Classification and Diagnosis of Myopathy EMG Signals Using the Continuous Wavelet Transform

Belkhou, Abdelali; Achmamad, Abdelouahad; Jbari, Atman

doi:10.1109/ebbt.2019.8742051

Cited by 21 publications

(11 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Various features have been utilized as input for different ML algorithms, resulting in variable performance outcomes, 42,43 as can be seen in Table S1. 34,35,39,[42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59] The classification performance varied when distinguishing between normal and myopathic, normal and neuropathic, or myopathic and neuropathic conditions. For instance, TD and FD techniques with K-nearest neighbors as a classifier, can achieve 100% accuracy in a small dataset differentiating ALS from normal, but only 66% accuracy in differentiating myopathy from normal.…”

Section: Emg Signal Classificationmentioning

confidence: 99%

The role of artificial intelligence in electrodiagnostic and neuromuscular medicine:Currentstate and future directions

Taha,

Morren

2023

Muscle and Nerve

View full text Add to dashboard Cite

The rapid advancements in artificial intelligence (AI), including machine learning (ML), and deep learning (DL) have ushered in a new era of technological breakthroughs in healthcare. These technologies are revolutionizing the way we utilize medical data, enabling improved disease classification, more precise diagnoses, better treatment selection, therapeutic monitoring, and highly accurate prognostication. Different ML and DL models have been used to distinguish between electromyography signals in normal individuals and those with amyotrophic lateral sclerosis and myopathy, with accuracy ranging from 67% to 99.5%. DL models have also been successfully applied in neuromuscular ultrasound, with the use of segmentation techniques achieving diagnostic accuracy of at least 90% for nerve entrapment disorders, and 87% for inflammatory myopathies. Other successful AI applications include prediction of treatment response, and prognostication including prediction of intensive care unit admissions for patients with myasthenia gravis. Despite these remarkable strides, significant knowledge, attitude, and practice gaps persist, including within the field of electrodiagnostic and neuromuscular medicine. In this narrative review, we highlight the fundamental principles of AI and draw parallels with the intricacies of human brain networks. Specifically, we explore the immense potential that AI holds for applications in electrodiagnostic studies, neuromuscular ultrasound, and other aspects of neuromuscular medicine. While there are exciting possibilities for the future, it is essential to acknowledge and understand the limitations of AI and take proactive steps to mitigate these challenges. This collective endeavor holds immense potential for the advancement of healthcare through the strategic and responsible integration of AI technologies.

show abstract

Section: Emg Signal Classificationmentioning

confidence: 99%

The role of artificial intelligence in electrodiagnostic and neuromuscular medicine:Currentstate and future directions

Taha,

Morren

2023

Muscle and Nerve

View full text Add to dashboard Cite

show abstract

“…Exemplos mais recentes sobre a aplicação de wavelets na detecção da condição de um motor de indução podem ser encontrados em (DEHINA et al, 2018;GARVANOV et al, 2019;BELKHOU et al, 2019). Onde: Para a transformada Wavelet discreta (DWT), a ideia principal é a mesma do caso da transformada contínua (CWT).…”

Section: Análise Por Transformada De Waveletunclassified

Inteligência Artificial Para Identificar O Uso De Máscara Na Prevenção Da Covid-19

Graças¹,

Oliveira²,

Brandao³

et al. 2021

Coleção Desafios Das Engenharias: Engenharia De Computação 2

View full text Add to dashboard Cite

show abstract

“…Son olarak, önerilen yaklaşımın performansını incelemek için bir k -NN sınıflandırıcısı kullanılmıştır. Belkhou vd., miyopati ve normal EMG sinyallerinin sınıflandırılmasını hedeflemişlerdir [8]. Bu hedef doğrultusunda EMG sinyallerine sürekli dalgacık dönüşümü ile dört istatistiksel öznitelik belirlenmiştir.…”

Section: Introductionunclassified

EMG Sinyalleri Kullanılarak GoogLeNet ve Çok Seviyeli DPD ile El Tutma Hareketlerinin Sınıflandırılması

ÖZKÜÇÜK

Alçın

Gençoğlu

2022

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

Öz: Elektromiyografi (EMG) elektriksel aktiviteyi ölçmek için kullanılan bir yöntemdir. Bu yöntem günümüzde hastalık tespitinde kullanılmasıyla yaygınlaşmış olsa da robotik, protez kontrolü, video oyunları gibi popüler alanlarda yer edinmiştir. Bu çalışmada altı temel el hareketinin EMG sinyalleri kullanılarak sınıflandırılması amaçlanmıştır. Bu amaç doğrultusunda transfer öğrenme yaklaşımı kullanılmıştır. EMG sinyalleri çok seviyeli dalgacık paket dönüşümü (DPD) ile zaman-frekans (ZF) görüntülerine çevrilmiştir. Bütün kanallara ait ZF görüntülerinin %80'i birleştirilerek GoogLeNet mimarisini eğitmek için kullanılmıştır. Hareket tanımada başarımı artırmak için GoogLeNet'ten elde edilen derin öznitelikler Destek Vektör Makinesi (DVM) ile sınıflandırılmıştır. Önerilen yöntem altı temel el hareketini tanımada %98.833 doğruluk oranına sahiptir. Önerilen yöntem aynı veri setini kullanan çalışmalar ile karşılaştırılmıştır. Yapılan karşılaştırmalar sonucunda önerilen yöntemin mevcut yöntemlerden %0.8 daha yüksek performans sergilediği görülmüştür. Deneysel çalışmalar önerilen yaklaşımın EMG ile hareket tanımada kullanılabilecek etkin ve verimli bir yöntem olduğunu göstermiştir. .

show abstract

Classification and Diagnosis of Myopathy EMG Signals Using the Continuous Wavelet Transform

Cited by 21 publications

References 14 publications

The role of artificial intelligence in electrodiagnostic and neuromuscular medicine:Currentstate and future directions

The role of artificial intelligence in electrodiagnostic and neuromuscular medicine:Currentstate and future directions

Inteligência Artificial Para Identificar O Uso De Máscara Na Prevenção Da Covid-19

EMG Sinyalleri Kullanılarak GoogLeNet ve Çok Seviyeli DPD ile El Tutma Hareketlerinin Sınıflandırılması

Contact Info

Product

Resources

About