Класифікація віброартрографічних сигналів з використанням хвилькового перетворення і технологій машинного навчання

Abstract

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 уможливлює не лише вивчення частотного вмісту сигналу, але і його локалізацію щодо часу. Новизна запропонованого підходу полягає у застосуванні дискретного діадичного хвилькового перетворення для очищення біосигналу від впливу дрейфу ізолінії і випадкових шумів, 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 відповідних МРТ-знімків кожного пацієнта.

Vibroartography is a method of medical diagnosis, designed for objective estimation of human joint motor function in general and arthrokinematics of the knee joint in particular. The method is based on the analysis of signals of vibroacoustic emission. Vibroartography is not so effective compared to methods such as radiography and magnetic resonance imaging (MRI), but it is definitely a sensitive method for assessing the degree of knee joint dysfunction. This paper presents the research results related to the design of a system for vibroarthrographic signals computer processing. VAG signals are non-stationary, therefore, for their analysis in this study, the discrete wavelet transform is used, which allows studying not only the frequency components of the signal, but also their time localization. The novelty of the proposed approach is based on the application of a discrete dyadic wavelet transform to clear the biosignal from the impact of isolines drifts and random noise, as well as the use the wavelet coefficients to form the diagnostically significant features. Scalogram analysis for 6 levels wavelet transforms allowed identifying a band from 78 to 780 Hz, where useful diagnostic information is concentrated. Reconstruction of the signal in the specified band resulted in the elimination of the destabilizing effects. After processing results of the wavelet transform, twelve descriptors were chosen: standard deviation, mode and means of absolute values for the four signal components. The results obtained for two classes scenario are the following: accuracy of 94 %, sensitivity of 100 % and specificity of 88 %. For five classes accuracy of 83 %, sensitivity of 89 % and specificity of 62 % were achieved. Thus two classes scenario demonstrated both high accuracy and sensitivity, while five classes scenario demonstrated moderate results. The biggest overlap of descriptors is observed for the neighboring classes. The main constraint in this study was a small number of signals – 26 in each class. The duration of each recording is 6 seconds, at a sampling frequency of 10 kHz. Records were separated into classes based on corresponding MRI images for each patient.