30、基于多视图特征的监督集成子空间学习模型在肌电信号诊断中的应用

基于多视图特征的监督集成子空间学习模型在肌电信号诊断中的应用

1. 肌电信号诊断技术现状

在肌电信号（EMG）诊断领域，定量方法采用了各种肌电特征，如时间、频率、时频等特征，用于诊断神经肌肉疾病，例如肌萎缩侧索硬化症（ALS）。不同的方法运用了运动单位动作电位（MUAP）特征、小波特征、自回归系数（AR）、时域特征（TD）、AR + RMS特征、多尺度主成分分析（PCA）特征和固有模态函数等，从特定的预诊断信号中提取特征进行诊断。

以下是一些具体的方法：
- Bagging集成分类器 ：先从肌电信号中提取离散小波变换（DWT）特征，然后评估统计指标，用于神经肌肉疾病的诊断，取得了不错的结果。
- 基于人工神经网络（ANN）和卷积神经网络（CNN）的分类模型 ：使用自回归（AR）参数和基于子空间的参数，诊断健康、肌病和神经源性疾病。
- 两级级联支持向量机（SVM）算法 ：分类性能良好，准确率达到95.7%。
- 多层感知器模型 ：采用AR、RMS、过零率、波形长度和平均绝对值等提取特征。
- 计算机辅助诊断系统 ：使用自回归移动平均（ARMA）模型的估计参数及其干扰的方差，捕捉肌电信号的线性动态和变异性。

然而，许多早期方法存在一些问题。例如，基于DWT的方法依赖于小波函数的正确选择和分解层次的选择，并且在匹配小波系数与特定MUAP时存在困难。此外，许多方法的相关约束和复杂性使得它们不适合实际应用，而且一些研究问题，如性能提升的原因、特征搜索空