生理信號的復(fù)雜度計算和特征分析研究.pdf

1、系統(tǒng)是由預(yù)定義的成員組成的功能實體，而在實際生活中，最常見的是復(fù)雜系統(tǒng)。人體是自然產(chǎn)生的最典型的復(fù)雜系統(tǒng)，如果人體中某個組織或者器官發(fā)生了病變，這便會使得系統(tǒng)表征出一些特征，使得相應(yīng)的時間序列信號更加復(fù)雜。
　　本文介紹了以熵理論為基礎(chǔ)的一些復(fù)雜性計算方法:Shannon熵、排序熵(Permutation Entropy)、近似熵(Approximate Entropy)、樣本熵(SampleEntropy)、模糊熵(Fuzzy

2、Entropy)和符號熵(Sybolic Entropy)。同時介紹了幾種典型的分類器:二次判別分析(Quadratic Discriminant Analysis)、廣義邏輯斯蒂回歸分析（Generalized Logistic Regression Analysis）、支持向量機(SupportVector Machine)和集成學(xué)習(xí)算法(Ensemble Learning Algorithms)。并將它們應(yīng)用在:帕金森疾病、膝關(guān)節(jié)

3、疾病和兒童成熟步態(tài)鑒定中。且采用一些分類性能評估指標來度量分類器性能:靈敏度、特異度、精確率、準確率、受試者操作特征曲線(Receiver Operating Characteristic Curve，ROC)、ROC曲線下面積(theArea Under the ROC curve，AUC)和Matthews相關(guān)系數(shù)(Matthews CorrelationCoefficient，MCC)。
　　在帕金森疾病中的應(yīng)用中，本文使用

4、了兩種復(fù)雜度算法:近似熵、符號熵，和一種度量信號波形趨勢的算法:信號轉(zhuǎn)向計數(shù)(Signal Turns Count)來提取健康受試者和帕金森疾病患者的邁步周期信號特征，最后使用廣義邏輯斯蒂回歸分析和支持向量機對特征進行模式分類，從而達到鑒別健康受試者和帕金森疾病患者的目的。實驗結(jié)果發(fā)現(xiàn)，采用近似熵、符號熵和信號轉(zhuǎn)向計數(shù)能有效的表達邁步周期信號中的不規(guī)律程度，即它們能有效的捕獲帕金森患者中邁步周期信號的異常波動和復(fù)雜模式。其中GLRA分類

5、器的評估指標為:準確率(82.76％)、靈敏度(0.8276)、特異度(0.8276)、精確率(0.8276)、AUC(0.9037)和MCC(0.6552)。SVM分類器的評估指標為:準確率(84.48％)、靈敏度(0.7241)、特異度(0.9655)、精確率(0.9545)、AUC(0.9049)和MCC(0.7107)。這表明了相比于廣義邏輯斯蒂回歸分析，大體上支持向量機對邁步周期信號中健康受試者和帕金森疾病患者鑒別中表現(xiàn)優(yōu)異。

6、
　　在膝關(guān)節(jié)疾病中的應(yīng)用中，本文使用了三種信號復(fù)雜度算法:符號熵、近似熵、和模糊熵，和三種信號包絡(luò)振幅統(tǒng)計量:均值、標準差和均方根來提取健康受試者和患有軟骨病理學(xué)疾病患者的膝關(guān)節(jié)擺動信號特征，最后使用二次判別分析、廣義邏輯斯蒂回歸分析和支持向量機對健康模式和疾病模式進行分類。實驗結(jié)果發(fā)現(xiàn)，這些復(fù)雜度算法能有效的識別出信號中的不規(guī)則震蕩。同時在模式分類中，廣義邏輯斯蒂的分類準確率最高，為86.30％，其次為支持向量機:83.56％

7、。二次判別分析的分類準確率最低，為82.19％。而支持向量機的其他評估指標為:靈敏度(0.9444)、特異度(0.8)、AUC(0.9212)和MCC(0.6599)。廣義邏輯斯蒂:靈敏度(0.7222)、特異度(0.9091)、AUC(0.9111)和MCC(0.6313)。二次鑒別分析:靈敏度(0.7222)、特異度(0.8545)、AUC(0.8793)和MCC(0.5492)。這表明了大體上支持向量機對膝關(guān)節(jié)擺動信號中健康受試者

8、和患有軟骨病理學(xué)疾病患者鑒別的優(yōu)越性。
　　在兒童步態(tài)發(fā)展中的應(yīng)用中，本文使用了一種信號復(fù)雜度算法:樣本熵，和一種信號幅度算法:平均步幅間隔(Average Stride Interval)方法作為特征，來提取三組不同年齡段兒童的步態(tài)信號特征。使用Bagging和AdaBoost.M2的集成分類器來對三組年齡段兒童的樣本進行模式分類。實驗結(jié)果發(fā)現(xiàn)，在三個不同年齡段中由腿長歸一化、由體重歸一化和原始的樣本熵值都呈遞減趨勢，這與兒童的

9、發(fā)育程度有關(guān)系。但是平均步幅間隔值在三個不同年齡段中呈現(xiàn)遞增趨勢，因為平均步幅間隔值度量的是平均步態(tài)幅度間隔，所以這可能與兒童在發(fā)育過程中的身高和體重有關(guān)。即將平均步幅間隔值根據(jù)腿長和體重歸一化后，數(shù)據(jù)在不同年齡段中呈現(xiàn)遞減趨勢，與理論一致。從而印證了兒童身體的控制能力和肌肉骨骼發(fā)展能力隨著年齡的增加也得到增強的觀點。同時Bagging算法對模式分類的準確率達到了92％，高于AdaBoost.M2.90％。這說明相比于AdaBoost.