基于VAG信號分析的無創膝關節損傷病變檢測與輔助診斷*

徐一平，邱天爽△，劉宇鵬

(1.大連理工大學 電子信息與電氣工程學部，大連 116024；2.大連大學附屬中山醫院，大連 116001)

1 引 言

膝關節主要由髕骨、股骨、脛骨、腓骨、伸展的韌帶和肌肉組織組成，是人體結構和功能最復雜的關節之一[1]。在人的日常活動中，膝關節幾乎要承受身體的全部重量，一旦活動失當，很容易受到損傷或出現病變。常見的膝關節損傷與疾病包括交叉韌帶損傷、半月板損傷、關節軟骨退化和骨關節炎等。膝關節損傷和疾病的早期診斷和治療，對于保障人口健康具有重要意義。目前臨床上主要采用有創或微創方法來檢測和評估膝關節的損傷與疾病情況。其中，MRI和CT等無創檢測方法能夠較為有效地實現對膝關節損傷疾病的檢測，但不能提供早期診斷[2]，且這些大型儀器設備成本高，不便于日常檢查。作為微創手段的關節鏡檢查能提供診斷的詳細信息，但其對膝關節的反復切口，會對患者造成痛苦，且不利于損傷疾病的恢復。另一方面，這些現行的檢測方法在展現膝關節動態特征方面均存在一定的缺陷[3]。這樣，研究探索低成本的無創膝關節損傷疾病檢測新方法具有重要意義。

文獻中把膝關節在伸展和彎曲運動時髕骨中部產生的振動信號定義為膝關節擺動信號(vibroarthographic, VAG)[4]。基于VAG信號分析來對膝關節損傷病變進行檢測和輔助診斷是近年來興起的一種新型無創檢測方法。通過對膝關節擺動信號的特征進行分析，采用機器學習等分類方法，能夠有效區分與病理學有關的正常與異常VAG信號，從而可使醫生清楚地了解膝關節內部的情況，實現對膝關節損傷和病變的診斷與監測。特別是，基于VAG信號分析的無創檢測方法，可以早期發現關節軟骨疾病，從而使早期治療成為可能，進而減少患者手術的次數，防止膝關節病變的進一步惡化。

目前國內外對VAG信號的分析主要集中在信號的預處理、非線性分析、時域和頻域分析等方面，并采用特征分析和機器學習等分類方法進行損傷病變檢測評價與輔助診斷。本研究通過對國內外關于VAG信號分析方法的文獻查閱分析與綜述，研究基于VAG信號分析的膝關節損傷病變檢測與輔助診斷技術及其應用，并進一步探討VAG信號分析技術尚存在的問題和未來的發展方向

2 膝關節擺動信號的提出

VAG信號是膝關節在做屈伸運動時由于接觸摩擦產生的振動信號，它能夠反映髕骨軟化癥、半月板損傷和交叉韌帶損傷等膝關節損傷疾病的特征與狀態。早在1902年，人們對膝關節聲音信號在診斷關節軟骨病變方面的有效性進行了探討。Walters[5]于1929年在《柳葉刀》上提出關節聽診這一概念，由于受損的膝關節可能會影響關節軟骨和囊滑膜的潤滑作用，而膝關節在做伸展和彎曲運動時由于接觸摩擦產生振動聲音，因此，關節聽診對于檢測膝關節損傷具有潛在的作用。有充分的證據表明，對膝關節聲音的分析有潛力辨別出患有軟骨損傷疾病的異常信號，為能區分更多種類的膝關節疾病奠定了基礎，由此受到了學術界的重視。Kernohan[6]等學者在1986年指出，可以采用加速度傳感器代替聲學聽診器，以測量膝關節在伸展和彎曲過程中髕骨軟骨間的接觸摩擦情況。與聲學聽診器相比，加速度傳感器能克服環境雜音的干擾，提高采集信號的質量，而且方便數據儲存。因此，加速度傳感器成為測量膝關節擺動信號的主要工具。

3 膝關節擺動信號研究方法

3.1 VAG信號預處理

在臨床應用中記錄高質量的VAG信號，這對于計算機的輔助診斷和治療是必要的。然而，由傳感器記錄的VAG信號可能會受到幾種不同的干擾，包括肌肉收縮干擾、隨機噪聲的干擾、環境干擾和基線漂移等。肌肉收縮干擾普遍存在于膝關節在做屈伸運動時的肌肉收縮過程中，而檢測系統中的隨機噪聲則是難以避免的。有時，在膝關節做屈伸運動時，患膝關節疾病的患者會由于皮膚摩擦或疼痛反應使腿部顫抖，這會導致原始信號中出現基線漂移。上述這些問題都會對后續的VAG分析處理帶來負面影響，因此，消除或抑制這些干擾噪聲對于VAG信號的分析是很重要的。

Krishnan[7]等人用自適應濾波方法消除VAG信號的肌肉收縮干擾(MCI)，介紹了VAG信號和參考信號MCI的測量方法，詳細描述了MCI的定義、特征以及自適應濾波器的步長選擇方法。實驗結果表明，這種方法可以有效去除膝關節在做屈伸運動時肌肉所產生的低頻干擾。MCI的成功去除可以更清晰地表示VAG信號的變化特征，并更容易得到膝關節擺動信號自身更多的信息。

Yufeng Wu[8-9]等人提出了一種新穎的VAG去噪方法，這種方法把集成經驗模態分解(EEMD)和去趨勢波動分析(DFA)方法相結合，在膝關節擺動信號的處理過程中消除了基線漂移。EEMD[10-11]方法首先連續地把原始VAG信號分解成一系列快速和低震蕩的固有模態函數(IMF)，直到最后剩下一個單調的基線。DFA方法用來計算每個IMF的分形標度指數，用于識別IMF的反相關和長程相關成分，并進而重建VAG信號。實驗結果表明，EEMD和DFA的結合能有效改善VAG信號的質量，相對于原始VAG信號有較高的信噪比改善。

3.2 VAG信號特征提取方法

國內外文獻根據正常和異常VAG信號的特點，研究了多種特征提取方法，提取一些特征參數作為區分正常和異常VAG信號的顯著特征，提高異常VAG信號的識別準確率。

3.2.1基于時頻分析的特征提取 VAG信號的內在規律和周期性很容易在頻率上分析，而生物醫學信號的頻率分析通常依據傅里葉變換實現信號從時域到頻域的變換。Tanaka和Hoshiyama[12]用長度為4096的漢寧窗對99個健康樣本和46個患有骨關節炎的樣本做快速傅里葉變換，實驗結果表明，能量譜集中在50～99 Hz和100～149 Hz范圍的信號，其表征患有骨關節炎的比健康人信號的均值顯著增高。

頻率分析的主要缺點是這種方法不能準確描述頻率隨時間變化的情況。對于VAG信號固有的非平穩特性和隨時間變化的譜特性，時頻分布的方法可以克服頻率分析的缺點。Krishnan[13]等人采用匹配追蹤時頻分析法對VAG信號進行特征分析。通過對VAG信號的匹配追蹤逼近后，得到時頻分布特性，并進而提取VAG信號的能量參數、頻率參數、能量分布參數、頻率分布參數等，把這些參數作為特征對異常VAG信號進行分類和識別。這種做法能夠對非平穩VAG信號進行稀疏逼近，能在時頻平面上顯示VAG信號的特性，但是計算復雜度較高，不適合VAG信號的實時處理。

國內外文獻對患有骨關節炎和軟骨損傷的樣本和健康人的樣本進行研究，以提高正常和異常信號的分類準確度。Baczkowicz[14-15]等人對幾種有特點的膝關節疾病進行分析，用加速度傳感器對患有橫向壓縮髕骨綜合癥、骨關節炎、髕骨軟化癥的患者和健康人在膝關節屈伸時，測試得到VAG信號。計算了均方值方差VMS、50～250 Hz的能量p1值、250～400Hz的能量p2值和最大值與最小值均值R4的差異。實驗結果表明，患者的VAG信號和健康人相比，提取的特征參數有明顯的不同，特定的疾病可由特定的振動模式波形和分析參數值表示。p1和p2與年齡相關，且膝關節運動障礙是由與年齡相關的骨關節炎退化所引起。

3.2.2基于非線性分析的特征提取 分形可描述信號不同尺度的自相似性，這種方法可以表示VAG信號的非線性動態特性。Rangayyan[16]等人采用分形分析方法[17]對VAG信號進行非線性分析，通過1/f模型計算VAG信號功率譜中的分形系數，利用去趨勢波動分析方法[18](DFA)，計算信號長程自相關的分析尺度，再采用包絡分析法提取平均包絡幅度等特征，通過對健康人和膝關節損傷患者的VAG信號做統計分析。實驗結果表明，異常VAG信號的非線性特征均值都比正常VAG信號明顯增大。研究表明可以用這些表示信號波動性的非線性特征對異常VAG信號進行有效的篩選和分類。

Yufeng Wu[19]等人研究了信號的熵和包絡幅度問題，研究了患有髕骨關節軟骨病的VAG信號的不規則性量化，計算了符號熵(SyEn)、近似熵(ApEn)、模糊熵(FuzzyEn)和包絡幅度的均值、標準差和均方根，這些特征參數被用來量化與膝關節軟骨病理學相關的VAG信號的波動。采用二次判別分析(QDA)，廣義logistic回歸分析(GLRA)和支持向量機(SVM)方法作為信號的模式分類。實驗結果表明，患有關節軟骨的患者比健康人有更高的SyEn和ApEn，但是有更小的FuzzyEn。信號包絡幅度的均值，標準差和均方根也有很大的不同。實驗結果表明基于熵和包絡幅度特征的SVM比QDA和GLRA具有更好的分類性能。

Nalband[20]等基于小波分解[21]研究VAG信號。VAG信號被分解為不同頻率段的子帶信號，提取了諸如遞歸定量分析(RQA)、近似熵(ApEn)和樣本熵(SampEn)等非線性特征參數。使用兩種特征選擇方法關聯規則和遺傳算法選擇一些特征作為最重要的特征參數，使用最小二乘支持向量機(LS-SVM)和隨機森林作為分類器來評估特征選擇的性能。結果顯示經過特征選擇的參數有更突出的分類性能。實驗結果表明使用關聯規則的LS-SVM有最高的分類準確率94.31%。該研究在準確區分正常和異常的VAG信號方面提高了現有技術的性能。

3.3 分類器

信號的分類方法對于提高異常VAG信號的識別率具有重要意義，常用的分類方法包括Fisher線性判別分析、徑向基網絡、最小二乘支持向量機、貝葉斯決策和多分類器系統等。Yufeng Wu[22]等人提出一個新的基于循環網絡的多分類器系統，用于區分正常和異常的VAG信號。這個多分類器系統由最小二乘支持向量機組合分類器組成。組合分類器把線性和歸一化融合模型相結合，在循環神經網絡能量收斂的過程中對權值進行優化。實驗結果顯示，該多分類器系統能提供80.9%的分類準確度，多分類器系統的診斷性能要優于現在流行的融合方法，例如投票法和簡單平均法。Yufeng Wu[23]等人使用二元特征分布估計和最大先驗概率分布決策準則對VAG信號進行分類。該研究使用了以核函數為基礎的概率密度估計方法來建立正常和異常VAG信號分布模型。VAG信號估計的密度在二元特征空間的相關輪廓中展現正常和異常組明顯的分布，使用Fisher線性判別分析、支持向量機和最大先驗概率分布決策準則對信號分類，其中最大先驗概率分布決策準則得到最好的分類準確率86.67%。

4 結論和展望

國內外文獻將VAG信號用于膝關節損傷疾病的無創檢測中，推動了VAG信號的檢測分析與輔助診斷的發展，具有重要的意義。文獻對膝關節擺動信號的研究主要集中在以下幾個方面：即如何提高VAG信號的質量，如何提取正常和異常VAG信號間的顯著特征，如何采用合適的分類器進行有效分類和識別。文獻中報道了一些信號預處理方法，以去除信號的基線漂移和白噪聲，提高VAG信號的質量。根據正常和異常VAG信號之間存在的差異，從時域、頻域和時頻域對其進行特征分析。采用多分類器融合系統和機器學習等方法進行有效分類和識別，提高了異常VAG信號自動分類識別的效率。一些文獻研究了特定的幾種膝關節疾病間存在的差異，從能量譜的角度簡單進行區分。國內外文獻主要是對正常和異常的VAG信號進行分類和識別，通過提出一些特征分析方法對VAG信號進行量化，得到顯著性特征。通過改進分類器和構造多分類器融合系統提高異常VAG信號的篩選和識別。

將這種無創的檢測方法應用于臨床還需要解決一些技術問題，例如：如何通過設計新的采集設備提高VAG信號采集的質量。目前國內外研究中基本上采用單一傳感器，進一步可以考慮在不同部位增加傳感器，多維度觀察信號波形的變化情況，會有利于對VAG信號的分析處理和特定部位損傷病變的檢測，有利于后續的特征分析。如何采用新的特征方法準確地分析異常信號的特征并對其量化，進一步提高膝關節損傷病變的檢測能力和分類精度。如何區分具體的膝關節疾病及其嚴重程度。如何提高正常和異常信號的分類準確率等。