基于可解释CNN-LSTM框架的多类别神经肌肉障碍EMG分类新方法

《IEEE Transactions on Artificial Intelligence》：Interpretable CNN-LSTM Framework for Multiclass Neuromuscular Disorder Classification Using Clinically Relevant EMG Features

本研究针对神经肌肉障碍（NMDs）诊断中存在的信号模式重叠、患者间变异大及传统模型可解释性差等挑战，提出了一种结合临床相关EMG特征的可解释深度学习框架。通过融合三种统计特征选择方法与临床验证描述符构建特征集，开发了能够同时捕捉EMG信号空间模式和时间动态的混合CNN-LSTM模型，并集成SHAP、LIME等多种可解释性技术。在多个数据集上的验证表明，该框架实现了95.83%的准确率和98.61%的AUC值，为中低收入地区提供了近实时诊断支持。

　　

神经肌肉障碍（NMDs）是一组影响周围神经系统、骨骼肌或神经肌肉接头的复杂疾病，包括神经病变和肌病等常见类型。全球流行病学数据显示，NMDs年发病率高达122/10万，其中周围神经病变 alone 就影响7-8%的55岁以上成年人。早期准确诊断对治疗和康复至关重要，而肌电图（EMG）特别是肌内EMG（iEMG）一直是诊断NMDs的金标准。然而，传统EMG分析高度依赖专家经验，存在耗时长、主观性强、判读一致性差等问题。

尽管机器学习（ML）和深度学习（DL）方法已被广泛应用于EMG信号分析，但现有研究仍面临三大瓶颈：首先，多数模型基于单一中心的小规模数据集（通常每类少于25名受试者），限制了模型的泛化能力；其次，现有方法多局限于二分类任务，难以应对真实临床环境中多类别诊断需求；最重要的是，大多数模型缺乏可解释性机制，被视为"黑箱"，导致临床医生难以信任其预测结果。此外，特征选择过程往往忽视临床知识指导，且缺乏跨数据集验证，进一步制约了临床转化潜力。

为突破这些局限，来自孟加拉国军事工程技术大学、达福迪尔国际大学等多个研究机构的研究团队在《IEEE Transactions on Artificial Intelligence》上发表了创新性研究成果。他们开发了一种结合临床洞察与可解释人工智能（XAI）技术的多类别NMD分类框架，通过融合数据驱动特征选择和临床经验验证，构建了兼具高精度和透明决策过程的诊断系统。

研究团队采用三项核心技术方法实现这一目标：首先建立多阶段信号预处理流程，包括下采样至4,096 Hz、10 Hz高通滤波和Daubechies-6小波去噪，确保信号质量的同时降低计算复杂度；接着从时域、频域、时频域和非线性特征四个维度提取28个临床相关EMG特征，并采用分布感知归一化策略（Min-max缩放、Z-score标准化和Robust缩放）处理不同尺度特征；最后通过集成三种统计特征选择方法（Fisher Score、递归特征消除和信息增益）与临床知识验证，形成最终特征集（FSF），并利用SMOTE技术解决类别不平衡问题。

模型架构设计体现创新思维，研究团队开发了混合CNN-LSTM网络，其中卷积层专门捕捉局部空间模式，LSTM层学习长期时间依赖关系。该架构包含两个卷积块（各含128个滤波器、核大小5），后接128单元LSTM层和32单元全连接层，最终通过Softmax输出三分类概率。特别值得注意的是，模型引入LeakyReLU（α=0.3）激活函数、批量归一化和Dropout（0.2）等正则化技术，共包含219,395个可训练参数，每个样本推理延迟中位数仅为59.56毫秒。

在性能验证方面，研究团队采用多维度评估策略。主要基于Mendeley数据集（241名受试者）进行模型训练与测试，同时使用EMGLAB数据集（23名受试者）进行跨人群验证，并利用私有表面EMG（sEMG）队列（40名受试者）进行外部跨模态测试。这种严谨的验证设计确保了模型评估的全面性和可靠性。

特征选择结果显示，最终特征集（FSF）包含15个关键特征，其中最大小波系数（MWC）、斜率符号变化（SSC）和小波熵（WE）等非线性特征贡献最为显著。通过普通最小二乘（OLS）回归分析证实，所有选定特征均呈现显著统计学意义（p<0.05），证明其特征选择的稳健性。

模型性能比较表明，CNN-LSTM框架在FSF特征集上表现最优，准确率达95.83%，显著优于传统机器学习模型（支持向量机85.50%、随机森林87.50%）和单一深度学习模型（CNN 82.50%、LSTM 83.33%）。其他关键指标同样出色：精确度95.85%、召回率95.83%、F1分数95.83%、Cohen's kappa 93.75%、马修斯相关系数（MCC）93.82%，曲线下面积（AUC）达98.61%。特别值得注意的是，模型在保持高精度的同时实现了59.56毫秒的推理速度，满足近实时临床应用需求。

消融实验深入解析了架构组件的贡献。移除第二个卷积层或批量归一化分别导致准确率下降至80.00%和80.83%，证明多层级特征提取和训练稳定性的重要性。单独使用CNN或LSTM模型性能均低于混合架构，验证了空间-时间联合建模的优势。优化器比较显示Adam表现最佳（准确率95.83%），显著优于Adagrad（80.00%）和SGD（80.83%）。学习率敏感度分析确定0.001为最优值，偏离该值会导致性能下降。

可解释性分析是本研究的重要亮点。通过SHAP（SHapley Additive exPlanations）分析发现，MWC、SSC和WE是影响分类决策的三大关键特征。局部可解释性模型（LIME）分析揭示了特征与临床表型的对应关系：神经病变预测与高MWC（>0.52）、高HA（Hjorth Activity，>0.20）相关，反映信号复杂性和不规则放电；健康状态与低SSC（≤-0.36）、低WAMP（Willison Amplitude，≤0.05）相关，表征信号稳定性；肌病则表现为中等范围SSC（-0.28至0.81）和WE（0.32至0.82），符合部分肌纤维损失的生理特征。部分依赖图（PDP）进一步验证了特征与类别概率间的非线性关系，如SD（标准差）低于0.2时健康概率高，高于0.5时肌病概率增加。

跨数据集验证结果彰显模型的强泛化能力。在EMGLAB数据集上准确率达91.47%，私有sEMG队列上达90.00%，表明模型能够适应不同采集设备和人群特征。虽然表面EMG信号特性与肌内EMG存在差异，但模型仍保持优异性能，证明其特征表示能力的鲁棒性。

基于这些成果，研究团队设计了临床决策支持系统原型，集成模型预测与LIME解释功能。当输入新EMG信号时，系统不仅输出诊断结果，还提供特征级决策依据，如"高MWC（0.62）支持神经病变诊断"，使临床医生能够理解模型推理过程，增强对AI辅助诊断的信任度。

本研究在多方面实现重要突破：首次将完整可解释AI技术套件应用于多类别NMD分类，克服了传统黑箱模型局限；通过融合统计特征选择和临床知识验证，构建了生理意义明确的特征集；验证策略严谨，涵盖跨人群和跨模态测试，为临床转化奠定基础。特别是针对资源有限地区的应用场景，模型59.56毫秒的推理速度使其具备现场部署潜力，有望改善神经肌肉疾病诊断可及性。

当然，研究也存在一定局限性，如总样本量相对有限，未来需要通过多中心合作扩大数据规模；当前框架主要针对三种常见NMD类型，未来可扩展至更多疾病亚型。此外，尽管进行外部验证，但前瞻性临床评估仍需加强。

这项研究为EMG信号分析领域贡献了重要方法论创新，通过可解释深度学习框架成功平衡了模型性能与临床可接受性，为AI在神经肌肉疾病诊断中的实际应用提供了范例。其技术路径不仅适用于NMD领域，对其他生理信号分析任务同样具有参考价值，标志着可解释AI在关键医疗应用中的重要进展。