基于機(jī)器學(xué)習(xí)的膝關(guān)節(jié)擺動(dòng)信號(hào)分類算法研究.pdf

1、膝關(guān)節(jié)(kneejoint)在人體運(yùn)動(dòng)過(guò)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(dāng)?shù)闹委熁蛲饪剖中g(shù)以防止膝關(guān)節(jié)進(jìn)一步惡化。膝關(guān)節(jié)擺動(dòng)信號(hào)(knee joint vibration or vibroarthrographicsignal，VAG)是通過(guò)傳感器在膝蓋骨表面采集到的擺動(dòng)聲音信號(hào)，可作為一種無(wú)創(chuàng)的膝關(guān)節(jié)疾病檢測(cè)技術(shù)。計(jì)算機(jī)輔助分析膝關(guān)節(jié)擺動(dòng)信號(hào)，能夠提高診斷的準(zhǔn)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(shí)際意義。
　　首先，本文主要計(jì)算了膝關(guān)節(jié)擺動(dòng)信號(hào)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(jì)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(gè)信號(hào)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(shí)，分析了這些特征參數(shù)對(duì)區(qū)分正常人和膝關(guān)節(jié)疾病患者的膝關(guān)節(jié)擺動(dòng)信號(hào)的顯著性差異。
　　接著，本文提出三種基于機(jī)器學(xué)習(xí)的分類算法來(lái)分析膝關(guān)節(jié)擺動(dòng)信號(hào)。其中，第一種算法是基于核密度估計(jì)(kernel density estimation method)和貝葉斯最大后驗(yàn)概率(Maximal Posterior Probability Decision Criterion，MPP)

4、對(duì)膝關(guān)節(jié)擺動(dòng)信號(hào)分類，其得到了86.67％的分類準(zhǔn)確率，且其Az±SE為0.9096±0.0332（Az為ROC曲線下面積，SE為標(biāo)準(zhǔn)誤差），優(yōu)于傳統(tǒng)的線性分類器(FLDA)和支持向量機(jī)(SVM)，它們得到的準(zhǔn)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