论文部分内容阅读
膝关节(knee joint)在人体运动过程中起着至关重要的作用,且易受伤和引起骨关节炎。早期的膝关节疾病诊断能帮助医生采用适当的治疗或外科手术以防止膝关节进一步恶化。膝关节摆动信号(knee joint vibration or vibroarthrographic signal, VAG)是通过传感器在膝盖骨表面采集到的摆动声音信号,可作为一种无创的膝关节疾病检测技术。计算机辅助分析膝关节摆动信号,能够提高诊断的准确度,以帮助医生更好地诊断患者的病情,具有良好的实际意义。首先,本文主要计算了膝关节摆动信号的多种特征,包括小波匹配追踪分解的原子数量(Natom)、转向计数(turns count, TC)、波形因素(form factor,FF)、均方值方差(variance of the mean-squared values, VMS)、每个信号的概率密度函数(PDF)的熵(entropy, H)、偏度(skewness, SK)、峰度(kurtosis,KU)以及分形维度(fractal dimension, FD)。同时,分析了这些特征参数对区分正常人和膝关节疾病患者的膝关节摆动信号的显著性差异。接着,本文提出三种基于机器学习的分类算法来分析膝关节摆动信号。其中,第一种算法是基于核密度估计(kernel density estimation method)和贝叶斯最大后验概率(Maximal Posterior Probability Decision Criterion, MPP)对膝关节摆动信号分类,其得到了86.67%的分类准确率,且其Az±SE为0.9096±0.0332(Az为ROC曲线下面积,SE为标准误差),优于传统的线性分类器(FLDA)和支持向量机(SVM),它们得到的准确率均为81.33%,FLDA的Az±SE为0.8564±0.0447；SVM的Az±SE为0.8533±0.0467。第二种算法为基于递归神经网络(Recurrent Neural Network)的多分类器融合系统(Multiple Classifier System, MCS-RNN),其对膝关节摆动信号的分类结果得到的Az为0.8230。第三种算法为动态加权融合算法(Dynamic Weighted Classifier Fusion, DWF),其对膝关节摆动信号的分类准确率为88.76%,Az±SE为0.9515±0.0244。