机器学习能否基于电信号检测并分类压阻性骨水泥的失效？
信号处理
2020-10-26 v1
摘要
在美国，每年用于全关节置换翻修手术的费用估计为 80 亿美元，给医疗系统带来沉重的经济负担。固定失效，例如将植入物与骨结合的聚甲基丙烯酸甲酯（PMMA）水泥的植入物松动、磨损和机械不稳定，是长期植入物失效的主要原因。早期准确诊断水泥失效对于开发新治疗策略和降低误判翻修的高风险至关重要。遗憾的是，主流影像模态（尤其是普通 X 射线）难以检测植入物失效的前兆，且常被错误解读。我们之前的工作表明，用低浓度导电填料改性 PMMA 骨水泥可使其具有压阻性和自感知能力，从而当结合电阻抗断层成像（EIT）等电导率成像模态时，可使用经济高效、生理无害且实时的电学测量监测 PMMA 上的载荷传递。在此，我们通过将机器学习技术与 EIT 结合来扩展这些结果。我们调研了不同的机器学习算法和主成分分析在该问题上的应用，包括在 EIT 体模的电压读数上应用神经网络来跟踪样本位置、确定缺陷位置和分类缺陷类型。我们的结果显示神经网络在解读 EIT 信号用于位置跟踪、确定缺陷位置和缺陷分类方面分别具有超过 91.9%、95.5% 和 98% 准确率的优势。这些初步结果表明，智能材料、EIT 和机器学习的结合可能是诊断关节置换中失效起源与演化的有力工具。
引用
@article{arxiv.2010.12147,
title = {Is Machine Learning Able to Detect and Classify Failure in Piezoresistive Bone Cement Based on Electrical Signals?},
author = {Hamid Ghaednia and Crystal E. Owens and Lily E. Keiderling and Kartik M. Varadarajan and A. John Hart and Joseph H. Schwab and Tyler T. Tallman},
journal= {arXiv preprint arXiv:2010.12147},
year = {2020}
}
备注
8 pages, 10 figures