徐一平，邱天爽△，劉宇鵬

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

1 引 言

膝關(guān)節(jié)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(jié)構(gòu)和功能最復(fù)雜的關(guān)節(jié)之一[1]。在人的日?；顒?dòng)中，膝關(guān)節(jié)幾乎要承受身體的全部重量，一旦活動(dòng)失當(dāng)，很容易受到損傷或出現(xiàn)病變。常見的膝關(guān)節(jié)損傷與疾病包括交叉韌帶損傷、半月板損傷、關(guān)節(jié)軟骨退化和骨關(guān)節(jié)炎等。膝關(guān)節(jié)損傷和疾病的早期診斷和治療，對(duì)于保障人口健康具有重要意義。目前臨床上主要采用有創(chuàng)或微創(chuàng)方法來檢測(cè)和評(píng)估膝關(guān)節(jié)的損傷與疾病情況。其中，MRI和CT等無創(chuàng)檢測(cè)方法能夠較為有效地實(shí)現(xiàn)對(duì)膝關(guān)節(jié)損傷疾病的檢測(cè)，但不能提供早期診斷[2]，且這些大型儀器設(shè)備成本高，不便于日常檢查。作為微創(chuàng)手段的關(guān)節(jié)鏡檢查能提供診斷的詳細(xì)信息，但其對(duì)膝關(guān)節(jié)的反復(fù)切口，會(huì)對(duì)患者造成痛苦，且不利于損傷疾病的恢復(fù)。另一方面，這些現(xiàn)行的檢測(cè)方法在展現(xiàn)膝關(guān)節(jié)動(dòng)態(tài)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(chuàng)膝關(guān)節(jié)損傷疾病檢測(cè)新方法具有重要意義。

文獻(xiàn)中把膝關(guān)節(jié)在伸展和彎曲運(yùn)動(dòng)時(shí)髕骨中部產(chǎn)生的振動(dòng)信號(hào)定義為膝關(guān)節(jié)擺動(dòng)信號(hào)(vibroarthographic, VAG)[4]。基于VAG信號(hào)分析來對(duì)膝關(guān)節(jié)損傷病變進(jìn)行檢測(cè)和輔助診斷是近年來興起的一種新型無創(chuàng)檢測(cè)方法。通過對(duì)膝關(guān)節(jié)擺動(dòng)信號(hào)的特征進(jìn)行分析，采用機(jī)器學(xué)習(xí)等分類方法，能夠有效區(qū)分與病理學(xué)有關(guān)的正常與異常VAG信號(hào)，從而可使醫(yī)生清楚地了解膝關(guān)節(jié)內(nèi)部的情況，實(shí)現(xiàn)對(duì)膝關(guān)節(jié)損傷和病變的診斷與監(jiān)測(cè)。特別是，基于VAG信號(hào)分析的無創(chuàng)檢測(cè)方法，可以早期發(fā)現(xiàn)關(guān)節(jié)軟骨疾病，從而使早期治療成為可能，進(jìn)而減少患者手術(shù)的次數(shù)，防止膝關(guān)節(jié)病變的進(jìn)一步惡化。

目前國(guó)內(nèi)外對(duì)VAG信號(hào)的分析主要集中在信號(hào)的預(yù)處理、非線性分析、時(shí)域和頻域分析等方面，并采用特征分析和機(jī)器學(xué)習(xí)等分類方法進(jìn)行損傷病變檢測(cè)評(píng)價(jià)與輔助診斷。本研究通過對(duì)國(guó)內(nèi)外關(guān)于VAG信號(hào)分析方法的文獻(xiàn)查閱分析與綜述，研究基于VAG信號(hào)分析的膝關(guān)節(jié)損傷病變檢測(cè)與輔助診斷技術(shù)及其應(yīng)用，并進(jìn)一步探討VAG信號(hào)分析技術(shù)尚存在的問題和未來的發(fā)展方向

2 膝關(guān)節(jié)擺動(dòng)信號(hào)的提出

VAG信號(hào)是膝關(guān)節(jié)在做屈伸運(yùn)動(dòng)時(shí)由于接觸摩擦產(chǎn)生的振動(dòng)信號(hào)，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(guān)節(jié)損傷疾病的特征與狀態(tài)。早在1902年，人們對(duì)膝關(guān)節(jié)聲音信號(hào)在診斷關(guān)節(jié)軟骨病變方面的有效性進(jìn)行了探討。Walters[5]于1929年在《柳葉刀》上提出關(guān)節(jié)聽診這一概念，由于受損的膝關(guān)節(jié)可能會(huì)影響關(guān)節(jié)軟骨和囊滑膜的潤(rùn)滑作用，而膝關(guān)節(jié)在做伸展和彎曲運(yùn)動(dòng)時(shí)由于接觸摩擦產(chǎn)生振動(dòng)聲音，因此，關(guān)節(jié)聽診對(duì)于檢測(cè)膝關(guān)節(jié)損傷具有潛在的作用。有充分的證據(jù)表明，對(duì)膝關(guān)節(jié)聲音的分析有潛力辨別出患有軟骨損傷疾病的異常信號(hào)，為能區(qū)分更多種類的膝關(guān)節(jié)疾病奠定了基礎(chǔ)，由此受到了學(xué)術(shù)界的重視。Kernohan[6]等學(xué)者在1986年指出，可以采用加速度傳感器代替聲學(xué)聽診器，以測(cè)量膝關(guān)節(jié)在伸展和彎曲過程中髕骨軟骨間的接觸摩擦情況。與聲學(xué)聽診器相比，加速度傳感器能克服環(huán)境雜音的干擾，提高采集信號(hào)的質(zhì)量，而且方便數(shù)據(jù)儲(chǔ)存。因此，加速度傳感器成為測(cè)量膝關(guān)節(jié)擺動(dòng)信號(hào)的主要工具。

3 膝關(guān)節(jié)擺動(dòng)信號(hào)研究方法

3.1 VAG信號(hào)預(yù)處理

在臨床應(yīng)用中記錄高質(zhì)量的VAG信號(hào)，這對(duì)于計(jì)算機(jī)的輔助診斷和治療是必要的。然而，由傳感器記錄的VAG信號(hào)可能會(huì)受到幾種不同的干擾，包括肌肉收縮干擾、隨機(jī)噪聲的干擾、環(huán)境干擾和基線漂移等。肌肉收縮干擾普遍存在于膝關(guān)節(jié)在做屈伸運(yùn)動(dòng)時(shí)的肌肉收縮過程中，而檢測(cè)系統(tǒng)中的隨機(jī)噪聲則是難以避免的。有時(shí)，在膝關(guān)節(jié)做屈伸運(yùn)動(dòng)時(shí)，患膝關(guān)節(jié)疾病的患者會(huì)由于皮膚摩擦或疼痛反應(yīng)使腿部顫抖，這會(huì)導(dǎo)致原始信號(hào)中出現(xiàn)基線漂移。上述這些問題都會(huì)對(duì)后續(xù)的VAG分析處理帶來負(fù)面影響，因此，消除或抑制這些干擾噪聲對(duì)于VAG信號(hào)的分析是很重要的。

Krishnan[7]等人用自適應(yīng)濾波方法消除VAG信號(hào)的肌肉收縮干擾(MCI)，介紹了VAG信號(hào)和參考信號(hào)MCI的測(cè)量方法，詳細(xì)描述了MCI的定義、特征以及自適應(yīng)濾波器的步長(zhǎng)選擇方法。實(shí)驗(yàn)結(jié)果表明，這種方法可以有效去除膝關(guān)節(jié)在做屈伸運(yùn)動(dòng)時(shí)肌肉所產(chǎn)生的低頻干擾。MCI的成功去除可以更清晰地表示VAG信號(hào)的變化特征，并更容易得到膝關(guān)節(jié)擺動(dòng)信號(hào)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(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和去趨勢(shì)波動(dòng)分析(DFA)方法相結(jié)合，在膝關(guān)節(jié)擺動(dòng)信號(hào)的處理過程中消除了基線漂移。EEMD[10-11]方法首先連續(xù)地把原始VAG信號(hào)分解成一系列快速和低震蕩的固有模態(tài)函數(shù)(IMF)，直到最后剩下一個(gè)單調(diào)的基線。DFA方法用來計(jì)算每個(gè)IMF的分形標(biāo)度指數(shù)，用于識(shí)別IMF的反相關(guān)和長(zhǎng)程相關(guān)成分，并進(jìn)而重建VAG信號(hào)。實(shí)驗(yàn)結(jié)果表明，EEMD和DFA的結(jié)合能有效改善VAG信號(hào)的質(zhì)量，相對(duì)于原始VAG信號(hào)有較高的信噪比改善。

3.2 VAG信號(hào)特征提取方法

國(guó)內(nèi)外文獻(xiàn)根據(jù)正常和異常VAG信號(hào)的特點(diǎn)，研究了多種特征提取方法，提取一些特征參數(shù)作為區(qū)分正常和異常VAG信號(hào)的顯著特征，提高異常VAG信號(hào)的識(shí)別準(zhǔn)確率。

3.2.1基于時(shí)頻分析的特征提取 VAG信號(hào)的內(nèi)在規(guī)律和周期性很容易在頻率上分析，而生物醫(yī)學(xué)信號(hào)的頻率分析通常依據(jù)傅里葉變換實(shí)現(xiàn)信號(hào)從時(shí)域到頻域的變換。Tanaka和Hoshiyama[12]用長(zhǎng)度為4096的漢寧窗對(duì)99個(gè)健康樣本和46個(gè)患有骨關(guān)節(jié)炎的樣本做快速傅里葉變換，實(shí)驗(yàn)結(jié)果表明，能量譜集中在50～99 Hz和100～149 Hz范圍的信號(hào)，其表征患有骨關(guān)節(jié)炎的比健康人信號(hào)的均值顯著增高。

頻率分析的主要缺點(diǎn)是這種方法不能準(zhǔn)確描述頻率隨時(shí)間變化的情況。對(duì)于VAG信號(hào)固有的非平穩(wěn)特性和隨時(shí)間變化的譜特性，時(shí)頻分布的方法可以克服頻率分析的缺點(diǎn)。Krishnan[13]等人采用匹配追蹤時(shí)頻分析法對(duì)VAG信號(hào)進(jìn)行特征分析。通過對(duì)VAG信號(hào)的匹配追蹤逼近后，得到時(shí)頻分布特性，并進(jìn)而提取VAG信號(hào)的能量參數(shù)、頻率參數(shù)、能量分布參數(shù)、頻率分布參數(shù)等，把這些參數(shù)作為特征對(duì)異常VAG信號(hào)進(jìn)行分類和識(shí)別。這種做法能夠?qū)Ψ瞧椒€(wěn)VAG信號(hào)進(jìn)行稀疏逼近，能在時(shí)頻平面上顯示VAG信號(hào)的特性，但是計(jì)算復(fù)雜度較高，不適合VAG信號(hào)的實(shí)時(shí)處理。

國(guó)內(nèi)外文獻(xiàn)對(duì)患有骨關(guān)節(jié)炎和軟骨損傷的樣本和健康人的樣本進(jìn)行研究，以提高正常和異常信號(hào)的分類準(zhǔn)確度。Baczkowicz[14-15]等人對(duì)幾種有特點(diǎn)的膝關(guān)節(jié)疾病進(jìn)行分析，用加速度傳感器對(duì)患有橫向壓縮髕骨綜合癥、骨關(guān)節(jié)炎、髕骨軟化癥的患者和健康人在膝關(guān)節(jié)屈伸時(shí)，測(cè)試得到VAG信號(hào)。計(jì)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(shí)驗(yàn)結(jié)果表明，患者的VAG信號(hào)和健康人相比，提取的特征參數(shù)有明顯的不同，特定的疾病可由特定的振動(dòng)模式波形和分析參數(shù)值表示。p1和p2與年齡相關(guān)，且膝關(guān)節(jié)運(yùn)動(dòng)障礙是由與年齡相關(guān)的骨關(guān)節(jié)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(hào)不同尺度的自相似性，這種方法可以表示VAG信號(hào)的非線性動(dòng)態(tài)特性。Rangayyan[16]等人采用分形分析方法[17]對(duì)VAG信號(hào)進(jìn)行非線性分析，通過1/f模型計(jì)算VAG信號(hào)功率譜中的分形系數(shù)，利用去趨勢(shì)波動(dòng)分析方法[18](DFA)，計(jì)算信號(hào)長(zhǎng)程自相關(guān)的分析尺度，再采用包絡(luò)分析法提取平均包絡(luò)幅度等特征，通過對(duì)健康人和膝關(guān)節(jié)損傷患者的VAG信號(hào)做統(tǒng)計(jì)分析。實(shí)驗(yàn)結(jié)果表明，異常VAG信號(hào)的非線性特征均值都比正常VAG信號(hào)明顯增大。研究表明可以用這些表示信號(hào)波動(dòng)性的非線性特征對(duì)異常VAG信號(hào)進(jìn)行有效的篩選和分類。

Yufeng Wu[19]等人研究了信號(hào)的熵和包絡(luò)幅度問題，研究了患有髕骨關(guān)節(jié)軟骨病的VAG信號(hào)的不規(guī)則性量化，計(jì)算了符號(hào)熵(SyEn)、近似熵(ApEn)、模糊熵(FuzzyEn)和包絡(luò)幅度的均值、標(biāo)準(zhǔn)差和均方根，這些特征參數(shù)被用來量化與膝關(guān)節(jié)軟骨病理學(xué)相關(guān)的VAG信號(hào)的波動(dòng)。采用二次判別分析(QDA)，廣義logistic回歸分析(GLRA)和支持向量機(jī)(SVM)方法作為信號(hào)的模式分類。實(shí)驗(yàn)結(jié)果表明，患有關(guān)節(jié)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(hào)包絡(luò)幅度的均值，標(biāo)準(zhǔn)差和均方根也有很大的不同。實(shí)驗(yàn)結(jié)果表明基于熵和包絡(luò)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(hào)。VAG信號(hào)被分解為不同頻率段的子帶信號(hào)，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(shù)。使用兩種特征選擇方法關(guān)聯(lián)規(guī)則和遺傳算法選擇一些特征作為最重要的特征參數(shù)，使用最小二乘支持向量機(jī)(LS-SVM)和隨機(jī)森林作為分類器來評(píng)估特征選擇的性能。結(jié)果顯示經(jīng)過特征選擇的參數(shù)有更突出的分類性能。實(shí)驗(yàn)結(jié)果表明使用關(guān)聯(lián)規(guī)則的LS-SVM有最高的分類準(zhǔn)確率94.31%。該研究在準(zhǔn)確區(qū)分正常和異常的VAG信號(hào)方面提高了現(xiàn)有技術(shù)的性能。

3.3 分類器

信號(hào)的分類方法對(duì)于提高異常VAG信號(hào)的識(shí)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(wǎng)絡(luò)、最小二乘支持向量機(jī)、貝葉斯決策和多分類器系統(tǒng)等。Yufeng Wu[22]等人提出一個(gè)新的基于循環(huán)網(wǎng)絡(luò)的多分類器系統(tǒng)，用于區(qū)分正常和異常的VAG信號(hào)。這個(gè)多分類器系統(tǒng)由最小二乘支持向量機(jī)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(jié)合，在循環(huán)神經(jīng)網(wǎng)絡(luò)能量收斂的過程中對(duì)權(quán)值進(jìn)行優(yōu)化。實(shí)驗(yàn)結(jié)果顯示，該多分類器系統(tǒng)能提供80.9%的分類準(zhǔn)確度，多分類器系統(tǒng)的診斷性能要優(yōu)于現(xiàn)在流行的融合方法，例如投票法和簡(jiǎn)單平均法。Yufeng Wu[23]等人使用二元特征分布估計(jì)和最大先驗(yàn)概率分布決策準(zhǔn)則對(duì)VAG信號(hào)進(jìn)行分類。該研究使用了以核函數(shù)為基礎(chǔ)的概率密度估計(jì)方法來建立正常和異常VAG信號(hào)分布模型。VAG信號(hào)估計(jì)的密度在二元特征空間的相關(guān)輪廓中展現(xiàn)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(jī)和最大先驗(yàn)概率分布決策準(zhǔn)則對(duì)信號(hào)分類，其中最大先驗(yàn)概率分布決策準(zhǔn)則得到最好的分類準(zhǔn)確率86.67%。

4 結(jié)論和展望

國(guó)內(nèi)外文獻(xiàn)將VAG信號(hào)用于膝關(guān)節(jié)損傷疾病的無創(chuàng)檢測(cè)中，推動(dòng)了VAG信號(hào)的檢測(cè)分析與輔助診斷的發(fā)展，具有重要的意義。文獻(xiàn)對(duì)膝關(guān)節(jié)擺動(dòng)信號(hào)的研究主要集中在以下幾個(gè)方面：即如何提高VAG信號(hào)的質(zhì)量，如何提取正常和異常VAG信號(hào)間的顯著特征，如何采用合適的分類器進(jìn)行有效分類和識(shí)別。文獻(xiàn)中報(bào)道了一些信號(hào)預(yù)處理方法，以去除信號(hào)的基線漂移和白噪聲，提高VAG信號(hào)的質(zhì)量。根據(jù)正常和異常VAG信號(hào)之間存在的差異，從時(shí)域、頻域和時(shí)頻域?qū)ζ溥M(jìn)行特征分析。采用多分類器融合系統(tǒng)和機(jī)器學(xué)習(xí)等方法進(jìn)行有效分類和識(shí)別，提高了異常VAG信號(hào)自動(dòng)分類識(shí)別的效率。一些文獻(xiàn)研究了特定的幾種膝關(guān)節(jié)疾病間存在的差異，從能量譜的角度簡(jiǎn)單進(jìn)行區(qū)分。國(guó)內(nèi)外文獻(xiàn)主要是對(duì)正常和異常的VAG信號(hào)進(jìn)行分類和識(shí)別，通過提出一些特征分析方法對(duì)VAG信號(hào)進(jìn)行量化，得到顯著性特征。通過改進(jìn)分類器和構(gòu)造多分類器融合系統(tǒng)提高異常VAG信號(hào)的篩選和識(shí)別。

將這種無創(chuàng)的檢測(cè)方法應(yīng)用于臨床還需要解決一些技術(shù)問題，例如：如何通過設(shè)計(jì)新的采集設(shè)備提高VAG信號(hào)采集的質(zhì)量。目前國(guó)內(nèi)外研究中基本上采用單一傳感器，進(jìn)一步可以考慮在不同部位增加傳感器，多維度觀察信號(hào)波形的變化情況，會(huì)有利于對(duì)VAG信號(hào)的分析處理和特定部位損傷病變的檢測(cè)，有利于后續(xù)的特征分析。如何采用新的特征方法準(zhǔn)確地分析異常信號(hào)的特征并對(duì)其量化，進(jìn)一步提高膝關(guān)節(jié)損傷病變的檢測(cè)能力和分類精度。如何區(qū)分具體的膝關(guān)節(jié)疾病及其嚴(yán)重程度。如何提高正常和異常信號(hào)的分類準(zhǔn)確率等。