基于VAG信号的膝关节疾病无创检测与分类的研究进展

杨 佳，邱天爽*，刘宇鹏，常世杰，史凯元

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

0 引言

膝关节由胫骨内、外侧髁和股骨内、外侧髁以及髌骨组成，是人体最大且最复杂的关节。膝关节包括关节周围的肌肉、肌腱、韧带和内、外侧半月板等组织结构，这些组织结构保持上下连接，使膝关节具有良好的稳定性，其中任何一种结构受到损伤都会影响膝关节的稳定，导致膝关节疾病的发生。膝关节结构如图1所示[1]。

图1 膝关节结构图[1]

膝关节的疼痛不仅由其内部引起，也可能关联到各种关节外部组织。常见的膝关节疾病包括骨性关节炎、半月板损伤、交叉韧带损伤、髌骨关节炎等。骨性关节炎主要以老年性膝关节炎为主，是一种以关节软骨变形等为特征的慢性关节病，临床上以中老年发病最为常见，多由慢性劳损、体质量过大使得膝关节负重过重、骨质疏松和外力受损导致，在关节活动时有弹响、摩擦音较大，严重时可见膝关节畸形。半月板损伤是较为常见的膝关节疾病之一，半月板在股骨髁与胫骨之间，因此多数病发是由于扭转外力导致的半月板撕裂，主要表现为膝关节间隙存在压痛，在伸展和弯曲膝关节时，其内部有弹响，关节间有积液。韧带在骨头之间起到连接作用，是明显的纤维组织，可以加强关节的稳固性，其在剧烈运动或外力导致的暴力过度伸展中容易受到损伤。交叉韧带损伤后的主要表现为关节肿胀、牵拉韧带时有明显疼痛、关节活动时稳定性下降，导致内部摩擦音存在差异。髌骨关节炎是髌骨软骨面因慢性损伤导致的病理改变，髌骨存在破裂甚至脱落的情况。病因主要是先天性的髌骨发育异常、膝关节长期磨损或关节滑液成分异常等，主要表现为髌骨的摩擦伴有疼痛、在伸展和弯曲关节时髌骨处的摩擦音较大。

人类因直立行走的方式使得膝关节成为人体重要的承重部位，且膝关节比较容易老化和损伤，因此膝关节疾病的发病率较高。现有的膝关节疾病的检测方式多是采用微创的关节镜，经微创手术将其插入患者的膝盖中进行检查，但过程痛苦且恢复慢。或者采用MRI、CT等大型设备进行检查，同样存在费用高昂、不便于日常检测与复查等问题[1]。因此找到一种便捷、快速且无创的膝关节检测方法是十分必要的，可使广大膝关节患者受益。

膝关节摆动（vibroarthographic，VAG）信号是膝关节在伸展和弯曲运动时其内部产生的振动信号[2]。健康膝关节的半月板和关节软骨表面会保持相对光滑的状态[3]，而损伤或者患有疾病的膝关节，其内部会在伸展和弯曲运动时因损伤部位和严重程度的不同而产生不同的摩擦，由此产生存在差异的VAG信号。因此，可以通过分析VAG信号的方式对膝关节疾病进行分类识别，实现对膝关节疾病无创且便捷的检测[4]。随着计算机技术的快速发展以及信号分析处理方法的多样化，研究人员对于VAG信号的研究也在不断深入和创新。本文通过对国内外基于VAG信号研究膝关节状态的文献查阅与分析，研究VAG信号在膝关节疾病无创检测与辅助诊断等方面发挥的作用，并进一步讨论VAG信号分析技术目前存在的问题及未来的发展方向。

1 VAG信号提出及采集

1.1 VAG信号的提出

对膝关节损伤和疾病进行声音上的检测与辅助诊断是于1902年由Blodgett[5]首次提出的。自此很多学者开始对膝关节声音的记录和其有效性进行研究。1929年Walters[6]在Lancet上发表了关于关节听诊的研究报告，其研究表明膝关节在运动过程中内部结构产生摩擦从而产生VAG信号，使得损伤的膝关节与健康的膝关节内部振动有较大差异。因此，膝关节听诊对于膝关节疾病的检测具有潜在作用，这一发现引起了大量学者的关注。自此，对于膝关节疾病无创检测的研究不断发展起来。

1.2 VAG信号的采集

随着传感器和信号检测等先进技术的发展，膝关节信号的检测方法层出不穷。Mollan等[7]使用电容传感器获取小于100 Hz的低频膝关节声信号，并依据这种信号判别膝关节的损伤状态。Lee等[8]使用声波加速度计对髌骨关节的信号进行采集，并对髌骨关节的3种不同声波加速度情况进行分类。而Shark等[9]通过宽带压电传感器记录膝关节摆动时超过20 kHz的超声波波段信号，这一方法可以明显地把健康膝关节与患有骨关节疾病的膝关节区分开来，且研究表明二者差异显著。Kernohan等[10]于1986年指出膝关节在伸展和弯曲的运动过程中，髌骨软骨及滑膜等内部结构之间产生摩擦从而产生振动，这种振动信号被命名为VAG信号，可以采用加速度传感器对其进行检测和测量。大量证据表明，VAG信号与膝关节软骨表面磨损等病理状况相关。此外，与声音检测器相比，加速度传感器可以更好地克服环境干扰的问题，提高信号的信噪比，因此通过加速度传感器对VAG信号进行采集成为了一种主流方法。使用加速度传感器测量VAG信号的示意图如图2所示[10]。

图2 加速度传感器测量VAG信号[10]

2 VAG信号的预处理

VAG信号通常是在临床中采集到的，因此减少外界噪声的干扰，并通过分析处理得到高信噪比的VAG信号对于后续的研究工作是十分必要的。采集VAG信号的过程中，仪器在受试者小腿摆动时会与肌肉表面产生一定的摩擦，且受试者腿部常会出现不经意的无规律抖动，进而导致所采集的VAG信号中出现基线漂移和噪声等干扰[1]。因此对VAG信号进行预处理时一般将基线漂移、噪声逐步去除，最后对数据进行归一化处理，为后续工作提供良好的研究基础。

针对基线漂移的问题，Sharma等[11]使用滑动平均滤波器消除基线漂移，有效地消除VAG信号中的噪声等干扰。Wu等[12]提出了一种集成经验模态分解（ensemble empirical mode decomposition，EEMD）方法，可以有效地消除VAG信号中的基线漂移。EEMD方法[13-14]不需要提前设置基函数，其利用VAG信号本身的时间尺度特征将VAG信号分解成多个固有模态函数（intrinsic mode function，IMF），这种方法相比其他方法可以更加自动化地对VAG信号进行分析，不会因为核函数的选择问题导致信号分解效果不佳。Gong等[15]发现软组织的变形和运动会产生软组织运动伪影，并由此干扰VAG信号。针对这个问题，提出了一种以结构相似性指数、皮尔逊相关系数和动态时间翘曲距离为特征参数，衡量预处理前后软组织运动伪影信号之间相似性的VAG信号去噪方法，并将预处理前后的VAG信号进行比较，得到了很好的软组织运动伪影降噪效果。实验结果表明，此方法可以消除引起基线漂移的软组织运动伪影，从而提高临床应用中VAG信号的可靠性。

Krishnan等[16]采用自适应滤波方法去除VAG信号中的噪声干扰。研究表明，该方法可以有效地去除VAG信号中由膝关节内部到皮肤表面的传播过程所受到的肌肉收缩干扰等低频干扰，使得VAG信号更加纯净，以便于后续分析。Sharma等[11]在研究中发现，使用接触式采集仪器对低频信号的响应很高，使得VAG信号会被实验过程中肌肉运动引起的低频伪影所破坏。为此，提出了在预处理时将VAG信号先经过带宽为10～1000 Hz的带通滤波器以有效地消除伪影。Wu等[12]提出了一种去趋势波动分析（detrended fluctuation analysis，DFA）[17]方法，该方法用来计算每个IMF的分形标度指数，辨别每个IMF的内在相关特性，去除含有随机噪声的IMF，以此来去除VAG信号中的噪声，再将剩下的信号进行重构，得到较为纯净的VAG信号。实验结果表明，该方法能有效提高原始VAG信号的信噪比。图3为预处理前后VAG信号的时域波形对比图[12]。

图3 预处理前后VAG信号的时域波形对比图[12]

3 VAG信号的特征提取与分类识别

Chu等[18-19]发表了一系列研究膝关节声学的相关论文，指出膝盖周围的声音传感器可能会发现膝关节损伤，同时指出声学信号中的模式识别技术可以用来区分健康、类风湿和退行性的膝关节。为了实现VAG信号在膝关节疾病检测诊断中的应用，学者们致力于VAG信号的分析处理研究，以提高其分类和辅助诊断的准确率。随着数字信号处理和机器学习等先进技术的发展，VAG信号的测量和分析取得了显著进展。

3.1 基于时域和频域的分析研究

基于VAG信号的早期研究主要集中在时域和频域2个方面。1990年Frank等[20]使用时域信号波形图和三维频谱图对膝关节声音进行分析，定量计算出能量、频率峰值、信号成分的持续时间和带宽等特征参数，以诊断软骨软化症的严重程度和半月板病变情况。1992年Tavathia等[21]采用线性预测建模方法对VAG信号进行自适应分割和参数化处理，根据VAG信号各部分的能量和带宽，从模型系统函数中提取代表频域中信号段主要特征的主导极点，然后利用第一主导极点和介于40～120 Hz频段的功率与该段总功率之比构造二维特征向量，以区分健康志愿者和已知软骨病变的患者。Reddy等[22]在1995年发表的论文中指出，VAG信号在不同的频率范围内存在明显差异，可以用来区分健康膝关节和患有骨性关节炎、类风湿关节炎和软骨软化症的膝关节。其对VAG信号进行傅里叶变换后，可观察到在100～500 Hz的频率范围内上述健康膝关节和患有疾病的膝关节可以平均功率作为特征参数进行分类，并提供了膝关节损伤的定量分析方法。2020年Madeleine等[23]利用8个微型加速度计采集VAG信号，分析计算20例骨性关节炎患者和20例无症状受试者的膝关节振动频谱图，被试动作包括从坐到站、下楼梯和上楼梯3种活动，从8个通道的VAG信号中获得平均校正值、方差、形状因子、平均功率频率、重复频率和确定性的振动频谱图。该研究得到了多通道振动频谱记录和相关的地形图，突出显示了骨性关节炎患者和无症状受试者之间存在显著差异。Łysiak等[24]在2020年发表的文章中将VAG信号分为5个不同的状态等级：髌骨软骨软化症，骨性关节炎Ⅰ级、Ⅱ级、Ⅲ级和健康，提出了10个相邻的光谱组合，这种方法不仅能区分这5个不同状态，而且能区分不同状态之间的组合。另外，Łysiak等[24]提出了将频率范围图作为频率特征提取的可视化方法，突显了这种新特征相对于现有技术具有优越性。

时域或频域分析的主要缺点是特征所包含的信息单一，不能准确描述频率随时间变化的情况。VAG信号是时序信号，通过时频分布的方法可以有效改善单一时域或频域上的缺点。1997年Krishnan等[16]提出一种对VAG信号进行分割和标记后并采用自回归模型作为分类器的方法，以6个自回归模型系数作为特征参数，得到了68.9%的分类准确率。同年Rangayyan等[25]通过使用自回归模型系数和倒谱系数作为特征参数结合逻辑回归分类法，获得了75.6%的分类准确率。

3.2 基于非线性分析的研究

找到有效区分不同VAG信号的特征参数对于后续分类效果的提升是十分重要的，因此基于VAG信号的非线性特点，国内外学者对特征参数的提取方法也进行了大量的研究与尝试。分形分析方法可描述信号不同尺度的自相似性，这种方法可以表现VAG信号的非线性动态特性。

2013年Rangayyan等[26]采用分形分析方法对VAG信号进行非线性分析，用功率谱分析方法和1/f模型推导了分形维数的估计值，并结合其他的特征参数组成包含6个参数的特征向量，通过径向基神经网络在其数据集上进行分类，得到了92.0%以上的分类准确率。实验结果表明，可以用这些表示信号波动性的非线性特征参数对异常VAG信号进行有效的筛选和分类。2016年Wu等[27]为分析和量化髌骨关节软骨退变和损伤相关的VAG信号不规则性，通过应用符号熵、近似熵、模糊熵及包络振幅的均值、标准差和均方根值来量化髌骨关节软骨病变的信号波动，分别采用二次判别分析、广义Logistic回归分析和支持向量机方法进行信号模式分类。结果表明，基于熵和包络振幅特征参数的支持向量机方法具有更好的分类性能，总体准确率为83.56%、敏感度为94.44%、特异度为80.00%、马修斯相关系数为0.6599。得出基于不同的熵特征可以为VAG信号的分类提供有用信息，信号包络振幅的统计参数可以用来描述与软骨病理相关波动的结论。

Nalband等[28]在2016年提出一种基于小波分解的方法，将VAG信号分解为不同频率的子带信号，提取了回归量化分析、近似熵和样本熵等共24个非线性特征参数作为VAG信号的特征向量，并利用遗传算法和关联分析算法进行特征选择，得到由4个和6个特征向量组成的特征子集作为输入，结合最小二乘支持向量机和随机森林分类器进行分类，获得最高94.31%的分类准确率。Nalband等[29]在2018年采用不同的基于熵的特征提取技术来获得高度可分辨的特征，提出了一种非线性方法，即带自适应白噪声的完全EEMD，将VAG信号分解为IMF。在重构的VAG信号中提取出基于熵的特征，其中包括近似熵、样本熵、置换熵等，将这些提取出来的特征输入到最小二乘支持向量机中进行分类，分类准确率为86.61%。结果表明，利用非线性预处理和基于熵的特征对VAG信号进行分析，可以为膝关节疾病的准确检测提供高分辨力的特征。Sharma等[11]在研究中使用小波滤波器组来自动识别膝关节的健康状况，将从不同的子带信号获得的对数能量作为特征，结合有监督机器学习算法区分正常和异常的VAG信号，通过10次交叉验证，平均分类准确率为89.89%。实验结果表明该方法能够可靠地识别出膝关节异常，有助于骨科医生对膝关节畸形患者的早期诊断。

但基于机器学习的传统VAG信号分类方法存在研究时依赖所提取特征参数、不同特征参数对分类结果影响较大、研究者需要手动提取特征参数、自动化程度低且分类效果有待提高等问题，广大学者也在不断结合新技术提出新方法对VAG信号进行研究。

3.3 基于深度学习的研究

目前，深度学习方法在很多领域应用效果显著，利用深度学习方法对VAG信号进行分析的研究也在逐步开展。深度学习可在多个层次上对特征进行抽象表征，与传统方法相比可以更智能、更全面地提取数据的有用信息，取得更准确的分类效果，从而辅助诊断，其在提高诊断准确率、减少医生工作量方面具有重要意义[30]。

张瑞等[31]以VAG信号为源信号，提出了一种基于长短期记忆网络（long short-term merory，LSTM）的VAG信号自动判读方法。该方法首先采用小波变换以及序列插补方法对信号进行去噪、对齐等预处理。其次，利用LSTM实现VAG信号的自动判读。其中LSTM的参数使用网格搜索法确定。最后通过5126条临床采集的VAG信号对所提方法进行验证。实验结果表明该方法可达到的准确率为82%、敏感度为79%、特异度为81%、召回率为82%、马修斯相关系数为0.62。

Kraft等[32]提出了一种利用卷积神经网络的VAG信号分类新方法。该方法将时间序列分类问题转化为图像分类问题，通过一个2层卷积神经网络来进行分类，而不需要对VAG信号进行滤波或缩放。在未进行数据增强的情况下，其分类准确率达到74%。通过数据增强，分类准确率达到87%。但这些结果仍然低于之前其他研究人员在这个数据集上报告的性能指标。

目前，结合深度学习方法解决医学问题已经成为一种发展趋势，但在深度学习以大数据为前提的条件下，医学临床数据匮乏导致研究难度大成为现阶段主要的问题。在很多情况下，收集到数以万计带标签的数据是非常昂贵、耗时且困难的。因此，如何在小样本的情况下，仅用少量的数据解决问题成为研究中一个重要内容。对于VAG信号，临床上所能提供的数据量不足，如果有更多的数据可用，深度学习方法有望适用于VAG信号分类任务，实现自动化的分类识别以达到辅助诊断的效果。

4 结语

国内外学者对VAG信号的大量研究表明健康膝关节与患有疾病的膝关节所产生的VAG信号是具有差异性的，由此，通过VAG信号可以有效判别膝关节的健康状况，推进膝关节无创检测与辅助诊断技术的发展。

尽管二分类的研究可以达到较高的分类准确率、敏感度和特异度，但其临床应用有限，只能支持筛选试验，因此，基于VAG信号对膝关节疾病的多分类研究成为重点问题。但研究过程中存在膝关节疾病种类多、患病程度复杂、多种膝关节疾病之间相互交叉影响等问题。虽然研究困难，但广大学者发现VAG信号在不同膝关节疾病之间的敏感度仍然存在差异。VAG信号在不同膝关节疾病中表现不同，因而，对于不同疾病可实现VAG信号的定量分析，达到分类识别以辅助诊断的目的。将VAG信号作为膝关节疾病无创检测的手段，不仅可以实现无创检测、减轻患者的痛苦，也能改善现在依赖于大型CT、MRI等设备检测不便、成本高等问题，因此对VAG信号的定量分析研究意义重大。

现阶段对于VAG信号的研究主要集中在数据采集、预处理、特征提取和分类识别问题上，主要包括：数据采集过程中对传感器、采集位点和通道数的选择等；在预处理过程中提出有效的去噪方法以供后续分析；在特征参数提取过程中找到VAG信号中具有代表性的、可区分膝关节不同状态的特征；以及分类识别时更有效快速的分类方法等。但目前的研究中仍然存在以下问题：对于膝关节是否健康的分类准确率仍有提升空间；特征参数较多，但对特征参数的优化选择组合研究不足使得分类自动化程度低；不同特征参数特异性不同，导致分类的普适性差；对于不同膝关节疾病的分类还需进一步细化和研究，多分类的准确率和敏感度还有待提高。

因此，在未来的研究中仍有大量的技术问题需要解决[33]。例如：如何获得包含更多信息的膝关节信号；增加检测通道和合适的检测位置能否提高膝关节疾病的分类检测精度；VAG信号的各个特征与具体疾病是否存在对应关系等。且现阶段的研究多是对正常与异常VAG信号的分类研究，对于不同膝关节疾病的分类还需进一步细化和研究。关于VAG信号用于膝关节疾病诊断的准确率和敏感度还有待提高，如何具体区分不同的膝关节疾病及其严重程度，如何进一步提高分类检测的精度和自动化程度等也须进一步探讨；随着深度学习等人工智能方法的发展[34]，如何将深度学习方法应用于膝关节疾病检测等问题也有待深入研究。

通过计算机技术的不断发展和研究方法的不断完善，膝关节疾病的早期诊断也会更加精准、更加个体化。当前人工智能发展迅速，深度学习等分析研究手段逐渐成熟，在大数据发展的同时，基于VAG信号对膝关节疾病的研究会更加细致，解决的问题会更加全面，实现辅助诊断的目的，这将会是未来研究和发展的趋势。