Reti Neurali Artificiali: Diagnostica Neuromuscolare Automatica
 |
=== 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
_copia.jpg)
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
.jpg)
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.
.jpg)
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
.jpg)
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.
- ↑ 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.
- ↑ 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.
- ↑ 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.
- ↑ 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.
- ↑ 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.
- ↑ 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.