development of automatic diagnostic system of electromyographic discharges by audio information and artificial intelligence
Project/Area Number |
20K07877
|
Research Category |
Grant-in-Aid for Scientific Research (C)
|
Allocation Type | Multi-year Fund |
Section | 一般 |
Review Section |
Basic Section 52020:Neurology-related
|
Research Institution | Tenri Health Care University (2021-2022) Kanazawa Medical University (2020) |
Principal Investigator |
野寺 裕之 天理医療大学, 医療学部, 特別研究員 (40363147)
|
Project Period (FY) |
2020-04-01 – 2024-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2022: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2021: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2020: ¥2,600,000 (Direct Cost: ¥2,000,000、Indirect Cost: ¥600,000)
|
Keywords | 機械学習 / 針筋電図 / 人工知能 / 音特徴量 / AI / 自動判別 |
Outline of Research at the Start |
針筋電図検査で遭遇する多彩な放電パターンを判別するためには、特徴的な音パターンの認識が重要である。しかし音特徴の定量的解析研究は殆ど行われていないため、判別の根拠が不明確である。また、筋電図専門医が大幅に不足している現状では、人工知能手法を応用した判別支援システムは社会的なインパクトが大きい。本研究では針筋電図放電パターンの包括的な自動判別アルゴリズムを構築することを目的とし、音情報を用いて針筋電図放電を正確に判別する人工知能システムを作成する。
|
Outline of Annual Research Achievements |
神経・筋疾患の患者で行われた針筋電図検査で得られた安静時放電のデータベース化し、臨床的に重要な放電を分類した。分類された放電ファイルを2秒ごとに分割した。手法1)それぞれの放電ファイルを用いて音特徴量をソフトウェアにより抽出した。機械学習的手法を用いて6種類の安静時放電の判別を試みたところ、正判別率は90.4%であった。放電の種類は安静時以上放電およびノイズを含め、具体的には線維束自発放電、線維自発放電、ミオトニア放電、複合反復放電、終板電位である. 参考論文1:Nodera H, Osaki Y, Yamazaki H, Mori A, Izumi Y, Kaji R. Classification of needle-EMG resting potentials by machine learning. Muscle Nerve. 2019;59:224-228. 手法2)手法1と同一の放電データファイルを用いて実験を行った。針筋電図放電から得られた音情報をメルスペクトログラムに画像変換を行い、得られた画像を教師データとテストデータに分割した。それらのデータを用いて畳み込みニューラルネットワーク(CNN)を用いてディープラーニングを行った。画像データ増幅を行ったところ、正判別率は100%まで増加した。データ水増しとfine tuningを行うことが判別力を高める事に有益であった.参考論文2:Nodera H, Osaki Y, Yamazaki H, Mori A, Izumi Y, Kaji R. Deep learning for waveform identification of resting needle electromyography signals. Clin Neurophysiol. 2019;130:617-623.
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2つの異なる手法を用い、安静時放電の判別を行った。以下に記載する参考文献として示す通り、英文雑誌2報に掲載されたことより、研究はおおむね順調に進展していると考えている。引き続きデータの集積を行っているが、稀な放電パターンに対するデータ数が伸び悩んでいる。Diffusion法を用いたデータ生成やデータ水増し法により教師データを増加させる試みを行っている。
参考文献 Nodera H, Osaki Y,Yamazaki H, Mori A, Izumi Y, Kaji R. Classification of needle-EMG resting potentials by machine learning. Muscle Nerve.2019;59:224-228. Nodera H, Osaki Y, Yamazaki H, Mori A, Izumi Y, Kaji R. Deep learning forwaveform identification of resting needle electromyography signals. ClinNeurophysiol. 2019;130:617-623.
|
Strategy for Future Research Activity |
少数データのみの学習では汎用性に乏しいことが広く知られている。医療データを使用する本研究では、データの獲得が困難であり、AIによるデータ生成が有力な方法と期待されている。Diffusion法は音や画像生成で爆発的な進歩を見せており、本研究での応用を行っている。しかしながら,本研究で扱っている筋電図信号音は音楽と比較して周波数域が広く放電の持続時間が短いため,単純な応用では満足する音質が得られておらず,種々の方法を施行中である.
|
Report
(3 results)
Research Products
(3 results)