10.3969/j.issn.0258-8021.2021.02.01
基于PCNN-LSTM神经网络的膝关节摆动信号分类识别
膝关节摆动(VAG)信号是指膝关节屈曲或伸展时发出的声音或振动信号,可灵敏、客观地描述膝关节的健康状态,在膝关节疾病的无创检测中具有重要作用.现有的对VAG信号正常和异常分类方法自动化程度低,且分类准确度较低,总体性能有待进一步提升.因此,提出一种基于改进卷积神经循环网络(PCNN-LSTM)的VAG信号分类算法.首先,利用经验模式分解(EMD)和小波变换,将一维VAG信号变换为二维时频特征谱图,并将其用作数据集;然后,在串行神经网络的基础上融合并行卷积神经网络结构,再与LSTM神经网络相结合构成改进的PCNN-LSTM模型,以此区分正常或异常的VAG信号,实现对膝关节健康状态的自动检测.采用由加速度传感器(181A02)和USB采集仪(FSC812)所采集的真实VAG信号,构建数据集对所提出算法性能进行验证.数据集由654例样本构成,其中包括健康数据222例和患有膝关节疾病的数据432例.实验表明,所提出算法的分类正确率为96.93%,灵敏度为100%,特异性为95.56%,相比其他算法可得到较好的分类识别效果,对于膝关节疾病的无创检测和辅助诊断具有重要意义.
膝关节摆动信号、经验模态分解、小波变换、卷积神经网络
40
R318(医用一般科学)
国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金
2021-06-16(万方平台首次上网日期,不代表论文的发表时间)
共8页
129-136