论文部分内容阅读
膝关节(knee-joint)是人体下肢的主要关节,是人体关节中最大的也是结构和功能最复杂的关节,同时也是人体最容易损伤的关节之一。膝关节损伤的早期诊断有助于预防退行性骨性关节炎(osteoarthritis),以便于患者能尽早接收治疗,减缓其关节退化的过程。膝关节摆动信号(vibroarthrographicsignal,VAG)是膝关节在伸展和弯曲运动中发出的摆动声音信号,是一种复杂的非平稳信号。膝关节摆动信号能够描述关节内损伤状况,是一种非侵入性的膝关节疾病诊断手段。然而,膝关节摆动信号在采集过程中会受到许多干扰,而这些干扰可能会导致错误的诊断结果。因此,在进行膝关节摆动信号诊断前,对信号的干扰移除过程是非常重要的。 本文实现了基于小波基的匹配追踪(waveletmatchingpursuit)算法,完成了时延神经滤波器(time-delayneuralfilter),以及基于集成经验模态分解(EnsembleEmpiricalModeDecomposition,EEMD)与去趋势波动分析(detrendedfluctuationanalysis,DFA)的膝关节摆动信号的噪声消除方法,并将小波匹配追踪算法与后两种算法的信噪比指标进行了比较,分析了各种算法的性能与噪声消除效果。这三种方法的噪声消除性能良好,因为它们使得正常人和膝关节疾病患者的信号的信噪比都提高了9dB以上。其中,时延神经滤波器和EEMD与DFA结合的算法所得到的SNR都大于20dB,比小波匹配追踪算法好得多;而EEMD与DFA结合的算法得到的SNR的标准差比时延神经滤波器小得多,表明了EEMD与DFA结合的算法比时延神经滤波器的性能更稳定。因此,EEMD与DFA结合的算法更适用于膝关节摆动信号处理的干扰移除任务。