基于機器學習的膝關(guān)節(jié)擺動信號分類算法研究.pdf

1、膝關(guān)節(jié)(kneejoint)在人體運動過程中起著至關(guān)重要的作用，且易受傷和引起骨關(guān)節(jié)炎。早期的膝關(guān)節(jié)疾病診斷能幫助醫(yī)生采用適當?shù)闹委熁蛲饪剖中g(shù)以防止膝關(guān)節(jié)進一步惡化。膝關(guān)節(jié)擺動信號(knee joint vibration or vibroarthrographicsignal，VAG)是通過傳感器在膝蓋骨表面采集到的擺動聲音信號，可作為一種無創(chuàng)的膝關(guān)節(jié)疾病檢測技術(shù)。計算機輔助分析膝關(guān)節(jié)擺動信號，能夠提高診斷的準確度，以幫助醫(yī)生更好地診

2、斷患者的病情，具有良好的實際意義。
　　首先，本文主要計算了膝關(guān)節(jié)擺動信號的多種特征，包括小波匹配追蹤分解的原子數(shù)量(Natom)、轉(zhuǎn)向計數(shù)(turns count，TC)、波形因素(form factor，F(xiàn)F)、均方值方差(variance of the mean-squared values，VMS)、每個信號的概率密度函數(shù)(PDF)的熵（entropy，H）、偏度(skewness，SK)、峰度(kurtosis，KU)以

3、及分形維度(fractal dimension，F(xiàn)D)。同時，分析了這些特征參數(shù)對區(qū)分正常人和膝關(guān)節(jié)疾病患者的膝關(guān)節(jié)擺動信號的顯著性差異。
　　接著，本文提出三種基于機器學習的分類算法來分析膝關(guān)節(jié)擺動信號。其中，第一種算法是基于核密度估計(kernel density estimation method)和貝葉斯最大后驗概率(Maximal Posterior Probability Decision Criterion，MPP)

4、對膝關(guān)節(jié)擺動信號分類，其得到了86.67％的分類準確率，且其Az±SE為0.9096±0.0332（Az為ROC曲線下面積，SE為標準誤差），優(yōu)于傳統(tǒng)的線性分類器(FLDA)和支持向量機(SVM)，它們得到的準確率均為81.33％，F(xiàn)LDA的Az±SE為0.8564±0.0447; SVM的Az±SE為0.8533±0.0467。第二種算法為基于遞歸神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork）的多分類器融合系統(tǒng)(Multip