基于vag信号的膝关节疾病诊断.docxVIP

基于vag信号的膝关节疾病诊断 摘要：介绍了膝关节疾病的分类与膝关节摆动（vibroarthographic,VAG）信号在膝关节疾病无创检测和辅助诊断中发挥的作用，综述了VAG信号的提出和采集、预处理、特征提取和分类识别等方面的研究进展，分析了现阶段基于VAG信号的检测方法仍需解决的问题。指出了随着计算机技术的发展，将人工智能、大数据中的分析方法应用于VAG信号辅助诊断膝关节疾病是未来的研究方向和发展趋势。 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Blodgett1.2 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针对基线漂移的问题，Sharma等Krishnan等3 VAG信号的特征提取与分类识别Chu等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Nalband等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张瑞等