[发明专利]一种基于深度学习对膝关节摆动信号的分类方法

说明书

一种基于深度学习对膝关节摆动信号的分类方法，属于涉及医学及生理信号的分析与分类技术领域。采用中值滤波和小波变换的方式对脉搏波信号进行预处理，在时域和时频域方面对脉搏波信号进行分析，提取特征参数。利用深度学习的方法进行样本训练，获取建立预测模型进行分类识别，从而分类膝关节健康状况、不同膝关节疾病、严重程度等级及术后患者恢复等级。通过该模型设计可实际应用的膝关节内部信息分类识别装置。本发明的分类效果性能良好，对膝关节健康状况、不同膝关节疾病、严重程度等级及术后患者恢复状况的分类识别具有良好的准确度。本发明通过便携的膝关节摆动信号采集装置即可进行分类识别，有助于改善膝关节疾病判断、分类识别的便携性。

技术领域

本发明涉及医学及生理信号的分析与分类技术领域，涉及到膝关节摆动信号的特征参数 的分析与提取，特别涉及到利用已采集的膝关节摆动信号基于深度学习的方法进行分类识别。

背景技术

膝关节疾病现多采用关节镜和CT、MRI的检测方法进行检测，其中关节镜为有创检查， 存在给病人带来创口加大痛苦，检测过程不方便且检测时间长等缺点；CT、MRI设备大，费 用高且无法提供早期诊断。如果能利用膝关节摆动信号，会显著改善膝关节疾病的检测的方 便程度和普及性。目前，有关膝关节摆动信号的研究中，多采用提取膝关节摆动信号特征参 数的方法，利用支持向量机等分类器基于机器学习的方法对膝关节摆动信号进行分类，区分 膝关节健康与不健康的状况、某种疾病的严重程度。但是，这些方法只利用了一部分膝关节 摆动信号的特征信息，无法将膝关节摆动信号的原始信号中蕴含的更多的信息利用。因此对 于膝关节健康程度的分类精度还有待提高。并且，对于一部分不同的膝关节疾病的特征也有 所差异，因此提出一种基于深度学习的方法来分类膝关节摆动信号将具有更重要的意义。

发明内容

本发明的主要目的是解决现有得技术问题，提供一种以深度学习和膝关节摆动信号分析 为基础，可以对膝关节摆动信号进行更精确的分类分析的辅助医疗手段。

为了达到上述目的，本发明采用的技术方案为：

一种基于深度学习对膝关节摆动信号的分类方法，本发明基于深度学习的方法，将膝关 节摆动信号及其特征参数作为输入数据集，对膝关节摆动信号进行分类，训练得到可以分类 的模型，包括以下步骤：

第一步，采集膝关节摆动信号

采集受试者的VAG信号，在膝关节伸展与弯曲的摆动同时，在受试者的髌骨表面中间 位置放置微型加速度传感器(181A02)，采用USB采集仪(FSC812)以2kHz的采样速率记录膝 关节摆动信号。专家对采集得到的信号进行健康、患病以及膝关节不同疾病、严重程度、手 术后3个月、6个月、12个月时恢复状况进行标注作为监督分类的金标准。

第二步，对采集得到的膝关节摆动信号进行预处理

采用中值滤波法对膝关节摆动信号去除基线漂移干扰；采用小波变换对膝关节摆动信号 去除工频干扰和肌电干扰等其他噪声。

第三步，基于非线性随机信号分析的相关理论，对预处理之后的膝关节摆动信号进行时 域、时频域上的特征参数的提取和分析，特征参数包括时域上的平均包络幅度、均方值方差 和时频域上的分形标度指数、广义分形维数等，得到对膝关节摆动信号分类程度较高的特征 参数。具体步骤如下：

3.1)在时域上，提取平均包络幅度这个特征参数，对膝关节摆动信号时域的波形进行每 10个点中最大最小值的识别，利用三次样条插值的方法拟合出曲线的上下包络，求得上下包 络幅度，进而求取平均包络幅度，其公式如下：

其中，K表示平均包络幅度，M_max表示上包络幅度，M_min表示下包络幅度，M_m表示包络幅值绝对值的平均值，即