26、基于机器学习和表面肌电图的肌肉萎缩监测

基于机器学习和表面肌电图的肌肉萎缩监测

1. 引言

重症监护病房（ICU）的患者治疗环境复杂且困难，特别是那些肌肉器官（如四肢或骨骼肌）活动受限的患者。中风或运动事故导致神经损伤的患者常面临肌肉萎缩问题，肌肉萎缩的医学术语包括萎缩（整体肌肉质量损失）和肌炎（肌肉炎症）。有研究表明，25 - 90%的长期住院患者会出现此问题，且患者出院后也可能出现肌肉萎缩。长时间卧床、镇静和不可避免的固定是导致这一问题的主要因素。

预防是最佳解决方案，早期诊断和医护人员的适当干预（如体育锻炼）可恢复肌肉力量。脊髓性肌萎缩症（SMA）与普通肌肉萎缩不同，它由遗传因素导致，收集患者数据有助于为SMA患者提供更好的治疗。因此，建立肌肉活动监测和诊断系统至关重要，但肌肉监测并非易事。早期动员患者、使用神经肌肉电刺激和避免暴露于风险因素可控制肌肉疾病，风险因素包括药物和非药物因素。医护人员可通过定期神经肌肉评估识别患者风险，但需患者清醒且能清晰表达。早期动员虽被建议，但许多患者（尤其是使用呼吸机的患者）在指定康复时间外仍不活跃，镇静、气管插管、呼吸和血液动力学不稳定是主要障碍。为防止慢性不活动，医疗康复实践需进行重大的文化和人员变革。

通过机电监测系统对肌肉萎缩患者进行监测，采用多学科方法推进了医疗治疗。Pereira等人开发的监测系统虽有新颖之处，但缺乏早期识别肌肉萎缩的传感功能，不过其基本设计与本研究目标相符。本研究将为未来医学试验奠定基础，提高对SMA患者的认识。

2. 文献综述

2.1 基于表面肌电图（sEMG）信号的深度学习手势识别

手势识别在确定肌肉群分类方面很重要，在生物医学领域，肌电图（EMG）数据常用于解决健康相关问题。由