多尺度特征与机器学习的骨损伤超声检测方法及设备

本发明公开了多尺度特征与机器学习的骨损伤超声检测方法及设备，通过采集UGW信号，并对其进行标准化和包络处理，去除了信号噪声，保留了关键损伤信息。结合时域、频域和时频域等多个信号处理领域的特征提取，并针对骨损伤信号的多尺度特性和复杂性，提出了互补集合经验模态分解能量特征、能量熵特征和ASDDF特征。为确保特征之间的尺度统一并剔除冗余特征，采用遗传算法进行特征选择。最终，将经过GA优化的多特征输入设计的全连接神经网络模型，并通过K折交叉验证方法训练，得到高效的骨伤损自动识别模型。该方法在复杂环境中对骨损伤的检测准确性和适应性优于传统方法，为骨质疏松和骨折的早期筛查提供了一种高效、准确的解决方案。