e le restanti 30 sono state utilizzate per formare il set di CASI DI TEST.

Rete Neurale Artificiale

La rete neurale sviluppata specificamente ha una topologia classica a tre strati forward; 816 nodi di input, 15 nel primo strato nascosto, 5 nel secondo, e 1 nello strato di output per la codifica Normale/Patologico. La rete è stata addestrata utilizzando un algoritmo di retropropagazione fino a raggiungere un errore di 0,03 sui casi di esempio. I 816 dati di input consistono in 400 valori di spettrogramma compressi di ciascun segnale (800 punti dati) più informazioni codificate aggiuntive riguardanti sesso, età, il muscolo esplorato e il lato.

Casi di esempio
Soggetti esaminati Categorie Num. Età Registrazioni totali
FISIOLOGICI 9 45 ± 15 60
PATOLOGICI 24 53 ± 17 122
NEUROGENI 17
Sclerosi laterale amiotrofica 5 56 ± 14 84
CIDP 6
Neuropatia da blocco di conduzione 1
Radiculopatia 1
Polineuropatia diabetica 4
MIOGENI 7
Distrofia miotonica di Steinert 3 49 ± 18 38
Miopatia indotta da corticosteroidi 3
Miopatia aspecifica 1

Risultati

Figura 4: Descrizione grafica dei risultati

Dopo aver raggiunto un buon livello di addestramento sul set di casi di esempio (errore = 0,03), è stato condotto un test sui 30 casi di test selezionati casualmente. I risultati sono stati decisamente incoraggianti, poiché tutti i nuovi casi sono stati classificati correttamente. Successivi test sono stati effettuati utilizzando solo i dati elettromiografici e solo i dati acusto-miografici, con l'osservazione che la rete utilizza prevalentemente le informazioni contenute nel segnale EMG (>90%) e che il contributo del segnale acustico, sebbene costantemente basso (<10%), completa la diagnosi. 

accuratezza. (Fig. 4).

Conclusioni

Da questo studio preliminare, si possono trarre le seguenti conclusioni: - Le informazioni contenute nei segnali elettrici e acustici di superficie sono sufficienti per diagnosticare la normalità o la patologia. - Il segnale elettromiografico di superficie appare indispensabile per la classificazione, ma la correlazione con il segnale acustico migliora l'accuratezza diagnostica. - Un sistema connessionista può eseguire una corretta classificazione diagnostica utilizzando una compressione significativa dei suddetti segnali, costituita dagli spettrogrammi dei due segnali di 20 secondi, segmentati in epoche di 1 secondo con 20 livelli di frequenza, comprimendo così le informazioni da 40.000 campioni a 800. - L'output analogico della rete, con valori compresi tra +1 e -1, consente una valutazione “quantitativa” della diagnosi di normalità o patologia.

Questi risultati incoraggiano la continuazione dello studio con l'obiettivo di articolare ulteriormente la classificazione diagnostica, discriminando tra neuropatie e miopatie all'interno del gruppo patologico. A tal fine, sarà necessario ampliare significativamente il set di casi esemplari con patologie delle due categorie menzionate, accuratamente diagnosticate clinicamente ed elettromiograficamente.

Bibliography & references
  1. ↑ Accornero N., Berardelli A., Manfredi M.: “A composite probe for acoustic and electromyographic recording of muscular activity”. Electroencephalography and clinical Neurophysiology, 72:548-549, 1989.
  2. ↑ Akataki K., Mita K., Itoh K., Suzuki N., Watakabe M.: “Acoustic and electrical activities during voluntary isometric contraction of biceps brachii muscles in patients with spastic cerebral palsy”. Muscle and Nerve 19:1252-1257, 1996.
  3. ↑ Barry D.T., Geiringer S.R., Ball R.D.: “Acoustic myography: a noninvasive monitor of motor unit fatigue”. Muscle and Nerve, 8: 189-194, 1985.
  4. ↑ Dalton P.D., Comerford M.J., Stokes M.J.: “Acoustic myography of the human quadriceps muscle during intermittent fatiguing activity”. Journal of the Neurological Sciences, 109: 56-60, 1992.
  5. ↑ Esposito F., Malgrati D., Veicsteinas A., Orizio C.: “Time and frequency domain analysis of electromyogram and sound myogram in the elderly”. European Journal of Applied Physiology ```it 73: 503-510, 1996.
  6. ↑ Hassoun H. M., Wang C., Spitzer A.R.: “NNERVE: Neural Network extraction of repetitive vector for electromyography- Part I-II: Performance analysis”. IEEE Transactions on Biomedical Engineering 41 (11): 1039-1052; 1053-1061, 1994.
Estratto da "https://staging.masticationpedia.org/index.php?title=Reti_Neurali_Artificiali:_Diagnostica_Neuromuscolare_Automatica&oldid=2225"