基于VAG信号分析的无创膝关节损伤病变检测与辅助诊断*

徐一平，邱天爽△，刘宇鹏

(1.大连理工大学 电子信息与电气工程学部，大连 116024；2.大连大学附属中山医院，大连 116001)

1 引 言

膝关节主要由髌骨、股骨、胫骨、腓骨、伸展的韧带和肌肉组织组成，是人体结构和功能最复杂的关节之一[1]。在人的日常活动中，膝关节几乎要承受身体的全部重量，一旦活动失当，很容易受到损伤或出现病变。常见的膝关节损伤与疾病包括交叉韧带损伤、半月板损伤、关节软骨退化和骨关节炎等。膝关节损伤和疾病的早期诊断和治疗，对于保障人口健康具有重要意义。目前临床上主要采用有创或微创方法来检测和评估膝关节的损伤与疾病情况。其中，MRI和CT等无创检测方法能够较为有效地实现对膝关节损伤疾病的检测，但不能提供早期诊断[2]，且这些大型仪器设备成本高，不便于日常检查。作为微创手段的关节镜检查能提供诊断的详细信息，但其对膝关节的反复切口，会对患者造成痛苦，且不利于损伤疾病的恢复。另一方面，这些现行的检测方法在展现膝关节动态特征方面均存在一定的缺陷[3]。这样，研究探索低成本的无创膝关节损伤疾病检测新方法具有重要意义。

文献中把膝关节在伸展和弯曲运动时髌骨中部产生的振动信号定义为膝关节摆动信号(vibroarthographic, VAG)[4]。基于VAG信号分析来对膝关节损伤病变进行检测和辅助诊断是近年来兴起的一种新型无创检测方法。通过对膝关节摆动信号的特征进行分析，采用机器学习等分类方法，能够有效区分与病理学有关的正常与异常VAG信号，从而可使医生清楚地了解膝关节内部的情况，实现对膝关节损伤和病变的诊断与监测。特别是，基于VAG信号分析的无创检测方法，可以早期发现关节软骨疾病，从而使早期治疗成为可能，进而减少患者手术的次数，防止膝关节病变的进一步恶化。

目前国内外对VAG信号的分析主要集中在信号的预处理、非线性分析、时域和频域分析等方面，并采用特征分析和机器学习等分类方法进行损伤病变检测评价与辅助诊断。本研究通过对国内外关于VAG信号分析方法的文献查阅分析与综述，研究基于VAG信号分析的膝关节损伤病变检测与辅助诊断技术及其应用，并进一步探讨VAG信号分析技术尚存在的问题和未来的发展方向

2 膝关节摆动信号的提出

VAG信号是膝关节在做屈伸运动时由于接触摩擦产生的振动信号，它能够反映髌骨软化症、半月板损伤和交叉韧带损伤等膝关节损伤疾病的特征与状态。早在1902年，人们对膝关节声音信号在诊断关节软骨病变方面的有效性进行了探讨。Walters[5]于1929年在《柳叶刀》上提出关节听诊这一概念，由于受损的膝关节可能会影响关节软骨和囊滑膜的润滑作用，而膝关节在做伸展和弯曲运动时由于接触摩擦产生振动声音，因此，关节听诊对于检测膝关节损伤具有潜在的作用。有充分的证据表明，对膝关节声音的分析有潜力辨别出患有软骨损伤疾病的异常信号，为能区分更多种类的膝关节疾病奠定了基础，由此受到了学术界的重视。Kernohan[6]等学者在1986年指出，可以采用加速度传感器代替声学听诊器，以测量膝关节在伸展和弯曲过程中髌骨软骨间的接触摩擦情况。与声学听诊器相比，加速度传感器能克服环境杂音的干扰，提高采集信号的质量，而且方便数据储存。因此，加速度传感器成为测量膝关节摆动信号的主要工具。

3 膝关节摆动信号研究方法

3.1 VAG信号预处理

在临床应用中记录高质量的VAG信号，这对于计算机的辅助诊断和治疗是必要的。然而，由传感器记录的VAG信号可能会受到几种不同的干扰，包括肌肉收缩干扰、随机噪声的干扰、环境干扰和基线漂移等。肌肉收缩干扰普遍存在于膝关节在做屈伸运动时的肌肉收缩过程中，而检测系统中的随机噪声则是难以避免的。有时，在膝关节做屈伸运动时，患膝关节疾病的患者会由于皮肤摩擦或疼痛反应使腿部颤抖，这会导致原始信号中出现基线漂移。上述这些问题都会对后续的VAG分析处理带来负面影响，因此，消除或抑制这些干扰噪声对于VAG信号的分析是很重要的。

Krishnan[7]等人用自适应滤波方法消除VAG信号的肌肉收缩干扰(MCI)，介绍了VAG信号和参考信号MCI的测量方法，详细描述了MCI的定义、特征以及自适应滤波器的步长选择方法。实验结果表明，这种方法可以有效去除膝关节在做屈伸运动时肌肉所产生的低频干扰。MCI的成功去除可以更清晰地表示VAG信号的变化特征，并更容易得到膝关节摆动信号自身更多的信息。

Yufeng Wu[8-9]等人提出了一种新颖的VAG去噪方法，这种方法把集成经验模态分解(EEMD)和去趋势波动分析(DFA)方法相结合，在膝关节摆动信号的处理过程中消除了基线漂移。EEMD[10-11]方法首先连续地把原始VAG信号分解成一系列快速和低震荡的固有模态函数(IMF)，直到最后剩下一个单调的基线。DFA方法用来计算每个IMF的分形标度指数，用于识别IMF的反相关和长程相关成分，并进而重建VAG信号。实验结果表明，EEMD和DFA的结合能有效改善VAG信号的质量，相对于原始VAG信号有较高的信噪比改善。

3.2 VAG信号特征提取方法

国内外文献根据正常和异常VAG信号的特点，研究了多种特征提取方法，提取一些特征参数作为区分正常和异常VAG信号的显著特征，提高异常VAG信号的识别准确率。

3.2.1基于时频分析的特征提取 VAG信号的内在规律和周期性很容易在频率上分析，而生物医学信号的频率分析通常依据傅里叶变换实现信号从时域到频域的变换。Tanaka和Hoshiyama[12]用长度为4096的汉宁窗对99个健康样本和46个患有骨关节炎的样本做快速傅里叶变换，实验结果表明，能量谱集中在50～99 Hz和100～149 Hz范围的信号，其表征患有骨关节炎的比健康人信号的均值显著增高。

频率分析的主要缺点是这种方法不能准确描述频率随时间变化的情况。对于VAG信号固有的非平稳特性和随时间变化的谱特性，时频分布的方法可以克服频率分析的缺点。Krishnan[13]等人采用匹配追踪时频分析法对VAG信号进行特征分析。通过对VAG信号的匹配追踪逼近后，得到时频分布特性，并进而提取VAG信号的能量参数、频率参数、能量分布参数、频率分布参数等，把这些参数作为特征对异常VAG信号进行分类和识别。这种做法能够对非平稳VAG信号进行稀疏逼近，能在时频平面上显示VAG信号的特性，但是计算复杂度较高，不适合VAG信号的实时处理。

国内外文献对患有骨关节炎和软骨损伤的样本和健康人的样本进行研究，以提高正常和异常信号的分类准确度。Baczkowicz[14-15]等人对几种有特点的膝关节疾病进行分析，用加速度传感器对患有横向压缩髌骨综合症、骨关节炎、髌骨软化症的患者和健康人在膝关节屈伸时，测试得到VAG信号。计算了均方值方差VMS、50～250 Hz的能量p1值、250～400Hz的能量p2值和最大值与最小值均值R4的差异。实验结果表明，患者的VAG信号和健康人相比，提取的特征参数有明显的不同，特定的疾病可由特定的振动模式波形和分析参数值表示。p1和p2与年龄相关，且膝关节运动障碍是由与年龄相关的骨关节炎退化所引起。

3.2.2基于非线性分析的特征提取 分形可描述信号不同尺度的自相似性，这种方法可以表示VAG信号的非线性动态特性。Rangayyan[16]等人采用分形分析方法[17]对VAG信号进行非线性分析，通过1/f模型计算VAG信号功率谱中的分形系数，利用去趋势波动分析方法[18](DFA)，计算信号长程自相关的分析尺度，再采用包络分析法提取平均包络幅度等特征，通过对健康人和膝关节损伤患者的VAG信号做统计分析。实验结果表明，异常VAG信号的非线性特征均值都比正常VAG信号明显增大。研究表明可以用这些表示信号波动性的非线性特征对异常VAG信号进行有效的筛选和分类。

Yufeng Wu[19]等人研究了信号的熵和包络幅度问题，研究了患有髌骨关节软骨病的VAG信号的不规则性量化，计算了符号熵(SyEn)、近似熵(ApEn)、模糊熵(FuzzyEn)和包络幅度的均值、标准差和均方根，这些特征参数被用来量化与膝关节软骨病理学相关的VAG信号的波动。采用二次判别分析(QDA)，广义logistic回归分析(GLRA)和支持向量机(SVM)方法作为信号的模式分类。实验结果表明，患有关节软骨的患者比健康人有更高的SyEn和ApEn，但是有更小的FuzzyEn。信号包络幅度的均值，标准差和均方根也有很大的不同。实验结果表明基于熵和包络幅度特征的SVM比QDA和GLRA具有更好的分类性能。

Nalband[20]等基于小波分解[21]研究VAG信号。VAG信号被分解为不同频率段的子带信号，提取了诸如递归定量分析(RQA)、近似熵(ApEn)和样本熵(SampEn)等非线性特征参数。使用两种特征选择方法关联规则和遗传算法选择一些特征作为最重要的特征参数，使用最小二乘支持向量机(LS-SVM)和随机森林作为分类器来评估特征选择的性能。结果显示经过特征选择的参数有更突出的分类性能。实验结果表明使用关联规则的LS-SVM有最高的分类准确率94.31%。该研究在准确区分正常和异常的VAG信号方面提高了现有技术的性能。

3.3 分类器

信号的分类方法对于提高异常VAG信号的识别率具有重要意义，常用的分类方法包括Fisher线性判别分析、径向基网络、最小二乘支持向量机、贝叶斯决策和多分类器系统等。Yufeng Wu[22]等人提出一个新的基于循环网络的多分类器系统，用于区分正常和异常的VAG信号。这个多分类器系统由最小二乘支持向量机组合分类器组成。组合分类器把线性和归一化融合模型相结合，在循环神经网络能量收敛的过程中对权值进行优化。实验结果显示，该多分类器系统能提供80.9%的分类准确度，多分类器系统的诊断性能要优于现在流行的融合方法，例如投票法和简单平均法。Yufeng Wu[23]等人使用二元特征分布估计和最大先验概率分布决策准则对VAG信号进行分类。该研究使用了以核函数为基础的概率密度估计方法来建立正常和异常VAG信号分布模型。VAG信号估计的密度在二元特征空间的相关轮廓中展现正常和异常组明显的分布，使用Fisher线性判别分析、支持向量机和最大先验概率分布决策准则对信号分类，其中最大先验概率分布决策准则得到最好的分类准确率86.67%。

4 结论和展望

国内外文献将VAG信号用于膝关节损伤疾病的无创检测中，推动了VAG信号的检测分析与辅助诊断的发展，具有重要的意义。文献对膝关节摆动信号的研究主要集中在以下几个方面：即如何提高VAG信号的质量，如何提取正常和异常VAG信号间的显著特征，如何采用合适的分类器进行有效分类和识别。文献中报道了一些信号预处理方法，以去除信号的基线漂移和白噪声，提高VAG信号的质量。根据正常和异常VAG信号之间存在的差异，从时域、频域和时频域对其进行特征分析。采用多分类器融合系统和机器学习等方法进行有效分类和识别，提高了异常VAG信号自动分类识别的效率。一些文献研究了特定的几种膝关节疾病间存在的差异，从能量谱的角度简单进行区分。国内外文献主要是对正常和异常的VAG信号进行分类和识别，通过提出一些特征分析方法对VAG信号进行量化，得到显著性特征。通过改进分类器和构造多分类器融合系统提高异常VAG信号的筛选和识别。

将这种无创的检测方法应用于临床还需要解决一些技术问题，例如：如何通过设计新的采集设备提高VAG信号采集的质量。目前国内外研究中基本上采用单一传感器，进一步可以考虑在不同部位增加传感器，多维度观察信号波形的变化情况，会有利于对VAG信号的分析处理和特定部位损伤病变的检测，有利于后续的特征分析。如何采用新的特征方法准确地分析异常信号的特征并对其量化，进一步提高膝关节损伤病变的检测能力和分类精度。如何区分具体的膝关节疾病及其严重程度。如何提高正常和异常信号的分类准确率等。