膝关节声学信号的多尺度分析,用于评估软骨退化

科学领域:

• 生物力学 生物力学
• 生物医学工程 生物医学工程
• 医疗信号处理 医疗信号处理

背景情况:

• 评估膝关节软骨损伤通常需要侵入性手术.
• 在关节运动期间产生的声信号为软骨健康提供了一个非侵入性的窗口.
• 早期发现膝关节病理对于有效治疗和预防性医疗保健至关重要.

研究的目的:

• 开发和验证一种用于诊断膝关节关节软骨损伤的非侵入性方法.
• 利用声信号分析与机器学习相结合,用于评估软骨状况.
• 探索经验模式分解 (EEMD) 和阻断波动分析 (DFA) 对于特征提取的潜力.

主要方法:

• 在运动过程中收集了膝关节的声学信号.
• 经验模式分解 (EEMD) 用于将信号分解为内在模式函数 (IMF).
• 抑止波动分析 (DFA) 量化了IMF的缩放特性,以检测损害指标.
• 卷积神经网络 (CNN) 在提取的特征上进行了训练,用于对软骨退行阶段的分类.

主要成果:

• 通过EEMD-DFA方法有效地分解了声信号并消除了噪音.
• 使用EEMD-DFA的特征提取发现了标志着软骨损伤的不规则.
• 通过CNN的分类,可以准确地检测和分类膝关节软骨退化.
• 结合方法显示出非侵入性诊断分析的高潜力.

结论:

• 整合EEMD-DFA用于特征提取和CNN用于分类,为膝关节软骨损伤评估提供了一个有希望的非侵入性方法.
• 这种方法有助于早期发现膝关节病理,支持预防性医疗保健策略.
• 该研究强调了声信号分析作为一种非侵入性诊断工具的价值,减少了对侵入性程序的需求.