[发明专利]一种基于时域多维特征融合的膝关节信号特征提取及分类方法与装置

说明书

本发明公开了一种基于时域多维特征融合的膝关节信号特征提取及分类方法与装置。基于信号的时域特征，选取能够表征VAG信号的具有明确物理含义的典型时域特征，通过特征加权融合方法，将单一VAG信号浅层特征构建为VAG信号多维深层特征，从而能够提升特征对数据集的划分纯度和VAG信号的表征能力，进而可以获得较高的膝关节信号分类准确率，有利于为智能化膝关节病理早期退行性诊断提供建议依据。

技术领域

本发明涉及生物医学信号处理领域，特别涉及一种基于时域多维特征融合的膝关节信号特征提取及分类方法。

背景技术

膝关节骨性关节炎是由骨头，关节软骨和软组织病变引起的疾病，其病变是一个渐进性退化过程。早期膝关节炎不易察觉，症状不明显，及时的早期诊断并采取合适的治疗方式，可以有效预防膝关节炎的病情加重。因此，对膝关节炎的早期退行性病变的诊断是十分重要的。膝关节早期病理诊断最初是依靠临床医生经验的临床听诊方式，这种方法没有理论的可靠性分析作为参照，医生的判断通常会出现偏差。于是出现侵入性膝关节诊断方法，包括骨穿刺技术和膝关节镜手术。这些方法在手术过程中具有一定风险，且加重了患者疾病治疗时的痛苦。临床上还应用一些非侵入性膝关节诊断方法，包括以影像学为基础的核磁共振成像，CT扫描等，这些方法虽然能提供无创检测，但是成本高，需专业人员操作判别，可用性受到限制。目前，利用膝关节振动(VAG)信号进行早期膝关节疾病诊断是一种受到广泛关注的病理诊断方法。该方式相对影像技术成本低。可以通过对患者简单膝盖弯曲动作获取的膝关节振动信号，进行信号分析处理，为实现智能化膝关节病理早期退行性诊断提供建议依据。

由于膝关节振动信号是非平稳信号，信号规律不明显，目前的分类结果准确性很低，难以为膝关节病理早期退行性诊断提供可靠的建议依据。为了实现VAG信号分类在临床诊断中的应用，需要研究鲁棒性强，简单易行且判断准确率高的信号分类方法。

发明内容

为了得到较好病理筛选结果，需要研究鲁棒性强，简单易行且判断准确率高的信号分类方法，而膝关节信号特征提取是实现信号分类的关键，本发明提出一种基于时域多维特征融合的膝关节信号特征提取及分类方法，基于信号的时域特征，选取能够表征VAG信号的具有明确物理含义的典型时域特征，通过特征加权融合方法，将单一VAG信号浅层特征构建为VAG信号多维深层特征，从而能够提升特征对数据集的划分纯度和VAG信号的表征能力，进而可以获得较高的膝关节信号分类准确率，有利于为智能化膝关节病理早期退行性诊断提供建议依据。

本发明的技术方案为：

一种基于时域多维特征融合的膝关节信号特征提取及分类方法，包括以下步骤：

步骤1：采集若干带有分类标签的膝关节振动信号，并对各个膝关节振动信号进行降噪预处理；

步骤2：分别计算各个经过降噪预处理后的膝关节振动信号的若干时域特征；

步骤3：采用膝关节振动信号的时域特征值组合得到特征集D，并根据膝关节振动信号的时域特征值，得到各个时域特征对应的样本子集，利用各个时域特征对应的样本子集分别计算各个时域特征的基尼指数；

步骤4：采用基尼指数作为随机森林分类器的最优划分属性，由随机森林分支深度计算各个时域特征的重要性值作为特征融合权值；

步骤5：根据步骤4得到的特征融合权值，将膝关节振动信号的各个时域特征分别加权融合，得到深层时域特征向量；将各个膝关节振动信号的深层时域特征向量构成多维时域特征矩阵；

步骤6：利用部分多维时域特征矩阵和对应的分类标签建立训练集，剩余多维时域特征矩阵和对应的分类标签建立测试集，对建立的随机森林分类器进行训练，得到训练好的随机森林分类器；

步骤7：对于新采集的膝关节振动信号，通过步骤2～步骤6构建相应的多维时域特征矩阵，输入步骤6训练好的随机森林分类器，得到膝关节振动信号的分类结果。