基于VAG信號的膝關節疾病無創檢測與分類的研究進展

楊 佳，邱天爽*，劉宇鵬，常世杰，史凱元

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

0 引言

膝關節由脛骨內、外側髁和股骨內、外側髁以及髕骨組成，是人體最大且最復雜的關節。膝關節包括關節周圍的肌肉、肌腱、韌帶和內、外側半月板等組織結構，這些組織結構保持上下連接，使膝關節具有良好的穩定性，其中任何一種結構受到損傷都會影響膝關節的穩定，導致膝關節疾病的發生。膝關節結構如圖1所示[1]。

圖1 膝關節結構圖[1]

膝關節的疼痛不僅由其內部引起，也可能關聯到各種關節外部組織。常見的膝關節疾病包括骨性關節炎、半月板損傷、交叉韌帶損傷、髕骨關節炎等。骨性關節炎主要以老年性膝關節炎為主，是一種以關節軟骨變形等為特征的慢性關節病，臨床上以中老年發病最為常見，多由慢性勞損、體質量過大使得膝關節負重過重、骨質疏松和外力受損導致，在關節活動時有彈響、摩擦音較大，嚴重時可見膝關節畸形。半月板損傷是較為常見的膝關節疾病之一，半月板在股骨髁與脛骨之間，因此多數病發是由于扭轉外力導致的半月板撕裂，主要表現為膝關節間隙存在壓痛，在伸展和彎曲膝關節時，其內部有彈響，關節間有積液。韌帶在骨頭之間起到連接作用，是明顯的纖維組織，可以加強關節的穩固性，其在劇烈運動或外力導致的暴力過度伸展中容易受到損傷。交叉韌帶損傷后的主要表現為關節腫脹、牽拉韌帶時有明顯疼痛、關節活動時穩定性下降，導致內部摩擦音存在差異。髕骨關節炎是髕骨軟骨面因慢性損傷導致的病理改變，髕骨存在破裂甚至脫落的情況。病因主要是先天性的髕骨發育異常、膝關節長期磨損或關節滑液成分異常等，主要表現為髕骨的摩擦伴有疼痛、在伸展和彎曲關節時髕骨處的摩擦音較大。

人類因直立行走的方式使得膝關節成為人體重要的承重部位，且膝關節比較容易老化和損傷，因此膝關節疾病的發病率較高。現有的膝關節疾病的檢測方式多是采用微創的關節鏡，經微創手術將其插入患者的膝蓋中進行檢查，但過程痛苦且恢復慢。或者采用MRI、CT等大型設備進行檢查，同樣存在費用高昂、不便于日常檢測與復查等問題[1]。因此找到一種便捷、快速且無創的膝關節檢測方法是十分必要的，可使廣大膝關節患者受益。

膝關節擺動（vibroarthographic，VAG）信號是膝關節在伸展和彎曲運動時其內部產生的振動信號[2]。健康膝關節的半月板和關節軟骨表面會保持相對光滑的狀態[3]，而損傷或者患有疾病的膝關節，其內部會在伸展和彎曲運動時因損傷部位和嚴重程度的不同而產生不同的摩擦，由此產生存在差異的VAG信號。因此，可以通過分析VAG信號的方式對膝關節疾病進行分類識別，實現對膝關節疾病無創且便捷的檢測[4]。隨著計算機技術的快速發展以及信號分析處理方法的多樣化，研究人員對于VAG信號的研究也在不斷深入和創新。本文通過對國內外基于VAG信號研究膝關節狀態的文獻查閱與分析，研究VAG信號在膝關節疾病無創檢測與輔助診斷等方面發揮的作用，并進一步討論VAG信號分析技術目前存在的問題及未來的發展方向。

1 VAG信號提出及采集

1.1 VAG信號的提出

對膝關節損傷和疾病進行聲音上的檢測與輔助診斷是于1902年由Blodgett[5]首次提出的。自此很多學者開始對膝關節聲音的記錄和其有效性進行研究。1929年Walters[6]在Lancet上發表了關于關節聽診的研究報告，其研究表明膝關節在運動過程中內部結構產生摩擦從而產生VAG信號，使得損傷的膝關節與健康的膝關節內部振動有較大差異。因此，膝關節聽診對于膝關節疾病的檢測具有潛在作用，這一發現引起了大量學者的關注。自此，對于膝關節疾病無創檢測的研究不斷發展起來。

1.2 VAG信號的采集

隨著傳感器和信號檢測等先進技術的發展，膝關節信號的檢測方法層出不窮。Mollan等[7]使用電容傳感器獲取小于100 Hz的低頻膝關節聲信號，并依據這種信號判別膝關節的損傷狀態。Lee等[8]使用聲波加速度計對髕骨關節的信號進行采集，并對髕骨關節的3種不同聲波加速度情況進行分類。而Shark等[9]通過寬帶壓電傳感器記錄膝關節擺動時超過20 kHz的超聲波波段信號，這一方法可以明顯地把健康膝關節與患有骨關節疾病的膝關節區分開來，且研究表明二者差異顯著。Kernohan等[10]于1986年指出膝關節在伸展和彎曲的運動過程中，髕骨軟骨及滑膜等內部結構之間產生摩擦從而產生振動，這種振動信號被命名為VAG信號，可以采用加速度傳感器對其進行檢測和測量。大量證據表明，VAG信號與膝關節軟骨表面磨損等病理狀況相關。此外，與聲音檢測器相比，加速度傳感器可以更好地克服環境干擾的問題，提高信號的信噪比，因此通過加速度傳感器對VAG信號進行采集成為了一種主流方法。使用加速度傳感器測量VAG信號的示意圖如圖2所示[10]。

圖2 加速度傳感器測量VAG信號[10]

2 VAG信號的預處理

VAG信號通常是在臨床中采集到的，因此減少外界噪聲的干擾，并通過分析處理得到高信噪比的VAG信號對于后續的研究工作是十分必要的。采集VAG信號的過程中，儀器在受試者小腿擺動時會與肌肉表面產生一定的摩擦，且受試者腿部常會出現不經意的無規律抖動，進而導致所采集的VAG信號中出現基線漂移和噪聲等干擾[1]。因此對VAG信號進行預處理時一般將基線漂移、噪聲逐步去除，最后對數據進行歸一化處理，為后續工作提供良好的研究基礎。

針對基線漂移的問題，Sharma等[11]使用滑動平均濾波器消除基線漂移，有效地消除VAG信號中的噪聲等干擾。Wu等[12]提出了一種集成經驗模態分解（ensemble empirical mode decomposition，EEMD）方法，可以有效地消除VAG信號中的基線漂移。EEMD方法[13-14]不需要提前設置基函數，其利用VAG信號本身的時間尺度特征將VAG信號分解成多個固有模態函數（intrinsic mode function，IMF），這種方法相比其他方法可以更加自動化地對VAG信號進行分析，不會因為核函數的選擇問題導致信號分解效果不佳。Gong等[15]發現軟組織的變形和運動會產生軟組織運動偽影，并由此干擾VAG信號。針對這個問題，提出了一種以結構相似性指數、皮爾遜相關系數和動態時間翹曲距離為特征參數，衡量預處理前后軟組織運動偽影信號之間相似性的VAG信號去噪方法，并將預處理前后的VAG信號進行比較，得到了很好的軟組織運動偽影降噪效果。實驗結果表明，此方法可以消除引起基線漂移的軟組織運動偽影，從而提高臨床應用中VAG信號的可靠性。

Krishnan等[16]采用自適應濾波方法去除VAG信號中的噪聲干擾。研究表明，該方法可以有效地去除VAG信號中由膝關節內部到皮膚表面的傳播過程所受到的肌肉收縮干擾等低頻干擾，使得VAG信號更加純凈，以便于后續分析。Sharma等[11]在研究中發現，使用接觸式采集儀器對低頻信號的響應很高，使得VAG信號會被實驗過程中肌肉運動引起的低頻偽影所破壞。為此，提出了在預處理時將VAG信號先經過帶寬為10～1000 Hz的帶通濾波器以有效地消除偽影。Wu等[12]提出了一種去趨勢波動分析（detrended fluctuation analysis，DFA）[17]方法，該方法用來計算每個IMF的分形標度指數，辨別每個IMF的內在相關特性，去除含有隨機噪聲的IMF，以此來去除VAG信號中的噪聲，再將剩下的信號進行重構，得到較為純凈的VAG信號。實驗結果表明，該方法能有效提高原始VAG信號的信噪比。圖3為預處理前后VAG信號的時域波形對比圖[12]。

圖3 預處理前后VAG信號的時域波形對比圖[12]

3 VAG信號的特征提取與分類識別

Chu等[18-19]發表了一系列研究膝關節聲學的相關論文，指出膝蓋周圍的聲音傳感器可能會發現膝關節損傷，同時指出聲學信號中的模式識別技術可以用來區分健康、類風濕和退行性的膝關節。為了實現VAG信號在膝關節疾病檢測診斷中的應用，學者們致力于VAG信號的分析處理研究，以提高其分類和輔助診斷的準確率。隨著數字信號處理和機器學習等先進技術的發展，VAG信號的測量和分析取得了顯著進展。

3.1 基于時域和頻域的分析研究

基于VAG信號的早期研究主要集中在時域和頻域2個方面。1990年Frank等[20]使用時域信號波形圖和三維頻譜圖對膝關節聲音進行分析，定量計算出能量、頻率峰值、信號成分的持續時間和帶寬等特征參數，以診斷軟骨軟化癥的嚴重程度和半月板病變情況。1992年Tavathia等[21]采用線性預測建模方法對VAG信號進行自適應分割和參數化處理，根據VAG信號各部分的能量和帶寬，從模型系統函數中提取代表頻域中信號段主要特征的主導極點，然后利用第一主導極點和介于40～120 Hz頻段的功率與該段總功率之比構造二維特征向量，以區分健康志愿者和已知軟骨病變的患者。Reddy等[22]在1995年發表的論文中指出，VAG信號在不同的頻率范圍內存在明顯差異，可以用來區分健康膝關節和患有骨性關節炎、類風濕關節炎和軟骨軟化癥的膝關節。其對VAG信號進行傅里葉變換后，可觀察到在100～500 Hz的頻率范圍內上述健康膝關節和患有疾病的膝關節可以平均功率作為特征參數進行分類，并提供了膝關節損傷的定量分析方法。2020年Madeleine等[23]利用8個微型加速度計采集VAG信號，分析計算20例骨性關節炎患者和20例無癥狀受試者的膝關節振動頻譜圖，被試動作包括從坐到站、下樓梯和上樓梯3種活動，從8個通道的VAG信號中獲得平均校正值、方差、形狀因子、平均功率頻率、重復頻率和確定性的振動頻譜圖。該研究得到了多通道振動頻譜記錄和相關的地形圖，突出顯示了骨性關節炎患者和無癥狀受試者之間存在顯著差異。?ysiak等[24]在2020年發表的文章中將VAG信號分為5個不同的狀態等級：髕骨軟骨軟化癥，骨性關節炎Ⅰ級、Ⅱ級、Ⅲ級和健康，提出了10個相鄰的光譜組合，這種方法不僅能區分這5個不同狀態，而且能區分不同狀態之間的組合。另外，?ysiak等[24]提出了將頻率范圍圖作為頻率特征提取的可視化方法，突顯了這種新特征相對于現有技術具有優越性。

時域或頻域分析的主要缺點是特征所包含的信息單一，不能準確描述頻率隨時間變化的情況。VAG信號是時序信號，通過時頻分布的方法可以有效改善單一時域或頻域上的缺點。1997年Krishnan等[16]提出一種對VAG信號進行分割和標記后并采用自回歸模型作為分類器的方法，以6個自回歸模型系數作為特征參數，得到了68.9%的分類準確率。同年Rangayyan等[25]通過使用自回歸模型系數和倒譜系數作為特征參數結合邏輯回歸分類法，獲得了75.6%的分類準確率。

3.2 基于非線性分析的研究

找到有效區分不同VAG信號的特征參數對于后續分類效果的提升是十分重要的，因此基于VAG信號的非線性特點，國內外學者對特征參數的提取方法也進行了大量的研究與嘗試。分形分析方法可描述信號不同尺度的自相似性，這種方法可以表現VAG信號的非線性動態特性。

2013年Rangayyan等[26]采用分形分析方法對VAG信號進行非線性分析，用功率譜分析方法和1/f模型推導了分形維數的估計值，并結合其他的特征參數組成包含6個參數的特征向量，通過徑向基神經網絡在其數據集上進行分類，得到了92.0%以上的分類準確率。實驗結果表明，可以用這些表示信號波動性的非線性特征參數對異常VAG信號進行有效的篩選和分類。2016年Wu等[27]為分析和量化髕骨關節軟骨退變和損傷相關的VAG信號不規則性，通過應用符號熵、近似熵、模糊熵及包絡振幅的均值、標準差和均方根值來量化髕骨關節軟骨病變的信號波動，分別采用二次判別分析、廣義Logistic回歸分析和支持向量機方法進行信號模式分類。結果表明，基于熵和包絡振幅特征參數的支持向量機方法具有更好的分類性能，總體準確率為83.56%、敏感度為94.44%、特異度為80.00%、馬修斯相關系數為0.6599。得出基于不同的熵特征可以為VAG信號的分類提供有用信息，信號包絡振幅的統計參數可以用來描述與軟骨病理相關波動的結論。

Nalband等[28]在2016年提出一種基于小波分解的方法，將VAG信號分解為不同頻率的子帶信號，提取了回歸量化分析、近似熵和樣本熵等共24個非線性特征參數作為VAG信號的特征向量，并利用遺傳算法和關聯分析算法進行特征選擇，得到由4個和6個特征向量組成的特征子集作為輸入，結合最小二乘支持向量機和隨機森林分類器進行分類，獲得最高94.31%的分類準確率。Nalband等[29]在2018年采用不同的基于熵的特征提取技術來獲得高度可分辨的特征，提出了一種非線性方法，即帶自適應白噪聲的完全EEMD，將VAG信號分解為IMF。在重構的VAG信號中提取出基于熵的特征，其中包括近似熵、樣本熵、置換熵等，將這些提取出來的特征輸入到最小二乘支持向量機中進行分類，分類準確率為86.61%。結果表明，利用非線性預處理和基于熵的特征對VAG信號進行分析，可以為膝關節疾病的準確檢測提供高分辨力的特征。Sharma等[11]在研究中使用小波濾波器組來自動識別膝關節的健康狀況，將從不同的子帶信號獲得的對數能量作為特征，結合有監督機器學習算法區分正常和異常的VAG信號，通過10次交叉驗證，平均分類準確率為89.89%。實驗結果表明該方法能夠可靠地識別出膝關節異常，有助于骨科醫生對膝關節畸形患者的早期診斷。

但基于機器學習的傳統VAG信號分類方法存在研究時依賴所提取特征參數、不同特征參數對分類結果影響較大、研究者需要手動提取特征參數、自動化程度低且分類效果有待提高等問題，廣大學者也在不斷結合新技術提出新方法對VAG信號進行研究。

3.3 基于深度學習的研究

目前，深度學習方法在很多領域應用效果顯著，利用深度學習方法對VAG信號進行分析的研究也在逐步開展。深度學習可在多個層次上對特征進行抽象表征，與傳統方法相比可以更智能、更全面地提取數據的有用信息，取得更準確的分類效果，從而輔助診斷，其在提高診斷準確率、減少醫生工作量方面具有重要意義[30]。

張瑞等[31]以VAG信號為源信號，提出了一種基于長短期記憶網絡（long short-term merory，LSTM）的VAG信號自動判讀方法。該方法首先采用小波變換以及序列插補方法對信號進行去噪、對齊等預處理。其次，利用LSTM實現VAG信號的自動判讀。其中LSTM的參數使用網格搜索法確定。最后通過5126條臨床采集的VAG信號對所提方法進行驗證。實驗結果表明該方法可達到的準確率為82%、敏感度為79%、特異度為81%、召回率為82%、馬修斯相關系數為0.62。

Kraft等[32]提出了一種利用卷積神經網絡的VAG信號分類新方法。該方法將時間序列分類問題轉化為圖像分類問題，通過一個2層卷積神經網絡來進行分類，而不需要對VAG信號進行濾波或縮放。在未進行數據增強的情況下，其分類準確率達到74%。通過數據增強，分類準確率達到87%。但這些結果仍然低于之前其他研究人員在這個數據集上報告的性能指標。

目前，結合深度學習方法解決醫學問題已經成為一種發展趨勢，但在深度學習以大數據為前提的條件下，醫學臨床數據匱乏導致研究難度大成為現階段主要的問題。在很多情況下，收集到數以萬計帶標簽的數據是非常昂貴、耗時且困難的。因此，如何在小樣本的情況下，僅用少量的數據解決問題成為研究中一個重要內容。對于VAG信號，臨床上所能提供的數據量不足，如果有更多的數據可用，深度學習方法有望適用于VAG信號分類任務，實現自動化的分類識別以達到輔助診斷的效果。

4 結語

國內外學者對VAG信號的大量研究表明健康膝關節與患有疾病的膝關節所產生的VAG信號是具有差異性的，由此，通過VAG信號可以有效判別膝關節的健康狀況，推進膝關節無創檢測與輔助診斷技術的發展。

盡管二分類的研究可以達到較高的分類準確率、敏感度和特異度，但其臨床應用有限，只能支持篩選試驗，因此，基于VAG信號對膝關節疾病的多分類研究成為重點問題。但研究過程中存在膝關節疾病種類多、患病程度復雜、多種膝關節疾病之間相互交叉影響等問題。雖然研究困難，但廣大學者發現VAG信號在不同膝關節疾病之間的敏感度仍然存在差異。VAG信號在不同膝關節疾病中表現不同，因而，對于不同疾病可實現VAG信號的定量分析，達到分類識別以輔助診斷的目的。將VAG信號作為膝關節疾病無創檢測的手段，不僅可以實現無創檢測、減輕患者的痛苦，也能改善現在依賴于大型CT、MRI等設備檢測不便、成本高等問題，因此對VAG信號的定量分析研究意義重大。

現階段對于VAG信號的研究主要集中在數據采集、預處理、特征提取和分類識別問題上，主要包括：數據采集過程中對傳感器、采集位點和通道數的選擇等；在預處理過程中提出有效的去噪方法以供后續分析；在特征參數提取過程中找到VAG信號中具有代表性的、可區分膝關節不同狀態的特征；以及分類識別時更有效快速的分類方法等。但目前的研究中仍然存在以下問題：對于膝關節是否健康的分類準確率仍有提升空間；特征參數較多，但對特征參數的優化選擇組合研究不足使得分類自動化程度低；不同特征參數特異性不同，導致分類的普適性差；對于不同膝關節疾病的分類還需進一步細化和研究，多分類的準確率和敏感度還有待提高。

因此，在未來的研究中仍有大量的技術問題需要解決[33]。例如：如何獲得包含更多信息的膝關節信號；增加檢測通道和合適的檢測位置能否提高膝關節疾病的分類檢測精度；VAG信號的各個特征與具體疾病是否存在對應關系等。且現階段的研究多是對正常與異常VAG信號的分類研究，對于不同膝關節疾病的分類還需進一步細化和研究。關于VAG信號用于膝關節疾病診斷的準確率和敏感度還有待提高，如何具體區分不同的膝關節疾病及其嚴重程度，如何進一步提高分類檢測的精度和自動化程度等也須進一步探討；隨著深度學習等人工智能方法的發展[34]，如何將深度學習方法應用于膝關節疾病檢測等問題也有待深入研究。

通過計算機技術的不斷發展和研究方法的不斷完善，膝關節疾病的早期診斷也會更加精準、更加個體化。當前人工智能發展迅速，深度學習等分析研究手段逐漸成熟，在大數據發展的同時，基于VAG信號對膝關節疾病的研究會更加細致，解決的問題會更加全面，實現輔助診斷的目的，這將會是未來研究和發展的趨勢。