论文部分内容阅读
系统是由预定义的成员组成的功能实体，而在实际生活中，最常见的是复杂系统。人体是自然产生的最典型的复杂系统，如果人体中某个组织或者器官发生了病变，这便会使得系统表征出一些特征，使得相应的时间序列信号更加复杂。 本文介绍了以熵理论为基础的一些复杂性计算方法:Shannon熵、排序熵(Permutation Entropy)、近似熵(Approximate Entropy)、样本熵(SampleEntropy)、模糊熵(Fuzzy Entropy)和符号熵(Sybolic Entropy)。同时介绍了几种典型的分类器:二次判别分析(Quadratic Discriminant Analysis)、广义逻辑斯蒂回归分析（Generalized Logistic Regression Analysis）、支持向量机(SupportVector Machine)和集成学习算法(Ensemble Learning Algorithms)。并将它们应用在:帕金森疾病、膝关节疾病和儿童成熟步态鉴定中。且采用一些分类性能评估指标来度量分类器性能:灵敏度、特异度、精确率、准确率、受试者操作特征曲线(Receiver Operating Characteristic Curve，ROC)、ROC曲线下面积(theArea Under the ROC curve，AUC)和Matthews相关系数(Matthews CorrelationCoefficient，MCC)。 在帕金森疾病中的应用中，本文使用了两种复杂度算法:近似熵、符号熵，和一种度量信号波形趋势的算法:信号转向计数(Signal Turns Count)来提取健康受试者和帕金森疾病患者的迈步周期信号特征，最后使用广义逻辑斯蒂回归分析和支持向量机对特征进行模式分类，从而达到鉴别健康受试者和帕金森疾病患者的目的。实验结果发现，采用近似熵、符号熵和信号转向计数能有效的表达迈步周期信号中的不规律程度，即它们能有效的捕获帕金森患者中迈步周期信号的异常波动和复杂模式。其中GLRA分类器的评估指标为:准确率(82.76％)、灵敏度(0.8276)、特异度(0.8276)、精确率(0.8276)、AUC(0.9037)和MCC(0.6552)。SVM分类器的评估指标为:准确率(84.48％)、灵敏度(0.7241)、特异度(0.9655)、精确率(0.9545)、AUC(0.9049)和MCC(0.7107)。这表明了相比于广义逻辑斯蒂回归分析，大体上支持向量机对迈步周期信号中健康受试者和帕金森疾病患者鉴别中表现优异。 在膝关节疾病中的应用中，本文使用了三种信号复杂度算法:符号熵、近似熵、和模糊熵，和三种信号包络振幅统计量:均值、标准差和均方根来提取健康受试者和患有软骨病理学疾病患者的膝关节摆动信号特征，最后使用二次判别分析、广义逻辑斯蒂回归分析和支持向量机对健康模式和疾病模式进行分类。实验结果发现，这些复杂度算法能有效的识别出信号中的不规则震荡。同时在模式分类中，广义逻辑斯蒂的分类准确率最高，为86.30％，其次为支持向量机:83.56％。二次判别分析的分类准确率最低，为82.19％。而支持向量机的其他评估指标为:灵敏度(0.9444)、特异度(0.8)、AUC(0.9212)和MCC(0.6599)。广义逻辑斯蒂:灵敏度(0.7222)、特异度(0.9091)、AUC(0.9111)和MCC(0.6313)。二次鉴别分析:灵敏度(0.7222)、特异度(0.8545)、AUC(0.8793)和MCC(0.5492)。这表明了大体上支持向量机对膝关节摆动信号中健康受试者和患有软骨病理学疾病患者鉴别的优越性。 在儿童步态发展中的应用中，本文使用了一种信号复杂度算法:样本熵，和一种信号幅度算法:平均步幅间隔(Average Stride Interval)方法作为特征，来提取三组不同年龄段儿童的步态信号特征。使用Bagging和AdaBoost.M2的集成分类器来对三组年龄段儿童的样本进行模式分类。实验结果发现，在三个不同年龄段中由腿长归一化、由体重归一化和原始的样本熵值都呈递减趋势，这与儿童的发育程度有关系。但是平均步幅间隔值在三个不同年龄段中呈现递增趋势，因为平均步幅间隔值度量的是平均步态幅度间隔，所以这可能与儿童在发育过程中的身高和体重有关。即将平均步幅间隔值根据腿长和体重归一化后，数据在不同年龄段中呈现递减趋势，与理论一致。从而印证了儿童身体的控制能力和肌肉骨骼发展能力随着年龄的增加也得到增强的观点。同时Bagging算法对模式分类的准确率达到了92％，高于AdaBoost.M2.90％。这说明相比于AdaBoost.M2算法，Bagging算法在解决儿童步态模式分类问题上表现优异。