膝关节摆动信号的检测与分析

膝关节摆动信号检测是一种测量膝关节在腿部摆动过程中发出的音频信号和加速信号的无创检查手段。本申请项目优化了该检测系统的配置，深入分析了与膝关节退行性变化和半月板损伤相关的信号特征，为膝关节损伤的计算机辅助诊断方法提供了新思路。首先，充分利用传感器技术和无线通信技术实现了检测系统的高性能化和便携化；其次，通过独立成分分析和匹配滤波等信号处理方法，深入研究膝关节退行性变化与半月板撕裂病患的摆动信号在时域、频域和统计上的显著特征，从病理学和生物力学角度总结成因，并根据信号的病理性特征建立专家系统，利用机器学习算法实现病患信号的智能筛选和计算机辅助诊断。本项目有助于进一步推动膝关节摆动信号检测系统的完善化和成熟化，为提取摆动信号的特征来识别膝关节的具体受损情况提供了理论和实验依据，对提高该无创检查手段的有效性具有重要意义。

本项目在建立膝关节摆动信号检测系统的基础上，提出了将集成经验模态分解和去趋势波动分析算法相结合的随机噪声和运动伪差消除方法，设计了可用于去除基线漂移干扰的分级滑动平均组合滤波器，提高了采集信号的品质，优化了信号检测系统的配置，并建立了实验信号数据库。在信号分析方面，项目组成员通过国际合作，采用分形模型等非线性分析方法对膝关节摆动信号在时域和频谱上的自相关变化特性进行了参数建模，计算了信号能量谱密度的分形特征。随后通过非参数方法建立了信号的概率密度统计模型，并深入研究了膝关节炎症病人摆动信号分布的偏斜度和峰度特征的显著差异情况。本项目还提取了膝关节摆动信号的平均包络幅度参数，计算了表征信号复杂度特点的分形尺度指标，并比较了髌骨软骨软化和半月板损伤等病人信号的显著性波动特征。在信号分类方面，本项目结合高斯核密度估计方法，提出了基于协方差矩阵的多维信号特征的密度建模和分布估计方法，采用贝叶斯决策法、径向基函数神经网络、支持向量机和K近邻聚类等统计方法对正常受测者和膝关节损伤病人的摆动信号进行分类。在此基础上设计了适合与膝关节摆动信号分类的多分类器融合系统，通过引入拉格朗日乘子和凸集优化方法求解带约束条件的二次规划问题，提出了动态加权的分类器融合算法，有效提高了膝关节摆动信号的分类准确率。本项目的成果为提取摆动信号的特征来识别膝关节的具体受损情况提供了理论和实验依据，对提高膝关节炎症检测的性能具有重要意义。本项目共计发表SCI收录的国际期刊论文13篇，国际会议论文9篇（其中EI收录7篇），发表专著1部，项目负责人吴云峰副教授入选2013年福建省高等学校新世纪优秀人才计划，同年当选IEEE高级会员，获得2014年CSC-IBM中国奖研金、2012年厦门大学校级奖教金，培养硕士研究生8人，指导学生参加各级学业竞赛获奖共5项。