[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

摘要

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。

主权项

1.一种基于深度学习对膝关节摆动信号的分类方法，其特征在于，所述的分类方法基于深度学习，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，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，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3.2)在时域上，提取均方值方差作为特征参数，通过均方值方差描述一段时间范围内的分散程度，其中均方值为信号平方的均值，其公式如下：其中，S_m表示均方值方差，n表示信号个数，y_i(t)表示第i个信号，表示原信号的均值；3.3)在时频域上，采用多重分形去趋势波动分析方法提取非平稳时间序列的多重分形特征，依据DFA的方法计算膝关节摆动信号的分形标度指数、广义分形维数作为特征参数；原始信号用x表示，求取步骤如下：(1)计算信号的累计离差：其中，为信号均值，x_n为第n个信号，N为信号个数；(2)将累积离差y(i)等分为N_m个时间长度为m的子区间，即N_m＝N/m；若离差序列能被整除，则直接用上述公式计算；若不能整除，改进的方法为先从前向后取N_m个长度为m的区间，再从最后一个数据向前取长度为m的N_m个区间，以此构成新的子区间，其中子区间个数为2N_m个；(3)对子区间中的信号进行去趋势分析，采用多项式拟合的方法得到信号波动趋势，并且用原始信号减去拟合的波动趋势，将趋势去除；(4)计算每个子区间滤去趋势后的方差，公式如下：其中，_S为子区间的个数，m为每个子区间的长度，i为第i个子区间，y_s(i)为第i个子区间的信号；(5)计算标准DFA的q阶波动函数，公式如下：其中，q为波动函数阶数；(6)对做双对数关系图像，其得到散点图观察分析可确定波动函数的标度指数h(q)，对F_q(m)和m用最小二乘法线性拟合得到斜率h(q)；q＝2时的h(2)称为Hurst指数H，也称为分形标度指数，以此作为一个特征参数；另外通过这种方法，还可以提出广义分形维度为特征参数，公式如下:第三步，构建输入的训练数据集和测试数据集，具体步骤如下：3.1)将去噪后的膝关节摆动信号数据进行数据扩增，采用滑动窗的方法进行分割；3.2)将四个特征参数值构成特征参数集，与原始数据按照1:4的权重构建输入数据集；3.3)对3.2)划分所得信号进行线性归一化处理；所用尺度变换为：其中，X表示信号，X_max表示信号中最大值，X_min表示信号中最小值；3.4)归一化处理后，按照专家给的标定作为金标准，按照不同的分类问题对输入数据集给定标签，将输入数据集按照不同分类问题分成训练集和测试集；其中训练集数量约占整个输入数据集的70％，测试集约占整个输入数据集的30％；第四步，通过基于深度学习的方法构建模型，利用模型对膝关节摆动信号进行分类识别；采用以下两种方法构建模型，具体如下：方法一：依据深度学习方法，采用LSTM‑RNN网络提取特征，对第三步得到的训练集进行学习训练并用测试集数据测试，训练出可以实现正常与异常的分类模型，对异常信号数据再次进行训练测试，训练出可以对不同膝关节疾病进行多分类的模型；对不同膝关节疾病的信号数据进行等级程度的划分，训练出可以确定患病的等级程度的模型，并对膝关节术前术后患者膝关节摆动信号进行训练，得到可以判断患者术后恢复不好、恢复良好和康复的模型；4.1)对膝关节是否健康的分类，分类为健康与不健康；第三步得到的输入数据集中包括专家已进行标注的健康、不健康人群的膝关节摆动信号；将训练集输入深度学习网络，进行样本训练得到模型后利用测试集进行测试，调整深度学习网络的结构、参数、函数，调高分类精度；得到对膝关节是否健康的分类模型；所述的输入数据集包含训练集和测试集；4.2)对不健康的数据集继续进行分类，将不健康数据重新按照不同疾病给定标签，作为输入数据集，将输入数据集分成训练集和测试集；训练集数据输入深度学习网络进行样本训练得到模型后利用测试集测试，调整深度学习网络的结构、参数、函数，调高分类精度；得到可以从膝关节摆动信号来区分不同膝关节疾病的分类模型；4.3)对不同的膝关节疾病继续进行分类，区分不同膝关节疾病的严重程度等级；根据临床经验，将膝关节疾病严重程度分为四个等级，按照不同疾病的不同等级给定输入数据集标签，将输入数据集分为训练集和测试集，训练集输入深度学习网络进行样本训练得到模型后利用测试集测试，调整深度学习网络的结构、参数、函数，调高分类精度；得到可以对膝关节摆动信号来对不同膝关节疾病严重程度等级分类的模型；4.4)对已经进行膝关节手术的病人进行术前术后检测对比，观察病人恢复情况，得到可判断术后恢复的模型；将膝关节疾病病人手术前、手术后及术后3个月、半年、9个月、12个月的数据作为输入数据集，按照不同恢复状况给定标签，将输入数据集分为训练集和测试集，训练集输入深度学习网络进行样本训练得到模型后利用测试集测试，调整深度学习网络的结构、参数、函数，调高分类精度；得到可以对膝关节摆动信号来判断膝关节术后恢复程度的模型；方法二：第三步处理后的输入数据集为一维时间序列的数据，对其做小波变换，得到时频域上的小波变换图像，将一维信号输入变为二维信号输入，将所有数据的小波变换图像作为新的数据集构成训练集和测试集，其中训练集约占输入数据的70％；再进行分类识别，依据深度学习方法，采用CNN网络提取特征，对训练集进行学习训练并用测试集数据测试，训练出可以实现正常与异常的分类模型，对异常信号数据再次进行训练测试，训练出可以对不同膝关节疾病进行多分类的模型；对不同膝关节疾病的信号数据进行等级程度的划分，训练出可以确定患病的等级程度的模型，并对膝关节术前术后患者膝关节摆动信号进行训练，得到可以判断患者术后恢复不好、恢复良好和康复的模型。