生理信號(hào)的復(fù)雜度計(jì)算和特征分析研究.pdf

1、系統(tǒng)是由預(yù)定義的成員組成的功能實(shí)體，而在實(shí)際生活中，最常見(jiàn)的是復(fù)雜系統(tǒng)。人體是自然產(chǎn)生的最典型的復(fù)雜系統(tǒng)，如果人體中某個(gè)組織或者器官發(fā)生了病變，這便會(huì)使得系統(tǒng)表征出一些特征，使得相應(yīng)的時(shí)間序列信號(hào)更加復(fù)雜。
　　本文介紹了以熵理論為基礎(chǔ)的一些復(fù)雜性計(jì)算方法:Shannon熵、排序熵(Permutation Entropy)、近似熵(Approximate Entropy)、樣本熵(SampleEntropy)、模糊熵(Fuzzy

2、Entropy)和符號(hào)熵(Sybolic Entropy)。同時(shí)介紹了幾種典型的分類器:二次判別分析(Quadratic Discriminant Analysis)、廣義邏輯斯蒂回歸分析（Generalized Logistic Regression Analysis）、支持向量機(jī)(SupportVector Machine)和集成學(xué)習(xí)算法(Ensemble Learning Algorithms)。并將它們應(yīng)用在:帕金森疾病、膝關(guān)節(jié)

3、疾病和兒童成熟步態(tài)鑒定中。且采用一些分類性能評(píng)估指標(biāo)來(lái)度量分類器性能:靈敏度、特異度、精確率、準(zhǔn)確率、受試者操作特征曲線(Receiver Operating Characteristic Curve，ROC)、ROC曲線下面積(theArea Under the ROC curve，AUC)和Matthews相關(guān)系數(shù)(Matthews CorrelationCoefficient，MCC)。
　　在帕金森疾病中的應(yīng)用中，本文使用

4、了兩種復(fù)雜度算法:近似熵、符號(hào)熵，和一種度量信號(hào)波形趨勢(shì)的算法:信號(hào)轉(zhuǎn)向計(jì)數(shù)(Signal Turns Count)來(lái)提取健康受試者和帕金森疾病患者的邁步周期信號(hào)特征，最后使用廣義邏輯斯蒂回歸分析和支持向量機(jī)對(duì)特征進(jìn)行模式分類，從而達(dá)到鑒別健康受試者和帕金森疾病患者的目的。實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，采用近似熵、符號(hào)熵和信號(hào)轉(zhuǎn)向計(jì)數(shù)能有效的表達(dá)邁步周期信號(hào)中的不規(guī)律程度，即它們能有效的捕獲帕金森患者中邁步周期信號(hào)的異常波動(dòng)和復(fù)雜模式。其中GLRA分類

5、器的評(píng)估指標(biāo)為:準(zhǔn)確率(82.76％)、靈敏度(0.8276)、特異度(0.8276)、精確率(0.8276)、AUC(0.9037)和MCC(0.6552)。SVM分類器的評(píng)估指標(biāo)為:準(zhǔn)確率(84.48％)、靈敏度(0.7241)、特異度(0.9655)、精確率(0.9545)、AUC(0.9049)和MCC(0.7107)。這表明了相比于廣義邏輯斯蒂回歸分析，大體上支持向量機(jī)對(duì)邁步周期信號(hào)中健康受試者和帕金森疾病患者鑒別中表現(xiàn)優(yōu)異。

6、
　　在膝關(guān)節(jié)疾病中的應(yīng)用中，本文使用了三種信號(hào)復(fù)雜度算法:符號(hào)熵、近似熵、和模糊熵，和三種信號(hào)包絡(luò)振幅統(tǒng)計(jì)量:均值、標(biāo)準(zhǔn)差和均方根來(lái)提取健康受試者和患有軟骨病理學(xué)疾病患者的膝關(guān)節(jié)擺動(dòng)信號(hào)特征，最后使用二次判別分析、廣義邏輯斯蒂回歸分析和支持向量機(jī)對(duì)健康模式和疾病模式進(jìn)行分類。實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，這些復(fù)雜度算法能有效的識(shí)別出信號(hào)中的不規(guī)則震蕩。同時(shí)在模式分類中，廣義邏輯斯蒂的分類準(zhǔn)確率最高，為86.30％，其次為支持向量機(jī):83.56％

7、。二次判別分析的分類準(zhǔn)確率最低，為82.19％。而支持向量機(jī)的其他評(píng)估指標(biāo)為:靈敏度(0.9444)、特異度(0.8)、AUC(0.9212)和MCC(0.6599)。廣義邏輯斯蒂:靈敏度(0.7222)、特異度(0.9091)、AUC(0.9111)和MCC(0.6313)。二次鑒別分析:靈敏度(0.7222)、特異度(0.8545)、AUC(0.8793)和MCC(0.5492)。這表明了大體上支持向量機(jī)對(duì)膝關(guān)節(jié)擺動(dòng)信號(hào)中健康受試者

8、和患有軟骨病理學(xué)疾病患者鑒別的優(yōu)越性。
　　在兒童步態(tài)發(fā)展中的應(yīng)用中，本文使用了一種信號(hào)復(fù)雜度算法:樣本熵，和一種信號(hào)幅度算法:平均步幅間隔(Average Stride Interval)方法作為特征，來(lái)提取三組不同年齡段兒童的步態(tài)信號(hào)特征。使用Bagging和AdaBoost.M2的集成分類器來(lái)對(duì)三組年齡段兒童的樣本進(jìn)行模式分類。實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，在三個(gè)不同年齡段中由腿長(zhǎng)歸一化、由體重歸一化和原始的樣本熵值都呈遞減趨勢(shì)，這與兒童的

9、發(fā)育程度有關(guān)系。但是平均步幅間隔值在三個(gè)不同年齡段中呈現(xiàn)遞增趨勢(shì)，因?yàn)槠骄椒g隔值度量的是平均步態(tài)幅度間隔，所以這可能與兒童在發(fā)育過(guò)程中的身高和體重有關(guān)。即將平均步幅間隔值根據(jù)腿長(zhǎng)和體重歸一化后，數(shù)據(jù)在不同年齡段中呈現(xiàn)遞減趨勢(shì)，與理論一致。從而印證了兒童身體的控制能力和肌肉骨骼發(fā)展能力隨著年齡的增加也得到增強(qiáng)的觀點(diǎn)。同時(shí)Bagging算法對(duì)模式分類的準(zhǔn)確率達(dá)到了92％，高于AdaBoost.M2.90％。這說(shuō)明相比于AdaBoost.