论文部分内容阅读
在人的日常活动中,膝关节起到非常重要的作用,膝关节比较脆弱,容易受伤或引发关节炎。早期的膝关节疾病诊断,有助于医生更好地发现疾病并采取相应方法进行控制防止疾病恶化。膝关节摆动(Vibroarthographic,VAG)信号是膝关节在屈伸活动时由于接触摩擦所产生的振动,它能够反映髌骨软化症、半月板损伤和骨关节炎等膝关节损伤疾病的特征与状态,正逐步得到临床医学的重视。现有对膝关节损伤有关的异常VAG信号筛选进行了研究,但是区分正常和异常信号的分类精度还不高,不能有效区分同种膝关节疾病患者的患病程度,还需要更多的特征提取方法来提高膝关节损伤的分类精度和检测能力。本文针对膝关节摆动信号存在的问题进行了相关的研究,主要研究内容如下:首先,本文提出了一种改进的集成经验模态分解和小波阈值联合的去噪方法,针对传统的小波阈值函数存在连续性差和恒定偏差的缺点,对小波阈值函数做了改进,增强小波阈值的去噪效果,将这种方法应用于VAG信号的预处理中,得到了较高的信噪比和较小的均方误差,使VAG信号的质量得到改善。其次,本文提出一种新的膝关节摆动信号特征提取方法,依据多重分形去趋势波动方法,定量分析了正常和异常VAG信号的特性,提取了分形标度指数、多重分形谱极值点、广义分形维数等特征信息,并采用支持向量机对正常和异常VAG信号进行分类,得到较高的分类准确率。最后,基于不同等级程度的骨关节炎在不同的频率段的不同的特性,通过对患有骨关节炎患者检测所得的VAG信号做频率切片小波变换,将[50,80]Hz和[80,150]Hz两个频段内的信号进行重构。采取多重分形去趋势波动分析方法,提取多重分形谱极值点比和分形标度指数比两个新的特征参数,根据这两个特征参数的取值范围,区分不同等级的骨关节炎。本文通过对正常和异常的VAG信号进行识别和分类,得到了较高的分类准确率。可以有效区分不同等级的骨关节炎,这对于膝关节损伤疾病的无创检测和辅助诊断具有重要意义。