Classification of Surface Electromyography Recordings from Young and Older Adults Using CWT Scalograms: A Window-Level Proof-of-Concept Study
Klassifikation von Oberflächen-EMG-Aufzeichnungen junger und älterer Erwachsener mit CWT-Scalogrammen: Window-Level-Proof-of-Concept-Studie
Diagnostics · 30.10.2026 · 16 (21) · 3584
DOI: 10.3390/diagnostics16213584 ↗Auf einen Blick
Bei 60 gesunden Erwachsenen unterschied ein CWT-ResNet-18 sEMG-Aufzeichnungen auf Fenster-Ebene mit 78,98 % Genauigkeit. Die Aussagekraft für altersbedingte neuromuskuläre Veränderungen bleibt offen.
Fragestellung
Können Zeit-Frequenz-Darstellungen von sEMG-Signalen mit Deep Learning Aufzeichnungen von jungen und älteren gesunden Erwachsenen klassifizieren?
Methode
60 gesunde Erwachsene: 30 jung, 30 älter. sEMG wurde gefiltert, segmentiert und als CWT-Scalogramme mit ResNet-18 auf Fenster-Ebene trainiert und getestet (80:20).
Ergebnisse
Window-Level: Genauigkeit 78,98 %, AUC 0,8589, Sensitivität 71,34 %, Spezifität 85,06 %, balancierte Genauigkeit 78,20 %. Muskel-spezifisch lagen die Genauigkeiten zwischen 78,57 % und 79,89 %.
Einschränkungen
Möglicher Einfluss von Bewegungstiming, aktiven und Ruhephasen, anthropometrischen Merkmalen und Teilnehmer-Überlappung zwischen Trainings- und Testset; keine zusätzlichen Kontrollanalysen.
Schlussfolgerung der Autor:innen
CWT-basierte Zeit-Frequenz-Darstellungen von sEMG zusammen mit ResNet-18 zeigten eine vorläufige Machbarkeit zur Klassifikation von Aufzeichnungen junger und älterer Erwachsener. Ein spezifischer Nachweis altersbedingter neuromuskulärer Veränderungen gelingt damit nicht.
Kernaussagen
- 60 gesunde Erwachsene: 30 jung, 30 älter
- Window-Level-Genauigkeit 78,98 %; AUC 0,8589
- Keine Kontrolle für mögliche Störfaktoren durchgeführt
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift Diagnostics, online erschienen am 30.10.2026. Verfasst von SoHyeon Bang und 2 weiteren Autor:innen. Beteiligte Einrichtung: Department of Electronic and Communication Engineering, Catholic Kwandong University, Gangneung-si 25601, Republic of Korea. Die Arbeit nennt 28 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Konyang University.
Themen: Gerontologische Pflege
Abstract (Originalsprache)
Background/Objectives: Age-related changes in skeletal muscle involve alterations in both muscle structure and neuromuscular function. Surface electromyography (sEMG) provides a non-invasive method for assessing muscle electrical activity. This study aimed to investigate whether time–frequency representations of sEMG signals combined with deep learning could classify recordings obtained from healthy young and older adults, without assuming that the discriminative features necessarily reflect age-related neuromuscular changes. Methods: sEMG signals were experimentally collected from 60 healthy adults, including 30 young and 30 older adults. The resulting continuous wavelet transform (CWT) scalogram images were randomly divided into training and test sets at the image-window level using an 80:20 ratio. Consequently, windows from the same participant could appear in both sets. Signals were filtered, segmented into overlapping windows, and converted into CWT scalogram images for classification using ResNet-18.
Results
At the window level, the CWT-ResNet model achieved an accuracy of 78.98%, an area under the receiver operating characteristic curve (AUC) of 0.8589, a sensitivity of 71.34%, a specificity of 85.06%, and a balanced accuracy of 78.20%. Muscle-specific analyses showed window-level classification accuracies ranging from 78.57% to 79.89% across all three muscle sites. However, the observed classification performance may have been influenced by differences in movement timing, active and resting periods, anthropometric characteristics, and participant overlap between the training and test sets. These potential influences were not isolated through additional control analyses.
Conclusions
CWT-based time–frequency representations of sEMG combined with ResNet-18 demonstrated preliminary feasibility for classifying sEMG recordings obtained from young and older adults under the revised preprocessing and image-window-level evaluation conditions. The findings do not establish that the model specifically detects age-related neuromuscular changes. Participant-independent validation and analyses controlling for task execution and anthropometric characteristics are required.
Schlagwörter
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Department of Electronic and Communication Engineering, Catholic Kwandong University, Gangneung-si 25601, Republic of Korea.
- Department of Healthcare Management, Catholic Kwandong University, 24 Beomil-ro 579 Beongil, Gangneung-si 25601, Republic of Korea.
- Department of Dental Hygiene, College of Medical Science, Konyang University, 158 Gwanjeodong-ro, Seo-gu, Daejeon 35365, Republic of Korea.
ORCID-Profile: JinHyoung Jeong, YuYeon Jung
Förderung
- Konyang University
Zitieren
APA
Bang, S., Jeong, J., & Jung, Y. (2026). Classification of Surface Electromyography Recordings from Young and Older Adults Using CWT Scalograms: A Window-Level Proof-of-Concept Study. Diagnostics, 16(21), 3584. https://doi.org/10.3390/diagnostics16213584
Vancouver
Bang S, Jeong J, Jung Y. Classification of Surface Electromyography Recordings from Young and Older Adults Using CWT Scalograms: A Window-Level Proof-of-Concept Study. Diagnostics. 2026;16(21):3584. doi:10.3390/diagnostics16213584
BibTeX
@article{Bang2026,
author = {Bang, SoHyeon and Jeong, JinHyoung and Jung, YuYeon},
title = {Classification of Surface Electromyography Recordings from Young and Older Adults Using CWT Scalograms: A Window-Level Proof-of-Concept Study},
journal = {Diagnostics},
year = {2026},
volume = {16},
number = {21},
pages = {3584},
doi = {10.3390/diagnostics16213584}
}
EUVIMED