基于软高斯混合模型聚类的声音发射特征稳健性分析及其在骨关节炎膝关节表征中的应用

　　本研究针对膝关节骨关节炎（OA）早期诊断中声音发射（AE）信号变异性大、重叠数据点多的问题，采用软高斯混合模型（GMM）聚类技术对AE特征进行稳健性分析。通过处理四组不同年龄和健康状况参与者的数据，研究成功识别并移除重叠点，验证了GMM在区分膝关节健康状况方面的有效性，为AE参数作为非侵入性生物标志物应用于OA诊断提供了重要依据。

　　

膝关节作为人体最复杂的关节之一，其健康状态直接影响生活质量。骨关节炎（OA）作为一种常见的退行性疾病，导致关节软骨逐渐磨损，引发疼痛和功能障碍。传统的诊断方法如关节镜、X射线、MRI等存在侵入性、高成本或静态评估的局限性，难以满足早期动态监测的需求。声音发射（Acoustic Emission, AE）技术作为一种非破坏性评估方法，通过捕捉关节运动产生的高频声波信号，为膝关节健康状况提供了新的监测视角。然而，由于膝关节结构的复杂性和个体差异，AE信号存在显著的变异性，不同健康状况下的数据点容易重叠，这使得区分健康与病变关节变得困难。尽管机器学习方法如高斯混合模型（Gaussian Mixture Model, GMM）在处理重叠数据方面展现出潜力，但先前研究受限于小样本量，其泛化性和稳健性尚未得到充分验证。因此，亟需开展大样本研究，评估软GMM聚类在AE特征分析中的稳健性，以推动AE技术在实际临床应用中的发展。

本研究由Nazmush Sakib等人开展，论文发表在《Medical Engineering》上。为了系统评估软GMM聚类在AE信号分析中的性能，研究人员扩展了数据集，纳入了四组参与者：20-39岁健康人群（Group A）、40-59岁人群（Group B）、60岁以上人群（Group C）以及临床确诊的OA患者（Group D）。通过AE传感器采集膝关节在坐-站-坐运动周期中的信号，提取了计数（Count）、持续时间（Duration）、信号强度（Signal Strength）和绝对能量（Absolute Energy）四个关键特征。数据预处理包括标准化、异常值剔除（采用四分位距法）以及维度缩减（使用主成分分析PCA）。软GMM聚类通过期望最大化（EM）算法实现，后验概率阈值设为0.4-0.6以识别和移除重叠数据点。统计分析包括密度图、相关性热图、单因素方差分析（ANOVA）和Tukey HSD检验，以评估聚类稳健性和组间差异。

4.1. GMM聚类输出

软GMM聚类成功将AE数据点概率性地分配到四个簇中，分别对应健康年轻组、中年组、老年组和OA患者组。聚类过程显示，初始输出中存在大量重叠点，通过设定概率阈值，这些模糊点被识别并移除，最终聚类结果呈现出更清晰的分离。与先前研究相比，簇内紧凑性显著提高（除Cluster 4外），表明增加样本量增强了聚类的稳定性。Cluster 4（健康年轻组）由于本身高度同质，新增数据引入了轻微异质性，导致紧凑性略有下降。

4.2. 均值影响

移除重叠点后，各簇的AE特征均值发生变化。Cluster A和B（中年和健康组）的均值下降最为明显，而Cluster C和D（老年和OA组）变化较小，反映了OA相关簇的固有异质性。均值趋势显示，从健康到OA，所有特征值均递增，印证了AE活动随关节退化加剧而增强。

4.3. BMI效应

BMI与AE活动呈正相关趋势，OA组（Cluster D）具有最高BMI（27.03）和最高的AE击中数（平均1389.5/人），但BMI并非唯一决定因素，例如Cluster B虽BMI较高但AE活动较低，表明AE信号主要反映关节状况而非体重本身。

4.4. 密度图

密度图显示，移除重叠后，各簇的分布峰值更加尖锐，尤其是Cluster 3和4，表明聚类紧凑性改善。Cluster 1（OA组）始终保持较宽分布，提示OA患者AE信号具有高度变异性，可能与疾病异质性相关。

4.5. 热图分析

特征间相关性在移除重叠后得到强化，信号强度与绝对能量的相关性从0.8617升至0.8785，持续时间与信号强度从0.7501升至0.776。这表明软GMM过滤有效消除了虚假关联，突出了核心生物力学关系。

4.6. ANOVA检验结果

ANOVA显示所有特征在簇间存在极显著差异（F值均超10000，p<0.001），证实了聚类划分的统计有效性。特征值从Cluster 4到Cluster 1逐级递增，量化了关节退化的连续进程。

4.7. Tukey HSD检验

事后分析表明所有组间配对比较均显著（p<0.05），其中OA组与健康年轻组差异最大，中年和老年组呈现中间状态，证明了AE特征对亚临床变化的敏感性。

本研究通过大样本分析验证了软GMM聚类在处理膝关节AE信号中的稳健性。该方法有效解决了数据重叠问题，提高了聚类分离度和统计可靠性。研究结果表明，AE特征（如计数、持续时间、信号强度和绝对能量）能够敏感捕捉膝关节健康状况的变化，从健康状态到OA的进展伴随AE活动显著增强。BMI等混淆因素虽有一定影响，但关节状况仍是主导因子。统计学检验（ANOVA和Tukey HSD）强化了簇间差异的显著性，为AE参数作为非侵入性OA生物标志物提供了坚实证据。此外，密度和相关分析揭示了特征间的内在联系，突出了AE技术在表征关节生物力学方面的潜力。总体而言，这项工作推动了AE诊断技术向临床应用的迈进，为开发低成本、动态监测膝关节健康的智能系统奠定了理论基础。未来研究可进一步探索多模态数据融合和深度学习增强，以提升诊断精度和泛化能力。