激光超声技术下的运动损伤非接触检测方法

陈 茹，雷 旭，杨 琦

（1.西安医学高等专科学校 体育工作部，陕西 西安 710309；2.西安财经大学 体育教学部，陕西 西安 710100）

运动体在运动过程中容易产生磨损［1-2］，长期运动后自身的疲劳、外界环境的影响多项因素的作用会导致磨损不断累积，损伤区域不断扩大。假设能够对运动体进行检测，识别出损伤区域，并及时给出改善方案，能够使损伤程度降至最小，有助于提升运动效果。因此，对运动损伤区域检测方法的研究极其重要。邝楚文等［3］采用深度卷积网络、残差函数建立图像特征提取模型，结合自主学习、特征金字塔识别出图像损伤区域的特征，进而检测出损伤所在位置，但在损伤图像检测过程未将图像上的噪声去除，图像信噪比较低。康硕等［4］通过红外、可见光原理提取图像特征，利用深度学习算法设立损伤区域检测模型，通过单阶段检测技术、特征金字塔求解该模型，完成损伤区域检测，但该方法去噪效果不佳，导致检测效果不佳。汪虹余等［5］根据多尺度超像素分割方式将原始图像转化成无向图，利用最优特征选择方法去除图像上噪声，并提取图像特征，结合蚁群算法提取出损伤特征，实现损伤区域检测，但使用蚁群算法计算过程较为复杂，增加检测难度且容易易将正确区域特征错误识别成损伤的特征，这大大增加检测的误差。

为进一步提高检测效果，本文提出一种采用多模态融合和激光超声技术完成运动损伤非接触检测。利用激光超声技术对人体运动损伤区域进行扫描，通过简谐振动方法建立运动损伤传输模型采集Lamb 波信号。这种非接触的方式避免直接接触人体，减少对被测物体的影响。为了抑制传输时的干扰信号，采集到的Lamb 波信号使用连续小波变换方式进行预处理，有效消除噪声和干扰，提高信号质量。采用多模态融合方法提取Lamb 波中不同模态的能量数值作为信号特征值，进一步分析不同模态的能量数值，综合考虑不同模态的信息，提高损伤检测的准确性。将能量数值异常的信号区域转化为反射畸变特征的图像区域，采用Neumann neighbor 方法求解该区域Lamb 波信号的能量异常值。通过比较每个像素点与其邻近像素点的能量差异，确定运动损伤位置的成像像素点。

1 运动损伤非接触检测

激光超声技术属于一种非接触检测技术，其传播路径长，且信号衰减程度极小，对损伤信号敏感，被广泛运用在各种运动体的损伤检测中［6-7］。该技术利用多模态融合、简谐振动等方法设立非线性超声场波动函数方程，实现运动损伤非接触检测并保证运动损伤检测效率。

1.1 激光超声技术下的Lamb 波信号采集

激光超声非接触检测技术的本质是通过Lamb 波在运动体中传输采集反射的超声波信号［8-9］。由于不同物质区域对Lamb 波传输的影响不同，因此采用简谐振动方法建立Lamb 波在运动损伤区域中的传输模型，采集超声反射波信号，传输模型原理见图1。

由图1 可知，当入射波w(x，t) 在运动体中顺着x轴的正方向传输，遇到损伤部位的能量x0就会被反射至x轴负方向进行传播并生成反射波wb(x，t)；剩余部分的能量按照透射原理，透过损伤区域顺着x轴正方向进行传输，输出为wa(x，t)［10-11］。由此，采用简谐振动方式描述Lamb 波在运动损伤中传输后的结果wa(x，t)和wb(x，t)，即

图1 运动损伤中Lamb 波的传输模型Fig.1 Transmission model of Lamb waves in sports injuries

式（2）中，t表示时间；ω、L分别描述Lamb 波的角频率及波数；x、kx分别代表损伤区域的中心点所在的位置及宽度；χ1、χ2代表因损伤导致Lamb 波形相位变化的两个参数；X、Y、Z分别为入射波、透射波及反射波的幅值大小。通过式（1）和式（2），即通过运动损伤的激光超声波传播模型，获得传输后的结果w(x，t)，完成激光超声信号传输后的Lamb 波采集。

1.2 Lamb 波预处理

采用连续小波变换方式［12-13］对激光超声Lamb 波信号进行预处理，即可获得信噪比较高的运动损伤图像信息。激光超声波的信号处理方式主要有两种，即傅里叶变换和连续小波变换。傅里叶分析方式［14-15］能够将信号在时域与频域进行变换处理，通过不同方向的观察与解析信号，得到更多的信号特征。但此方法的频域表示整体平均特征且频域中各分量是信号在整个时间定义域内的傅里叶积分，不能对局部信号进行分析。若采用该方法获取运动损伤时信号的频率成分特征，无法确定频率任意一个成分在时域中的位置。为此，本文采用连续小波变换方式预处理运动损伤的激光超声波信号。

相比傅里叶分析方式，小波变换属于时频分析一种方式［16］，是一个二维的变换，能够获得信号在时域上分布的位置及特征，将超声波转换为二维图像。首先进行激光超声波信号的二维转换，假设ϕ(w(x，t))表示传输后的Lamb 波母小波函数，则激光超声波变换过程需要满足式（3）条件，即

其中，p表示信号的时域频率。以信号时间为轴，将式（3）进行傅里叶变换等价计算得出

其中，ϕ(t′)将ϕ(w(x，t))进行傅里叶时间等价变换后的结果。式（4）获得傅里叶变换信号ϕ(t′)只是变换了时频，含有超出二维图像频率的超声波信号，且该信号震荡性极强。为此预处理的第二步便是对ϕ(t′)做伸缩与平移处理，将超频信号转换为二维图像，即得

其中，ϕc，d(t′)描述超频信号预处理转换后的二维图像信号的小波函数，c与d都是正数，且c≠0。c描述图像宽度因子大小，假设c<1，就需对波形进行压缩处理，宽度因子值越小，则波形压缩的越小；假设c>1，则进行拉伸处理，宽度因子值越大，波形拉伸越大。宽度因子c与频率ω存在对应关系，即c越小对应ω值越大，c越大对应ω值越小。d表示平移因子，即在t′上平移位置。通常ϕ(t′)能量聚集在（0，0）点上，ϕc，d(t′)能量聚集在d点上。通过调整c和d完成超频信号的伸缩与平移处理。

然后对转换后的图像信号进行去噪处理，假设f(t′)表示激光超声波可积函数，则二维图像ϕc，d(t′)的小波去噪变换条件如式（6）所示，

其中，W(c，d)描述为f(t′)和ϕc，d(t′)的内积情况，则ϕc，d(t′)′是ϕc，d(t′)的共轭。

根据式（6）的条件选用复值Morlet 小波当做母小波函数，采用高斯包络函数得出Morlet 小波的单频率正弦函数，获得去除噪声的信号，即

其中，γ描述高斯窗的宽度大小；ω′描述中心角频率大小；j表示去噪中保留的局部特征频率。通过式（7）得到抑制噪声且具有良好局部特征的超声波，完成运动图像上激光超声波Lamb 波信号预处理，为后续损伤检测奠定良好的数据基础。

1.3 运动损伤位置检测

1.3.1 基于多模态融合的信号特征提取 采用多模态融合方法对1.2 节预处理后的Lamb 波信号进行特征提取，得到S模态、A模态波的窄带信号。对比ϕ(t′)中非损伤区域处相邻两个检测位置和损伤区域相邻两个检测位置相距2 mm 范围内的波信号变化。经过对比分析可知，非损伤区域的S模态信号由于存在时延，会随着传输距离的增加而减弱，而损伤区域S模态信号，因为Lamb 波在损伤处出现反射，使其幅值发生改变。而非损伤区域的A模态信号会在损伤区域发生大幅度波动，同时非损伤区域各检测点的A模态的幅值及其波形也出现较大波动。这是因为Lamb 波在S模态传输速度远大于A模态传输速度，S模态在损伤区域的反射会和A模态混合在一起，致使非损伤区域的A模态发生波动，尽管波动程度小于损伤区域的A模态信号的波动量，但会影响异常能量成像结果的信噪比，无法有效区分和检测损伤区域信号［17］。为此，文中提取Lamb 波中的S模态数据当做信号特征值，对损伤区域位置进行检测，也就是S模态出现反射畸变特征的信号区域即为运动损伤区域。

根据以上原理采用移动时间窗提取ϕ(t′) 中任意运动点(x，y) 连续S模态中的能量数值作为特征值［18-20］，其计算过程为

其中，t1描述Lamb 波信号S模态的起始时间；t2描述S模态的持续时间段；ϕS(x，y，t′)描述ϕ(t′)中信号的连续S模态集合。通过式（8）计算各测量点的模态能量值及其时域信号，即可提取损伤区域的Lamb 波信号特征。

1.3.2 能量异常求解 为了能够求解Lamb 波信号模态能量特征值中的异常值，基于式（8）以Lamb 波顺着x轴传输为例，设定运动检测区域中ES(x，y)每一个点的异常能量值ΔE(x，y)，

其中，Δx描述两个检测点之间的距离；Δt描述Lamb 波在邻近两个检测点之间的传输所用时长。因为Lamb 波有多种模态形式，各模态之间的传输速度均不同，为此按照相关函数算出邻近两个点Lamb 波信号的关联程度，即

式（10）可知在各模态之间传输速度不同的情况下，r(t)的最大值即Δt。

由式（9）和式（10）算出Lamb 波传输方向上邻近两个检测点的能量异常，但在现实中运动损伤导致Lamb波的能量反射不仅顺着Lamb 波传输方向，还会在Lamb 波垂直方向上出现异常。采用Neumann neighbor计算超声波图像中Lamb 波垂直方向上的能量异常，包括各检测点及其邻近四个检测点的异常情况，见图2。

图2 中假设kpq是运动检测区域任意一检测点，则其邻近四个检测点分别为k(p-1)q、kp(q-1)、kp(q+1)、k(p+1)q。这几点的S模态能量按照式（9）进行求解，得出ΔE(k(p-1)q)、ΔE(kp(q-1))、ΔE(kp(q+1))、ΔE(k(p+1)q)，则根据关联值r（t） ，区域内能量异常值计算过程为，

图2 能量异常计算过程Fig.2 A-Energy anomaly calculation process

其中，ΔE(kpq) 表示kpq的能量异常值。

对于任意运动检测区域均通过式（11）运算得出能量异常数值Hpq。设定运动检测区域总共M×N检测点，因边界上的点缺少对比检测点，所以不进行运算，则总共需要计算(M-2)×(N-2)个检测点的能量异常值。提取图像超声信号能量异常值即为运动损伤位置成像像素点，确定该区域存在损伤，完成运动损伤非接触检测。

2 测试分析与研究

2.1 测试数据采集

为证实所提方法对人体运动损伤检测效果，实验选取某体育高校 2021 届四个运动专业的学生作为研究对象。根据体检报告，这些研究对象经过长时间运动，部分个体具有不同程度的运动损伤。测试采用激光超声无接触检测设备为YAG 脉冲激光器（脉宽为9 ns，脉冲能量8 MJ），负责发出激光；采用富士AE204SW 超声发射传感器接收Lamb 波信号；采用信号采集卡（采样频率为20.11 MHz）采集数据存储在中控机中，完成超声波可视化成像显示。激光点的扫描激励点数为204×318，间距为0.21 mm。利用所提方法将超声信号转换为运动损伤部位检测图像共4 张，检测结果见图3。将检测结果与实际损伤位置进行比较，所提检测方法可完全检出。

2.2 检测图像信噪比分析

信噪比能够反映出损伤检测图像品质及其处理的效果，较高的信噪比值表示较好的图像质量和较低的噪声水平。根据本次检测所关注的具体损伤区域进行信噪比检测。深度卷积网络方法［3］、深度学习方法［4］、蚁群方法［5］与所提方法的损伤图像信噪比进行分析，结果见图4。由图4 可知，所提技术采用连续小波变换方式抑制Lamb 波传输过程中存在的干扰，得到损伤图像的信噪比最高达到42 dB；深度卷积网络、深度学习方法不具备去除Lamb 波传输时干扰信号的能力，得到损伤图像信噪比较低；蚁群方法只能去掉一部分干扰，同时容易将噪声信号错误看做损伤图像信号，获得的图像信噪比较差。

图3 运动损伤的部位超声图像Fig.3 Ultrasound image of the site of the sports injury

2.3 检测精度分析

为进一步验证所提方法的检测效果优于深度卷积网络、深度学习方法、蚁群方法，从各运动损伤部位检测精度的角度进行对比分析，见图5。由图5 可知，所提方法对运动损伤各部位的检测精度在95% 以上，明显高于其他方法。这是因为所提方法利用多模态融合方法、移动的时间窗提取运动过程每一个点特征，特征提取效果较好，进而提升运动损伤检测的精度。

2.4 均方误差对比分析

均方误差能够衡量运动损伤模态能量异常值与实际运动损伤值之间的误差情况。为此，实验从均方误差角度来验证所提方法的运动损伤检测性能。由图6 可知，所提方法的均方误差最大值为0.05，明显低于其他方法。因所提方法使用Neumann neighbor 方法能够精准算出运动区域中每一个点的能量异常值，并根据此异常值生成损伤图像，并能保证生成的图像质量，进而降低表征损伤检测的均方误差。

图4 各方法下损伤图像信噪比对比Fig.4 Comparison of SNR of damage images for each method

图5 运动损伤各部位检测精度对比Fig.5 Comparison of the detection accuracy of each part of the sports injury

2.5 检测耗时对比

该部分实验从运动损伤部位图像中随机抽取70 张图像作为实验检测对象，并对比分析所提方法与对比方法检测耗时情况，见图7。由图7 可知，蚁群方法损伤图像检测耗时最长，该方法易将健康区域点识别成损伤区域点，增加检测难度；深度卷积网络与深度学习方法需通过不断训练才能将运动损伤区域检测出来，同时计算过程较为复杂，检测耗时较长；使用可积函数、高斯包络函数去除信号传输过程中的干扰，这大大降低损伤图像检测的难度，为此检测耗时最短低于4 s。

图6 各方法的均方误差对比结果Fig.6 Comparison results of the mean-squared error for each method

图7 运动损伤检测耗时对比Fig.7 Comparison of time-consuming of sports injury detection

3 结论

为了提高运动损伤非接触检测效果，本文研究激光超声技术的运动损伤非接触检测方法。根据激光超声技术与简谐振动方法建立运动损伤信号的传播模型。利用小波变换、高斯包络函数处理Lamb 波传输过程中的干扰信号，结合多模态融合、时间窗提取信号特征。通过Neumann neighbor 算法得出能量异常值，进而完成运动损伤非接触检测。所提技术的检测图像信噪比、检测精度、检测均方误差、检测效率均较优，提高了检测效果。