楊 佳，邱天爽*，劉宇鵬，常世杰，史凱元

（1.大連理工大學(xué)電子信息與電氣工程學(xué)部，遼寧大連116024；2.大連大學(xué)附屬中山醫(yī)院，遼寧大連116001）

0 引言

膝關(guān)節(jié)由脛骨內(nèi)、外側(cè)髁和股骨內(nèi)、外側(cè)髁以及髕骨組成，是人體最大且最復(fù)雜的關(guān)節(jié)。膝關(guān)節(jié)包括關(guān)節(jié)周圍的肌肉、肌腱、韌帶和內(nèi)、外側(cè)半月板等組織結(jié)構(gòu)，這些組織結(jié)構(gòu)保持上下連接，使膝關(guān)節(jié)具有良好的穩(wěn)定性，其中任何一種結(jié)構(gòu)受到損傷都會(huì)影響膝關(guān)節(jié)的穩(wěn)定，導(dǎo)致膝關(guān)節(jié)疾病的發(fā)生。膝關(guān)節(jié)結(jié)構(gòu)如圖1所示[1]。

圖1 膝關(guān)節(jié)結(jié)構(gòu)圖[1]

膝關(guān)節(jié)的疼痛不僅由其內(nèi)部引起，也可能關(guān)聯(lián)到各種關(guān)節(jié)外部組織。常見的膝關(guān)節(jié)疾病包括骨性關(guān)節(jié)炎、半月板損傷、交叉韌帶損傷、髕骨關(guān)節(jié)炎等。骨性關(guān)節(jié)炎主要以老年性膝關(guān)節(jié)炎為主，是一種以關(guān)節(jié)軟骨變形等為特征的慢性關(guān)節(jié)病，臨床上以中老年發(fā)病最為常見，多由慢性勞損、體質(zhì)量過大使得膝關(guān)節(jié)負(fù)重過重、骨質(zhì)疏松和外力受損導(dǎo)致，在關(guān)節(jié)活動(dòng)時(shí)有彈響、摩擦音較大，嚴(yán)重時(shí)可見膝關(guān)節(jié)畸形。半月板損傷是較為常見的膝關(guān)節(jié)疾病之一，半月板在股骨髁與脛骨之間，因此多數(shù)病發(fā)是由于扭轉(zhuǎn)外力導(dǎo)致的半月板撕裂，主要表現(xiàn)為膝關(guān)節(jié)間隙存在壓痛，在伸展和彎曲膝關(guān)節(jié)時(shí)，其內(nèi)部有彈響，關(guān)節(jié)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(qiáng)關(guān)節(jié)的穩(wěn)固性，其在劇烈運(yùn)動(dòng)或外力導(dǎo)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(xiàn)為關(guān)節(jié)腫脹、牽拉韌帶時(shí)有明顯疼痛、關(guān)節(jié)活動(dòng)時(shí)穩(wěn)定性下降，導(dǎo)致內(nèi)部摩擦音存在差異。髕骨關(guān)節(jié)炎是髕骨軟骨面因慢性損傷導(dǎo)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(fā)育異常、膝關(guān)節(jié)長期磨損或關(guān)節(jié)滑液成分異常等，主要表現(xiàn)為髕骨的摩擦伴有疼痛、在伸展和彎曲關(guān)節(jié)時(shí)髕骨處的摩擦音較大。

人類因直立行走的方式使得膝關(guān)節(jié)成為人體重要的承重部位，且膝關(guān)節(jié)比較容易老化和損傷，因此膝關(guān)節(jié)疾病的發(fā)病率較高?，F(xiàn)有的膝關(guān)節(jié)疾病的檢測方式多是采用微創(chuàng)的關(guān)節(jié)鏡，經(jīng)微創(chuàng)手術(shù)將其插入患者的膝蓋中進(jìn)行檢查，但過程痛苦且恢復(fù)慢?；蛘卟捎肕RI、CT等大型設(shè)備進(jìn)行檢查，同樣存在費(fèi)用高昂、不便于日常檢測與復(fù)查等問題[1]。因此找到一種便捷、快速且無創(chuàng)的膝關(guān)節(jié)檢測方法是十分必要的，可使廣大膝關(guān)節(jié)患者受益。

膝關(guān)節(jié)擺動(dòng)（vibroarthographic，VAG）信號(hào)是膝關(guān)節(jié)在伸展和彎曲運(yùn)動(dòng)時(shí)其內(nèi)部產(chǎn)生的振動(dòng)信號(hào)[2]。健康膝關(guān)節(jié)的半月板和關(guān)節(jié)軟骨表面會(huì)保持相對光滑的狀態(tài)[3]，而損傷或者患有疾病的膝關(guān)節(jié)，其內(nèi)部會(huì)在伸展和彎曲運(yùn)動(dòng)時(shí)因損傷部位和嚴(yán)重程度的不同而產(chǎn)生不同的摩擦，由此產(chǎn)生存在差異的VAG信號(hào)。因此，可以通過分析VAG信號(hào)的方式對膝關(guān)節(jié)疾病進(jìn)行分類識(shí)別，實(shí)現(xiàn)對膝關(guān)節(jié)疾病無創(chuàng)且便捷的檢測[4]。隨著計(jì)算機(jī)技術(shù)的快速發(fā)展以及信號(hào)分析處理方法的多樣化，研究人員對于VAG信號(hào)的研究也在不斷深入和創(chuàng)新。本文通過對國內(nèi)外基于VAG信號(hào)研究膝關(guān)節(jié)狀態(tài)的文獻(xiàn)查閱與分析，研究VAG信號(hào)在膝關(guān)節(jié)疾病無創(chuàng)檢測與輔助診斷等方面發(fā)揮的作用，并進(jìn)一步討論VAG信號(hào)分析技術(shù)目前存在的問題及未來的發(fā)展方向。

1 VAG信號(hào)提出及采集

1.1 VAG信號(hào)的提出

對膝關(guān)節(jié)損傷和疾病進(jìn)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(xué)者開始對膝關(guān)節(jié)聲音的記錄和其有效性進(jìn)行研究。1929年Walters[6]在Lancet上發(fā)表了關(guān)于關(guān)節(jié)聽診的研究報(bào)告，其研究表明膝關(guān)節(jié)在運(yùn)動(dòng)過程中內(nèi)部結(jié)構(gòu)產(chǎn)生摩擦從而產(chǎn)生VAG信號(hào)，使得損傷的膝關(guān)節(jié)與健康的膝關(guān)節(jié)內(nèi)部振動(dòng)有較大差異。因此，膝關(guān)節(jié)聽診對于膝關(guān)節(jié)疾病的檢測具有潛在作用，這一發(fā)現(xiàn)引起了大量學(xué)者的關(guān)注。自此，對于膝關(guān)節(jié)疾病無創(chuàng)檢測的研究不斷發(fā)展起來。

1.2 VAG信號(hào)的采集

隨著傳感器和信號(hào)檢測等先進(jìn)技術(shù)的發(fā)展，膝關(guān)節(jié)信號(hào)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(guān)節(jié)聲信號(hào)，并依據(jù)這種信號(hào)判別膝關(guān)節(jié)的損傷狀態(tài)。Lee等[8]使用聲波加速度計(jì)對髕骨關(guān)節(jié)的信號(hào)進(jìn)行采集，并對髕骨關(guān)節(jié)的3種不同聲波加速度情況進(jìn)行分類。而Shark等[9]通過寬帶壓電傳感器記錄膝關(guān)節(jié)擺動(dòng)時(shí)超過20 kHz的超聲波波段信號(hào)，這一方法可以明顯地把健康膝關(guān)節(jié)與患有骨關(guān)節(jié)疾病的膝關(guān)節(jié)區(qū)分開來，且研究表明二者差異顯著。Kernohan等[10]于1986年指出膝關(guān)節(jié)在伸展和彎曲的運(yùn)動(dòng)過程中，髕骨軟骨及滑膜等內(nèi)部結(jié)構(gòu)之間產(chǎn)生摩擦從而產(chǎn)生振動(dòng)，這種振動(dòng)信號(hào)被命名為VAG信號(hào)，可以采用加速度傳感器對其進(jìn)行檢測和測量。大量證據(jù)表明，VAG信號(hào)與膝關(guān)節(jié)軟骨表面磨損等病理狀況相關(guān)。此外，與聲音檢測器相比，加速度傳感器可以更好地克服環(huán)境干擾的問題，提高信號(hào)的信噪比，因此通過加速度傳感器對VAG信號(hào)進(jìn)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(hào)的示意圖如圖2所示[10]。

圖2 加速度傳感器測量VAG信號(hào)[10]

2 VAG信號(hào)的預(yù)處理

VAG信號(hào)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(hào)對于后續(xù)的研究工作是十分必要的。采集VAG信號(hào)的過程中，儀器在受試者小腿擺動(dòng)時(shí)會(huì)與肌肉表面產(chǎn)生一定的摩擦，且受試者腿部常會(huì)出現(xiàn)不經(jīng)意的無規(guī)律抖動(dòng)，進(jìn)而導(dǎo)致所采集的VAG信號(hào)中出現(xiàn)基線漂移和噪聲等干擾[1]。因此對VAG信號(hào)進(jìn)行預(yù)處理時(shí)一般將基線漂移、噪聲逐步去除，最后對數(shù)據(jù)進(jìn)行歸一化處理，為后續(xù)工作提供良好的研究基礎(chǔ)。

針對基線漂移的問題，Sharma等[11]使用滑動(dòng)平均濾波器消除基線漂移，有效地消除VAG信號(hào)中的噪聲等干擾。Wu等[12]提出了一種集成經(jīng)驗(yàn)?zāi)B(tài)分解（ensemble empirical mode decomposition，EEMD）方法，可以有效地消除VAG信號(hào)中的基線漂移。EEMD方法[13-14]不需要提前設(shè)置基函數(shù)，其利用VAG信號(hào)本身的時(shí)間尺度特征將VAG信號(hào)分解成多個(gè)固有模態(tài)函數(shù)（intrinsic mode function，IMF），這種方法相比其他方法可以更加自動(dòng)化地對VAG信號(hào)進(jìn)行分析，不會(huì)因?yàn)楹撕瘮?shù)的選擇問題導(dǎo)致信號(hào)分解效果不佳。Gong等[15]發(fā)現(xiàn)軟組織的變形和運(yùn)動(dòng)會(huì)產(chǎn)生軟組織運(yùn)動(dòng)偽影，并由此干擾VAG信號(hào)。針對這個(gè)問題，提出了一種以結(jié)構(gòu)相似性指數(shù)、皮爾遜相關(guān)系數(shù)和動(dòng)態(tài)時(shí)間翹曲距離為特征參數(shù)，衡量預(yù)處理前后軟組織運(yùn)動(dòng)偽影信號(hào)之間相似性的VAG信號(hào)去噪方法，并將預(yù)處理前后的VAG信號(hào)進(jìn)行比較，得到了很好的軟組織運(yùn)動(dòng)偽影降噪效果。實(shí)驗(yàn)結(jié)果表明，此方法可以消除引起基線漂移的軟組織運(yùn)動(dòng)偽影，從而提高臨床應(yīng)用中VAG信號(hào)的可靠性。

Krishnan等[16]采用自適應(yīng)濾波方法去除VAG信號(hào)中的噪聲干擾。研究表明，該方法可以有效地去除VAG信號(hào)中由膝關(guān)節(jié)內(nèi)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(hào)更加純凈，以便于后續(xù)分析。Sharma等[11]在研究中發(fā)現(xiàn)，使用接觸式采集儀器對低頻信號(hào)的響應(yīng)很高，使得VAG信號(hào)會(huì)被實(shí)驗(yàn)過程中肌肉運(yùn)動(dòng)引起的低頻偽影所破壞。為此，提出了在預(yù)處理時(shí)將VAG信號(hào)先經(jīng)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(dòng)分析（detrended fluctuation analysis，DFA）[17]方法，該方法用來計(jì)算每個(gè)IMF的分形標(biāo)度指數(shù)，辨別每個(gè)IMF的內(nèi)在相關(guān)特性，去除含有隨機(jī)噪聲的IMF，以此來去除VAG信號(hào)中的噪聲，再將剩下的信號(hào)進(jìn)行重構(gòu)，得到較為純凈的VAG信號(hào)。實(shí)驗(yàn)結(jié)果表明，該方法能有效提高原始VAG信號(hào)的信噪比。圖3為預(yù)處理前后VAG信號(hào)的時(shí)域波形對比圖[12]。

圖3 預(yù)處理前后VAG信號(hào)的時(shí)域波形對比圖[12]

3 VAG信號(hào)的特征提取與分類識(shí)別

Chu等[18-19]發(fā)表了一系列研究膝關(guān)節(jié)聲學(xué)的相關(guān)論文，指出膝蓋周圍的聲音傳感器可能會(huì)發(fā)現(xiàn)膝關(guān)節(jié)損傷，同時(shí)指出聲學(xué)信號(hào)中的模式識(shí)別技術(shù)可以用來區(qū)分健康、類風(fēng)濕和退行性的膝關(guān)節(jié)。為了實(shí)現(xiàn)VAG信號(hào)在膝關(guān)節(jié)疾病檢測診斷中的應(yīng)用，學(xué)者們致力于VAG信號(hào)的分析處理研究，以提高其分類和輔助診斷的準(zhǔn)確率。隨著數(shù)字信號(hào)處理和機(jī)器學(xué)習(xí)等先進(jìn)技術(shù)的發(fā)展，VAG信號(hào)的測量和分析取得了顯著進(jìn)展。

3.1 基于時(shí)域和頻域的分析研究

基于VAG信號(hào)的早期研究主要集中在時(shí)域和頻域2個(gè)方面。1990年Frank等[20]使用時(shí)域信號(hào)波形圖和三維頻譜圖對膝關(guān)節(jié)聲音進(jìn)行分析，定量計(jì)算出能量、頻率峰值、信號(hào)成分的持續(xù)時(shí)間和帶寬等特征參數(shù)，以診斷軟骨軟化癥的嚴(yán)重程度和半月板病變情況。1992年Tavathia等[21]采用線性預(yù)測建模方法對VAG信號(hào)進(jìn)行自適應(yīng)分割和參數(shù)化處理，根據(jù)VAG信號(hào)各部分的能量和帶寬，從模型系統(tǒng)函數(shù)中提取代表頻域中信號(hào)段主要特征的主導(dǎo)極點(diǎn)，然后利用第一主導(dǎo)極點(diǎn)和介于40～120 Hz頻段的功率與該段總功率之比構(gòu)造二維特征向量，以區(qū)分健康志愿者和已知軟骨病變的患者。Reddy等[22]在1995年發(fā)表的論文中指出，VAG信號(hào)在不同的頻率范圍內(nèi)存在明顯差異，可以用來區(qū)分健康膝關(guān)節(jié)和患有骨性關(guān)節(jié)炎、類風(fēng)濕關(guān)節(jié)炎和軟骨軟化癥的膝關(guān)節(jié)。其對VAG信號(hào)進(jìn)行傅里葉變換后，可觀察到在100～500 Hz的頻率范圍內(nèi)上述健康膝關(guān)節(jié)和患有疾病的膝關(guān)節(jié)可以平均功率作為特征參數(shù)進(jìn)行分類，并提供了膝關(guān)節(jié)損傷的定量分析方法。2020年Madeleine等[23]利用8個(gè)微型加速度計(jì)采集VAG信號(hào)，分析計(jì)算20例骨性關(guān)節(jié)炎患者和20例無癥狀受試者的膝關(guān)節(jié)振動(dòng)頻譜圖，被試動(dòng)作包括從坐到站、下樓梯和上樓梯3種活動(dòng)，從8個(gè)通道的VAG信號(hào)中獲得平均校正值、方差、形狀因子、平均功率頻率、重復(fù)頻率和確定性的振動(dòng)頻譜圖。該研究得到了多通道振動(dòng)頻譜記錄和相關(guān)的地形圖，突出顯示了骨性關(guān)節(jié)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(fā)表的文章中將VAG信號(hào)分為5個(gè)不同的狀態(tài)等級(jí)：髕骨軟骨軟化癥，骨性關(guān)節(jié)炎Ⅰ級(jí)、Ⅱ級(jí)、Ⅲ級(jí)和健康，提出了10個(gè)相鄰的光譜組合，這種方法不僅能區(qū)分這5個(gè)不同狀態(tài)，而且能區(qū)分不同狀態(tài)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(xiàn)有技術(shù)具有優(yōu)越性。

時(shí)域或頻域分析的主要缺點(diǎn)是特征所包含的信息單一，不能準(zhǔn)確描述頻率隨時(shí)間變化的情況。VAG信號(hào)是時(shí)序信號(hào)，通過時(shí)頻分布的方法可以有效改善單一時(shí)域或頻域上的缺點(diǎn)。1997年Krishnan等[16]提出一種對VAG信號(hào)進(jìn)行分割和標(biāo)記后并采用自回歸模型作為分類器的方法，以6個(gè)自回歸模型系數(shù)作為特征參數(shù)，得到了68.9%的分類準(zhǔn)確率。同年Rangayyan等[25]通過使用自回歸模型系數(shù)和倒譜系數(shù)作為特征參數(shù)結(jié)合邏輯回歸分類法，獲得了75.6%的分類準(zhǔn)確率。

3.2 基于非線性分析的研究

找到有效區(qū)分不同VAG信號(hào)的特征參數(shù)對于后續(xù)分類效果的提升是十分重要的，因此基于VAG信號(hào)的非線性特點(diǎn)，國內(nèi)外學(xué)者對特征參數(shù)的提取方法也進(jìn)行了大量的研究與嘗試。分形分析方法可描述信號(hào)不同尺度的自相似性，這種方法可以表現(xiàn)VAG信號(hào)的非線性動(dòng)態(tài)特性。

2013年Rangayyan等[26]采用分形分析方法對VAG信號(hào)進(jìn)行非線性分析，用功率譜分析方法和1/f模型推導(dǎo)了分形維數(shù)的估計(jì)值，并結(jié)合其他的特征參數(shù)組成包含6個(gè)參數(shù)的特征向量，通過徑向基神經(jīng)網(wǎng)絡(luò)在其數(shù)據(jù)集上進(jìn)行分類，得到了92.0%以上的分類準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，可以用這些表示信號(hào)波動(dòng)性的非線性特征參數(shù)對異常VAG信號(hào)進(jìn)行有效的篩選和分類。2016年Wu等[27]為分析和量化髕骨關(guān)節(jié)軟骨退變和損傷相關(guān)的VAG信號(hào)不規(guī)則性，通過應(yīng)用符號(hào)熵、近似熵、模糊熵及包絡(luò)振幅的均值、標(biāo)準(zhǔn)差和均方根值來量化髕骨關(guān)節(jié)軟骨病變的信號(hào)波動(dòng)，分別采用二次判別分析、廣義Logistic回歸分析和支持向量機(jī)方法進(jìn)行信號(hào)模式分類。結(jié)果表明，基于熵和包絡(luò)振幅特征參數(shù)的支持向量機(jī)方法具有更好的分類性能，總體準(zhǔn)確率為83.56%、敏感度為94.44%、特異度為80.00%、馬修斯相關(guān)系數(shù)為0.6599。得出基于不同的熵特征可以為VAG信號(hào)的分類提供有用信息，信號(hào)包絡(luò)振幅的統(tǒng)計(jì)參數(shù)可以用來描述與軟骨病理相關(guān)波動(dòng)的結(jié)論。

Nalband等[28]在2016年提出一種基于小波分解的方法，將VAG信號(hào)分解為不同頻率的子帶信號(hào)，提取了回歸量化分析、近似熵和樣本熵等共24個(gè)非線性特征參數(shù)作為VAG信號(hào)的特征向量，并利用遺傳算法和關(guān)聯(lián)分析算法進(jìn)行特征選擇，得到由4個(gè)和6個(gè)特征向量組成的特征子集作為輸入，結(jié)合最小二乘支持向量機(jī)和隨機(jī)森林分類器進(jìn)行分類，獲得最高94.31%的分類準(zhǔn)確率。Nalband等[29]在2018年采用不同的基于熵的特征提取技術(shù)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(yīng)白噪聲的完全EEMD，將VAG信號(hào)分解為IMF。在重構(gòu)的VAG信號(hào)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(jī)中進(jìn)行分類，分類準(zhǔn)確率為86.61%。結(jié)果表明，利用非線性預(yù)處理和基于熵的特征對VAG信號(hào)進(jìn)行分析，可以為膝關(guān)節(jié)疾病的準(zhǔn)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(dòng)識(shí)別膝關(guān)節(jié)的健康狀況，將從不同的子帶信號(hào)獲得的對數(shù)能量作為特征，結(jié)合有監(jiān)督機(jī)器學(xué)習(xí)算法區(qū)分正常和異常的VAG信號(hào)，通過10次交叉驗(yàn)證，平均分類準(zhǔn)確率為89.89%。實(shí)驗(yàn)結(jié)果表明該方法能夠可靠地識(shí)別出膝關(guān)節(jié)異常，有助于骨科醫(yī)生對膝關(guān)節(jié)畸形患者的早期診斷。

但基于機(jī)器學(xué)習(xí)的傳統(tǒng)VAG信號(hào)分類方法存在研究時(shí)依賴所提取特征參數(shù)、不同特征參數(shù)對分類結(jié)果影響較大、研究者需要手動(dòng)提取特征參數(shù)、自動(dòng)化程度低且分類效果有待提高等問題，廣大學(xué)者也在不斷結(jié)合新技術(shù)提出新方法對VAG信號(hào)進(jìn)行研究。

3.3 基于深度學(xué)習(xí)的研究

目前，深度學(xué)習(xí)方法在很多領(lǐng)域應(yīng)用效果顯著，利用深度學(xué)習(xí)方法對VAG信號(hào)進(jìn)行分析的研究也在逐步開展。深度學(xué)習(xí)可在多個(gè)層次上對特征進(jìn)行抽象表征，與傳統(tǒng)方法相比可以更智能、更全面地提取數(shù)據(jù)的有用信息，取得更準(zhǔn)確的分類效果，從而輔助診斷，其在提高診斷準(zhǔn)確率、減少醫(yī)生工作量方面具有重要意義[30]。

張瑞等[31]以VAG信號(hào)為源信號(hào)，提出了一種基于長短期記憶網(wǎng)絡(luò)（long short-term merory，LSTM）的VAG信號(hào)自動(dòng)判讀方法。該方法首先采用小波變換以及序列插補(bǔ)方法對信號(hào)進(jìn)行去噪、對齊等預(yù)處理。其次，利用LSTM實(shí)現(xiàn)VAG信號(hào)的自動(dòng)判讀。其中LSTM的參數(shù)使用網(wǎng)格搜索法確定。最后通過5126條臨床采集的VAG信號(hào)對所提方法進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明該方法可達(dá)到的準(zhǔn)確率為82%、敏感度為79%、特異度為81%、召回率為82%、馬修斯相關(guān)系數(shù)為0.62。

Kraft等[32]提出了一種利用卷積神經(jīng)網(wǎng)絡(luò)的VAG信號(hào)分類新方法。該方法將時(shí)間序列分類問題轉(zhuǎn)化為圖像分類問題，通過一個(gè)2層卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行分類，而不需要對VAG信號(hào)進(jìn)行濾波或縮放。在未進(jìn)行數(shù)據(jù)增強(qiáng)的情況下，其分類準(zhǔn)確率達(dá)到74%。通過數(shù)據(jù)增強(qiáng)，分類準(zhǔn)確率達(dá)到87%。但這些結(jié)果仍然低于之前其他研究人員在這個(gè)數(shù)據(jù)集上報(bào)告的性能指標(biāo)。

目前，結(jié)合深度學(xué)習(xí)方法解決醫(yī)學(xué)問題已經(jīng)成為一種發(fā)展趨勢，但在深度學(xué)習(xí)以大數(shù)據(jù)為前提的條件下，醫(yī)學(xué)臨床數(shù)據(jù)匱乏導(dǎo)致研究難度大成為現(xiàn)階段主要的問題。在很多情況下，收集到數(shù)以萬計(jì)帶標(biāo)簽的數(shù)據(jù)是非常昂貴、耗時(shí)且困難的。因此，如何在小樣本的情況下，僅用少量的數(shù)據(jù)解決問題成為研究中一個(gè)重要內(nèi)容。對于VAG信號(hào)，臨床上所能提供的數(shù)據(jù)量不足，如果有更多的數(shù)據(jù)可用，深度學(xué)習(xí)方法有望適用于VAG信號(hào)分類任務(wù)，實(shí)現(xiàn)自動(dòng)化的分類識(shí)別以達(dá)到輔助診斷的效果。

4 結(jié)語

國內(nèi)外學(xué)者對VAG信號(hào)的大量研究表明健康膝關(guān)節(jié)與患有疾病的膝關(guān)節(jié)所產(chǎn)生的VAG信號(hào)是具有差異性的，由此，通過VAG信號(hào)可以有效判別膝關(guān)節(jié)的健康狀況，推進(jìn)膝關(guān)節(jié)無創(chuàng)檢測與輔助診斷技術(shù)的發(fā)展。

盡管二分類的研究可以達(dá)到較高的分類準(zhǔn)確率、敏感度和特異度，但其臨床應(yīng)用有限，只能支持篩選試驗(yàn)，因此，基于VAG信號(hào)對膝關(guān)節(jié)疾病的多分類研究成為重點(diǎn)問題。但研究過程中存在膝關(guān)節(jié)疾病種類多、患病程度復(fù)雜、多種膝關(guān)節(jié)疾病之間相互交叉影響等問題。雖然研究困難，但廣大學(xué)者發(fā)現(xiàn)VAG信號(hào)在不同膝關(guān)節(jié)疾病之間的敏感度仍然存在差異。VAG信號(hào)在不同膝關(guān)節(jié)疾病中表現(xiàn)不同，因而，對于不同疾病可實(shí)現(xiàn)VAG信號(hào)的定量分析，達(dá)到分類識(shí)別以輔助診斷的目的。將VAG信號(hào)作為膝關(guān)節(jié)疾病無創(chuàng)檢測的手段，不僅可以實(shí)現(xiàn)無創(chuàng)檢測、減輕患者的痛苦，也能改善現(xiàn)在依賴于大型CT、MRI等設(shè)備檢測不便、成本高等問題，因此對VAG信號(hào)的定量分析研究意義重大。

現(xiàn)階段對于VAG信號(hào)的研究主要集中在數(shù)據(jù)采集、預(yù)處理、特征提取和分類識(shí)別問題上，主要包括：數(shù)據(jù)采集過程中對傳感器、采集位點(diǎn)和通道數(shù)的選擇等；在預(yù)處理過程中提出有效的去噪方法以供后續(xù)分析；在特征參數(shù)提取過程中找到VAG信號(hào)中具有代表性的、可區(qū)分膝關(guān)節(jié)不同狀態(tài)的特征；以及分類識(shí)別時(shí)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(guān)節(jié)是否健康的分類準(zhǔn)確率仍有提升空間；特征參數(shù)較多，但對特征參數(shù)的優(yōu)化選擇組合研究不足使得分類自動(dòng)化程度低；不同特征參數(shù)特異性不同，導(dǎo)致分類的普適性差；對于不同膝關(guān)節(jié)疾病的分類還需進(jìn)一步細(xì)化和研究，多分類的準(zhǔn)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(shù)問題需要解決[33]。例如：如何獲得包含更多信息的膝關(guān)節(jié)信號(hào)；增加檢測通道和合適的檢測位置能否提高膝關(guān)節(jié)疾病的分類檢測精度；VAG信號(hào)的各個(gè)特征與具體疾病是否存在對應(yīng)關(guān)系等。且現(xiàn)階段的研究多是對正常與異常VAG信號(hào)的分類研究，對于不同膝關(guān)節(jié)疾病的分類還需進(jìn)一步細(xì)化和研究。關(guān)于VAG信號(hào)用于膝關(guān)節(jié)疾病診斷的準(zhǔn)確率和敏感度還有待提高，如何具體區(qū)分不同的膝關(guān)節(jié)疾病及其嚴(yán)重程度，如何進(jìn)一步提高分類檢測的精度和自動(dòng)化程度等也須進(jìn)一步探討；隨著深度學(xué)習(xí)等人工智能方法的發(fā)展[34]，如何將深度學(xué)習(xí)方法應(yīng)用于膝關(guān)節(jié)疾病檢測等問題也有待深入研究。

通過計(jì)算機(jī)技術(shù)的不斷發(fā)展和研究方法的不斷完善，膝關(guān)節(jié)疾病的早期診斷也會(huì)更加精準(zhǔn)、更加個(gè)體化。當(dāng)前人工智能發(fā)展迅速，深度學(xué)習(xí)等分析研究手段逐漸成熟，在大數(shù)據(jù)發(fā)展的同時(shí)，基于VAG信號(hào)對膝關(guān)節(jié)疾病的研究會(huì)更加細(xì)致，解決的問題會(huì)更加全面，實(shí)現(xiàn)輔助診斷的目的，這將會(huì)是未來研究和發(fā)展的趨勢。