| 研究実績の概要 |
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ファイルを放電により分類した。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。具体的には以下の放電を対象とした（endplate potential; fibrillation potential and positive sharp wave; myotonic discharge; noise artifact; complex repetitive discharge; fasciculation potential)。 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。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.
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
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。
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.
|
