膝关节疾病计算机辅助诊断方式研究浅谈摘要：计算机智能的发展为膝关节疾病的诊断提供了新的诊断方式,克服了传统诊断方式一些缺点。木文就膝关节摆动信号处理过程技术进行汇总，对未来的发展方向进行展望。关键词：膝关节；膝关节摆动信号；计算机辅助诊断；模式识别；计算机智能；信号分段中图分类号：R445.1文献标识码：A文章编号：1007-9599(2013)02-0000-02膝关节疾病在人群中的发病率特别高。目前的临床诊断方式有以关节镜入侵检测为代表的入侵性检测与MR,DR,CT影像为代表的非入侵性检测的诊断方式。入侵性检测对患者而言特别疼痛，并需要多次检测进行判决。非入侵性检测需要放射性诊断，流程复杂，并需耍人量的人工操作与分析。一种克服传统诊断方式弊端，简化诊断过程的膝关节诊断方式提出,过程为：信号收集；信号预处理；特征提取；模式分类；得出初步诊断结果。下面分别对过程简介。1膝关节摆动信号与信号收集膝关节在伸展或弯曲时，内外关节组织会发出微弱的摆动音频信号，是一种复杂的非平稳信号，这就是膝关节摆动信号(VAG)[1]。正常的关节表面是较光滑的，在活动时只发出轻微的声音；患有骨关节炎或增值性关节炎等疾病的关节病患者，软骨组织会有一定程度的损坏，在活动时会摩擦产生较多的杂音。众多文献表明，膝关节摆动信号可被用来表征膝关节软骨的状态。VAG的采集将加速器放在受测者膝关节韻骨中部，让受测者从水平状态向下弯曲至大约135度，在伸展回水平状态。采集过程中保持以膝关节为中心轴介速度恒定。2信号预处理方式与特征提取VAG测量得到的信号会引入肌电摆动信号(VMG),随机噪声。肌肉收缩干扰(MCI)是辅助诊断的主要障碍。Krishna的实验表明进行特征提取前MCI去除不是必要的，甚至产生负面影响。去除噪声的预处理方式有两部分；第一部分去除由肌肉运动产生的基线噪声干扰，处理方法是利用时延滑动平均滤波器(Movingaveragefilter)进行处理［2］；第二部分为去除VAG信号中的噪芦，有匹配追踪去噪，小波滤波方法以及提出的一种以最小能量化为原则的自适应滤波器模型。VAG噪声需要建立一种新型评价方法。比较算法效率，去噪性两种效果而言，自适应滤波器的效果最好⑶。3特征提取特征分为全局特征与局部特征。全局统计需要对整个信号进行分析，局部特征适用于分段信号。信号分段有两种：一种是人为方式，适用于有固左类型的VAG信号；另外•种是II适应分段。局部特征提取方法类似于全局特征。传统分析方式及有临床分析，时域与频域分析。为简化信号处理与决策过程，Rangayyan和Wu提出一种基于参数非参数方法统计模型去描述VAG信号［1］。异常的VAG信号波动性比较强。统计方法关注的是信号的波动特征。应用的特征有波形参数(FF)、偏斜度(S)、峰度(K)、信息爛（H）、转向计数（TC）与均方值方差（VMS）。Wu利用芝加哥大学的接受者操作特征（ROC）与Fisher线性判决对单一的特征进行分析［4］。结果显示波形系数、偏斜度与均方值特征比峰度、信息爛、转向系数特征包含等多的分类信息。局部特征可以使用ROC分析，找出包含较多分类信息的特征。VAG的全局特征与局部特征结合使用有更好的效果。4模式分类提取出特征后，接下来设计适应的分类算法。以下简介几种使用过的分类器。Tavathia提出一个用于自适应分段和VAG信号特征的线性预测模型，提取分段后的能量与带宽作为分类特征，表明可以使用特征区分正常与异常的信号；Rangayyan和Wu提出的一种使用径向基函数的神经网络算法（RBFN）,分类器使用的特征有FF、TC、VMS、U、D等统计信号特征。RBFN的分类准确率达到了81.72%；Mu提出使用TC与整个过程中VMS为特征的RBFN,准确率提高到85.7%；Wu提出一种利用数学统计特征并基于人工神经网络的多分类模式系统［5］,人工神经网络是山一组山最小二乘法为支持向量机（SVM）核心函数线性与标准组合，分类系统可以有效的降低均方MSE方面的误差。5定性的诊断结果模式分类后，可以初步确定提取特征对应区域的信号是否正常。6结论与未来发展趋势文章主要讨论了最近出现的诊断过程中出现的一些新的技术算法。目前的VAG信号分析的技术算法极大的提高了膝关节疾病的分析与诊断的效率，但在...