Класифікація віброартрографічних сигналів з використанням хвилькового перетворення і технологій машинного навчання

2019;
: сс. 40-52
Автори:
1
Національний університет «Львівська політехніка»

Віброартрографія як метод медичної діагностики призначений для об'єктивного
оцінювання суглобової функції, зокрема артрокінематики колінного суглобу і базується на
аналізі сигналу віброакустичної емісії. Віброартрографія хоч і поступається за ефективністю
таким методам, як рентгенографія і магніторезонансна томографія (МРТ), безумовно, є
достатньо чутливим методом для оцінювання ступеня дисфункції колінних суглобів.
Наведено результати досліджень щодо побудови системи комп’ютерного опрацювання
віброартрографічних сигналів. ВАГ-сигнали мають нестаціонарний характер, тому для їх
аналізу у цьому дослідженні застосовано дискретне хвилькове перетворення, яке умож-
ливлює не лише вивчення частотного вмісту сигналу, але і його локалізацію щодо часу.
Новизна запропонованого підходу полягає у застосуванні дискретного діадичного хвилько-
вого перетворення для очищення біосигналу від впливу дрейфу ізолінії і випадковихшумів, а
також використання деталізуючих компонент для формування діагностично значущих ознак.
Аналіз скалограми 6-рівневого хвилькового розкладу дав змогу виділити смугу від 78 до
780 Гц, де зосереджена корисна діагностично значуща інформація. Реконструкція сигналу у
вказаній смузі забезпечила усунення дестабілізуючих впливів дрейфу ізолінії та
високочастотних шумів. За результатами хвилькового перетворення було вибрано такі
прості дескриптори, як стандартне відхилення, мода і середнє значення модуля окремих
компонент сигналу, що відповідають рівням розкладу. Для класифікації сигналів застосовано
один із найпростіших методів машинного навчання – лінійну регресію. Досліджено
показники якості класифікації для випадку двох і п’яти класів дисфункції колінного суглоба.
У випадку двох класів отримано такі результати: точність на рівні 94%, чутливість 100% і
специфічність 88%. Для п'яти класів точність становить 83%, чутливість та специфічність
89% і 62% відповідно. Для двох груп одержано високу точність і чутливість класифікатора,
а для п’яти класів результати класифікації були посередні. При цьому найбільше перекриття
дескрипторів спостерігається для сусідніх класів. Основним обмеженням у цьому дослідженні
була мала кількість сигналів – по 26 для кожного з класів. Тривалість кожного запису 6
секунд за частоти дискретизації 10 кГц. Розподіл записів на окремі класи відбувався на основі
інформації з відповіднихМРТ-знімків кожного пацієнта.

1. Wu Y. Knee Joint Vibroarthrographic Signal Processing and Analysis, Knee Joint Vibroarthrographic Signal Processing and Analysis, Springer, London 2015.

2. Bączkowicz D., Majorczyk E. Joint motion quality in vibroacoustic signal analysis for patients with patellofemoral joint disorders, BMC Musculoskelet Disord, 2014;15:426-433.

3. Bączkowicz D., Majorczyk E. Joint motion quality in chondromalacia progression assessed by vibroacoustic signal analysis, Pm&r 8 (2016) 1065–1071.

4. Dołęgowski M., Szmajda M., Bączkowicz D. Use of incremental decomposition and spectrogram in vibroacoustic signal analysis in knee joint disease examination // Przeglad elektrotechniczny, 2018, Nr 7, p. 162–166.

5. Krecisz K., Baczkowicz D. Analysis and multiclass classification of pathological knee joints using vibroarthrographic signals, Computer Methods and Programs in Biomedicine, 154, 2018, 37–44.

6. Rangayyan R. M., Oloumi F., Wu Y., Cai S. Fractal analysis of knee-joint vibroarthrographic signals via power spectral analysis, Biomed. Signal Process. Control. 8 (2013) 23–29.

7. Baczkowicz D., Majorczyk E. Joint motion quality in vibroacoustic signal analysis for patients with patellofemoral joint disorders, BMC Musculoskeletal Disord. 15, 2014.

8. Ferreira Moreira D. B. Classification of knee arthropathy with accelerometer-based vibroarthrography // Dissertation submitted to Faculdade de Engenharia da Universidade do Porto to obtain the degree of Master in Bioengineering, 2015, 112 p.

9. Song C. G., Kim K. S., Seo J. H. Non-invasive monitoring of knee pathology based on automatic knee sound classification. In Proceedings of the World Congress on Engineering and Computer Science, San Francisco, USA, 2009.

10. Meng Lu, Suxian Cai, Fang Zheng, Shanshan Yang, Ning Xiang, and Yunfeng Wu. Adaptive noise removal of knee joint vibration signals using a signal power error minimization method. In Computing and Convergence Technology (ICCCT), 2012 7th International Conference on, pp. 1193–1196.

IEEE, 2012.

11. Wu Y., Yang S. Zheng F., Cai S., Lu M., Wu M. Removal of artifacts in knee joint vibroarthrographic signals using ensemble empirical mode decomposition and detrended fluctuation analysis. Physiol. Meas. 35 (3), 429–439.

12. Krishnan S., Rangayyan R.M. Automatic denoising of knee-joint vibration signals using adaptive timefrequency representations. Medical and Biological engineering and Computing, 38(1):2–8, 2000.

13. Rangaraj M. Rangayyan. (2002) Biomedical Signal Analysis. A Case-Study Approach. Jhon Willey and Sons Inc. 556 pp.

14. Смоленцев Н. К. Основы теории вейвлетов. Вейвлеты в MATLAB. – М.: ДМК, Пресс, 2014. – 628 с.

15. MathWorks. Support. Documentation. Отримано з https://www.mathworks.com/help/stats/fitlm.html.

16. Rangayyan R. M., Wu Y. Screening of knee-joint vibroarthrographic signals using probability density functions estimated with Parzen windows, Biomed. Sig- nal Process. Control 5 (2010) 53–58.

17. Pihlajamäki H. K., Kuikka P.-I., Leppänen V.-V., Kiuru M. J., Mattila V. M. Reliability of clinical findings and magnetic resonance imaging for the diagnosis of chondromalacia patellae, J. Bone Jt. Surg. Am. 92 (2010) 927–934.

18. Samim M., Smitaman E., Lawrence D., Moukaddam H. MRI of anterior knee pain, Skeletal Radiol. 43 (2014) 875–893.

19. Tanaka N., Hoshiyama M. Vibroarthrography in patients with knee arthropa- thy, J. Back Musculoskeletal Rehabil 25 (2012) 117–122.