کاربرد شبکه های عصبی عمیق در تشخیص بیماری های نوروماسکولار از طریق تحلیل سیگنال های الکترومایوگرافی EMG سطحی: یک مرور سیستماتیک بر پایه متدولوژی پریزما (PRISMA)

بیماری های نوروماسکولار، از جمله میوپاتی ها و نوروپاتی ها، به عنوان گروهی از اختلالات عصبی-عضلانی، چالش های تشخیصی پیچیده ای را برای متخصصان پزشکی ایجاد می کنند. این بیماری ها اغلب با علائم مشابهی بروز می کنند که تشخیص افتراقی آنها را دشوار می سازد. در این میان، سیگنال های الکترومایوگرافی سطحی به عنوان یک روش غیرتهاجمی و ایمن، امکان ثبت فعالیت الکتریکی عضلات را فراهم می کند و می تواند اطلاعات ارزشمندی در مورد عملکرد سیستم عصبی-عضلانی ارائه دهد. با این حال، تحلیل سنتی سیگنال های الکترومایوگرافی سطحی به صورت دستی انجام می شود که نه تنها زمان بر است، بلکه به دلیل پیچیدگی سیگنال ها و وابستگی به تفسیر متخصص، با خطاهای انسانی همراه می باشد. در سال های اخیر، شبکه های عصبی عمیق به عنوان یکی از پیشرفته ترین روش های یادگیری ماشین، تحولی در پردازش سیگنال های بیومدیکال ایجاد کرده اند. این الگوریتم ها قادرند با استخراج خودکار ویژگی های پیچیده از داده های سیگنال های الکترومایوگرافی سطحی، الگوهای مرتبط با بیماری های نوروماسکولار را شناسایی کنند و دقت و سرعت تشخیص را بهبود بخشند. بنابراین، این مطالعه با هدف مرور سیستماتیک کاربردهای شبکه های عصبی عمیق در تشخیص خودکار بیماری های نوروماسکولار از طریق سیگنال های الکترومایوگرافی سطحی انجام شده است. در این راستا، به بررسی مزایا، محدودیت ها، و چالش های موجود در این حوزه پرداخته و راهکارهای احتمالی برای توسعه سیستم های هوشمند تشخیصی آینده ارائه می شود.

کلیدواژه ها:

شبکه های عصبی عمیق ، بیماری های نوروماسکولار ، تحلیل سیگنال های الکترومایوگرافی ، سیستماتیک بر پایه متدولوژی پریزما