| 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。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。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.
|
