深度學(xué)習(xí)在骨振信號自動判讀中的應(yīng)用

張瑞 習(xí)文浩 宋江玲

摘要：目前在臨床上對膝關(guān)節(jié)退行性病變進(jìn)行檢查的手段主要包括X光、核磁共振成像等，但這些檢查手段操作要求高、花費(fèi)高昂、且無法便捷使用。相關(guān)研究表明，髕股關(guān)節(jié)軟骨摩擦產(chǎn)生的摩擦音（也稱為骨振信號）能夠有效反映膝關(guān)節(jié)所發(fā)生的病變且獲取方式便捷?；诖?，文中以骨振信號為源信號，提出了一種基于長短期記憶網(wǎng)絡(luò)的骨振信號自動判讀方法。首先，采用小波變換以及序列插補(bǔ)方法對信號進(jìn)行去噪、對齊等預(yù)處理;其次，采用長短期記憶網(wǎng)絡(luò)實現(xiàn)骨振信號的自動判讀，其中，網(wǎng)絡(luò)參數(shù)使用網(wǎng)格搜索法確定;最后，采用5 126條臨床采集的骨振信號（來源于西安某醫(yī)院骨科）對所提方法進(jìn)行驗證。實驗結(jié)果表明文中所提方法可達(dá)到自動判讀的準(zhǔn)確率為82％、精確率為79％、特異度為81％、召回率為82％、馬修斯相關(guān)系數(shù)為0.62。

關(guān)鍵詞：膝關(guān)節(jié)退行性病變;骨振信號;長短期記憶網(wǎng)絡(luò);馬修斯相關(guān)系數(shù)

中圖分類號：TP305

DOI：10.16152/j.cnki.xdxbzr.2020-04-006開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Application of deeplearning in automate drecognitionof vibroarthro graphicsignals

ZHANG Rui， XI Wenhao， SONG Jiangling

（Medical Big Data Research Center， Northwest University， Xi′an 710127， China）

Abstract： At present， the non-invasive technologies for diagnosis of degenerative knee disease mainly include X-ray examination， magnetic resonance imaging etc. However， in clinics， these technologies are seemly non-convenient and non-effective for daily examinations. It has been shown that the pathological changes of knee joint could effectively be detected through vibroarthrographic signals， which can be obtained more easily. Based on this， this paper proposes a new automated recognition method of vibroarthrographic signals by using long short-term memory network. Firstly， the vibroarthrographic signal is preprocessed based on the wavelet transformation and sequence interpolation method. Secondly， the long short-term memory network is applied to realize the automated recognition of vibroarthrographic signals， where the hyperparameters are selected by grid search method. Finally， the proposed method is verified by using the real vibroarthrographic signals collected from two hospitals in Xi′an. The experimental results show that the accuracy， precision， specificity， recall and MCC of the proposed method are 82％， 79％， 81％， 82％， 0.62 respectively.

Key words： degenerative knee disease; vibroarthrographic signals; long short-term memory network; Matthews correlation coefficient

膝關(guān)節(jié)是人體內(nèi)構(gòu)造較為復(fù)雜的關(guān)節(jié)，由外側(cè)脛股關(guān)節(jié)、內(nèi)側(cè)脛股關(guān)節(jié)和髕骨關(guān)節(jié)3部分組成。膝關(guān)節(jié)退行性病變又被稱為膝骨性關(guān)節(jié)炎，是一種常見的慢性進(jìn)展性關(guān)節(jié)疾病，高發(fā)于年齡較長者，是導(dǎo)致中老年人活動障礙和殘疾的主要病因。其臨床表現(xiàn)為膝關(guān)節(jié)無法正?；顒踊蚧顒訒r伴有疼痛、膝關(guān)節(jié)腫脹與變形，嚴(yán)重患者還可能會出現(xiàn)持續(xù)性關(guān)節(jié)疼痛、肌肉萎縮，從而引起關(guān)節(jié)無力，最終膝關(guān)節(jié)行走功能完全喪失等［1］。近年來，由于肥胖以及膝關(guān)節(jié)長時間受涼所誘發(fā)的膝關(guān)節(jié)退行性病變也開始高發(fā)于青少年群體。

臨床表明，若能在膝關(guān)節(jié)退行性病變病情較輕時及時診斷，則可通過針灸、膏藥等方式緩解關(guān)節(jié)僵硬、疼痛，恢復(fù)膝關(guān)節(jié)活動;而一旦病情較為嚴(yán)重，就需要進(jìn)行膝關(guān)節(jié)鏡手術(shù)，甚至置換關(guān)節(jié)。目前臨床上對膝關(guān)節(jié)退行性病變進(jìn)行檢查的手段主要包括X-光、計算機(jī)斷層掃描（CT）、核磁共振成像掃描（MRI），這些檢查手段不僅操作要求高、花費(fèi)高昂、無法便捷使用，而且對人體存在一定危害。因此，尋找一種價格低廉、方便快捷的檢查方法，用以輔助醫(yī)生對膝關(guān)節(jié)退行性病變進(jìn)行診斷，具有重要的社會意義和臨床價值。

已有研究表明，髕股關(guān)節(jié)軟骨摩擦產(chǎn)生的摩擦音（也稱為骨振信號）能夠有效反映膝關(guān)節(jié)所發(fā)生的病變［2-6］，且這一信號能夠通過在膝關(guān)節(jié)外放置聲學(xué)傳感器進(jìn)行采集［7］，方便易得。然而，目前關(guān)于骨振信號的理論研究幾乎還是空白，更談不上將其應(yīng)用于膝關(guān)節(jié)退行性病變的臨床診斷之中?；诖耍芊窠柚鷻C(jī)器學(xué)習(xí)、計算機(jī)、人工智能等信息技術(shù)，來探索基于骨振信號的膝關(guān)節(jié)退行性病變輔助診斷方法的研究？這顯然是一個非常具有挑戰(zhàn)性的工作。

目前有少量工作聚焦于這一方向的研究，主要采用機(jī)器學(xué)習(xí)方法，通過對骨振信號進(jìn)行特征提?。ㄈ缁陟氐亩攘浚?］、小波匹配追蹤分解的原子數(shù)量［8］、均方值方差［8］等），進(jìn)而結(jié)合分類器（如隨機(jī)森林［4］、樸素貝葉斯模型［8］、支持向量機(jī)［9］）來完成正常與病變兩類骨振信號的分類。然而，特征提取方法大多源于啟發(fā)式，不僅需要豐富的領(lǐng)域知識，而且往往很難適用于情況復(fù)雜的各類病患。

深度學(xué)習(xí)是一種對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法［10］，極大程度上解決了特征提取所帶來的上述局限性。基于此，本文聚焦于探索深度學(xué)習(xí)在骨振信號自動判讀中的應(yīng)用。首先，分別采用小波變換與序列插補(bǔ)方法對骨振信號進(jìn)行去噪和對齊等預(yù)處理;其次，采用長短期記憶網(wǎng)絡(luò)實現(xiàn)骨振信號的自動判讀;最后，采用5 126條臨床采集的骨振信號（來源于西安某醫(yī)院骨科）對所提方法進(jìn)行驗證。

1 方 法

1.1 長短期記憶網(wǎng)絡(luò)模型

長短期記憶網(wǎng)絡(luò)（long short-term memory network，LSTM）屬于循環(huán)神經(jīng)網(wǎng)絡(luò)。LSTM中的控制單元能夠分析進(jìn)入模型的信息，通過留下有用信息、遺忘無效信息，不斷更新狀態(tài)并將狀態(tài)在網(wǎng)絡(luò)中循環(huán)傳遞。這一特點使得LSTM能夠有效解決時間序列的“超長距離依賴”問題。LSTM的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，具體包括4個部分。

2.2 數(shù)據(jù)預(yù)處理

收集骨振信號的過程中，由于外界環(huán)境與人體自身的干擾，使得收集的信號中包含大量噪聲，主要分為兩類，一類是由于傳感器性能不穩(wěn)定、環(huán)境干擾等導(dǎo)致的基線漂移，另一種是由于關(guān)節(jié)彈響導(dǎo)致的“咯噔”聲。為了去除這兩類噪聲，本文主要首先采用小波函數(shù)為db5的小波變換將骨振信號分解成4層。由于基線漂移與“咯噔”聲主要分布在信號的高頻頻段，因此，進(jìn)一步結(jié)合閾值函數(shù)對分解后信號中的高頻系數(shù)進(jìn)行閾值處理，然后對處理過的信號進(jìn)行重構(gòu)，最終得到去除基線漂移、“咯噔”聲后的骨振信號。本文采用此方法對5 126個骨振信號進(jìn)行去噪處理，圖4展示了某一骨振信號去噪前后的結(jié)果圖。

此外，在采用序列插補(bǔ)方法對每一信號進(jìn)行對齊處理時，M=583 680。

2.3 性能指標(biāo)

常見的用于評估分類模型預(yù)測能力性能的指標(biāo)有以下4個：

準(zhǔn)確率（accuracy）=TP+TNTP+TN+FP+FN，? （9）

精確率（precision）=TPTP+FP，（10）

特異度（specificity）=TNFP+TN，（11）

召回率（recall）=TPTP+FN。（12）

其中：TP代表樣本的真實類別為正類，且模型將其預(yù)測成正類的樣本數(shù)；FN代表樣本的真實類別為正類，但模型將其預(yù)測成負(fù)類的樣本數(shù)；FP代表樣本的真實類別為負(fù)類，但模型將其預(yù)測成正類的樣本數(shù)；TN代表樣本的真實類別為負(fù)類，且模型將其預(yù)測成負(fù)類的樣本數(shù)。

此外，由于本文所用數(shù)據(jù)為非平衡數(shù)據(jù)，為了更好地衡量此類情況下分類器的性能，我們進(jìn)一步將馬修斯相關(guān)系數(shù)（Matthews correlation coefficient， MCC）作為模型分類性能評價指標(biāo)，其定義為［13］

MCC=

TP*TN-FP*FN（TP+FP）（TP+FN）（TN+FP）（TN+FN）。（13）

MCC的取值范圍為［-1，1］，其中，MCC取值為1表示模型預(yù)測完全正確，取值為-1表示模型預(yù)測完全錯誤。

2.4 網(wǎng)絡(luò)超參數(shù)選擇

深度學(xué)習(xí)模型中有大量超參數(shù)，而超參數(shù)的選擇對實驗結(jié)果的影響十分大。本文中最重要的兩個超參數(shù)為學(xué)習(xí)率與損失函數(shù)類別權(quán)重。如果學(xué)習(xí)率過大，可能會因為步幅過大造成跳過局部最優(yōu)點的問題;學(xué)習(xí)率過小，又會導(dǎo)致訓(xùn)練速度較慢。此外，文中所用數(shù)據(jù)包括1 006個0級骨振信號和4 120個1級骨振信號，為不平衡數(shù)據(jù)集，因此需要選擇一個合適的損失函數(shù)類別權(quán)重，在損失函數(shù)中增加將少數(shù)類錯誤分類帶來的損失，以減輕模型對多數(shù)類的敏感度。本文采用網(wǎng)格搜索法對模型中的這兩個超參數(shù)進(jìn)行確定，即在一定范圍內(nèi)對這兩個參數(shù)的組合進(jìn)行評價，結(jié)果如圖5所示。

圖5中x軸與y軸分別代表損失函數(shù)中類別權(quán)重比例（即α／β）與學(xué)習(xí)率，z軸表示在確定了權(quán)重與學(xué)習(xí)率時的MCC值，顏色越深表示MCC值越高。由圖5可知，當(dāng)學(xué)習(xí)率為0.01時，損失函數(shù)權(quán)重比為1∶45，即α=1， β=45時， MCC值達(dá)到最高，MCC=0.64，因此，本文選擇這一參數(shù)組合作為LSTM的最優(yōu)超參數(shù)組合。

2.5 實驗結(jié)果與分析

本小節(jié)將通過數(shù)值實驗，驗證本文所提出的基于LSTM的骨振信號自動判讀方法的可行性與有效性。

為了減少在使用小批量梯度下降中數(shù)據(jù)的先后順序、以及模型參數(shù)隨機(jī)初始化對實驗結(jié)果所造成的影響，本文隨機(jī)進(jìn)行了10次實驗，進(jìn)而取10次實驗的平均結(jié)果作為最終結(jié)果，所得結(jié)果如表1所示。

可以看出，本文所提方法的準(zhǔn)確率可達(dá)82％，同時精確率達(dá)到79％，召回率為82％，特異度為81％，MCC分?jǐn)?shù)為0.62。結(jié)果表明本文所提方法能夠有效實現(xiàn)正常與病變骨振信號的自動判讀。

3 結(jié) 語

本文針對膝關(guān)節(jié)退行性病變，以骨振信號為源信號，提出了一種基于長短期記憶網(wǎng)絡(luò)的骨振信號自動判讀方法。首先，采用小波變換以及序列插補(bǔ)方法，對骨振信號中蘊(yùn)含的基線漂移和“咯噔”聲等噪聲進(jìn)行去除，并采用序列插補(bǔ)方法對去噪后的骨振信號進(jìn)行對齊等預(yù)處理;其次，采用長短期記憶網(wǎng)絡(luò)實現(xiàn)骨振信號的自動判讀，其中網(wǎng)絡(luò)參數(shù)使用網(wǎng)格搜索法確定；最后，采用從西安某醫(yī)院骨科獲得的5 126條骨振信號數(shù)據(jù)對所提方法進(jìn)行驗證，結(jié)果表明，本文所提方法在正常與病變骨振信號的自動判讀中表現(xiàn)性能良好。

參考文獻(xiàn)：

［1］ 謝昆嶺.膝關(guān)節(jié)退行性病變的物理治療觀察［J］.價值工程，2011，30（12）：301.

XIE K L.Physiotherapy observation of knee degenerative diseases［J］.Value Engineering，2011，30（12）：301.

［2］ BLODGETT W E.Auscultation of the knee joint［J］. The Boston Medical and Surgical Journal， 1902，146（3）：63-66.

［3］ 江清泉，劉益瑞，葉建文，等.膝關(guān)節(jié)病變的髕骨振動［J］.醫(yī)用生物力學(xué)，1994，9（2）：78-83.

JIANG Q Q， LIU Y R， YE J W， et al. Patellar vibration of knee joint lesions［J］.Medical Biomechanics， 1994，9（2）：78-83.

［4］ NALBAND S， SUNDAR A，PRINCE A A，et al.Feature selection and classification methodology for the detection of knee-joint disorders［J］. Computer Methodsand Programsin Biomedicine， 2016，127：94-104.

［5］ NALBAND S，SREEKRISHNA R R，PRINCE A A.Analysis of knee joint vibration signals using ensemble empirical mode decomposition［J］.Procedia Computer Science， 2016，89：820-827.

［6］ 王迎春，丁明，王衛(wèi)東，等.膝關(guān)節(jié)骨性關(guān)節(jié)炎影像技術(shù)和聲波振動信號輔助診斷的研究進(jìn)展［J］.骨科，2019，10（3）：253-256.

WANG Y C， DING M， WANG W D， et al. Research progress in assisted diagnosis of knee osteoarthritis with imaging technology and sonic vibration signals［J］.Orthopedics，2019，10（3）：253-256.

［7］ KERNOHAN W G， BEVERLAND D E， MCCOY G F， et al. The diagnostic potential of vibration arthrography［J］. Clinical Orthopaedics and Related Research， 1986（210）：106-112.

［8］ 蔡素賢.基于機(jī)器學(xué)習(xí)的膝關(guān)節(jié)擺動信號分類算法研究［D］.廈門：廈門大學(xué)， 2014.

［9］ 徐一平.基于VAG信號分析的膝關(guān)節(jié)損傷檢測與輔助診斷［D］.大連：大連理工大學(xué)，2018.

［10］余凱，賈磊，陳雨強(qiáng)，等.深度學(xué)習(xí)的昨天、今天和明天［J］.計算機(jī)研究與發(fā)展，2013，50（9）：1799-1804.

YU K，JIA L，CHEN Y Q，et al.Deep learning：Yesterday，today，and tomorrow［J］.Journal of Computer Research and Development，2013，50（9）：1799-1804.

［11］洪浩，伯曉晨，李非.深度學(xué)習(xí)在生物醫(yī)學(xué)數(shù)據(jù)中的應(yīng)用［J］.醫(yī)學(xué)信息學(xué)雜志，2018，39（3）：2-9.

HONG H， BO X C， LI F. The application of deep learning in biomedical data［J］.Journal of Medical Informatics，2018，39（3）：2-9.

［12］李淵，駱志剛，管乃洋，等.生物醫(yī)學(xué)數(shù)據(jù)分析中的深度學(xué)習(xí)方法應(yīng)用［J］.生物化學(xué)與生物物理進(jìn)展，2016，43（5）：472-483.

LI Y， LUO Z G， GUAN N Y， et al. Application of deep learning methods in biomedical data analysis［J］.Progress in Biochemistry and Biophysics，2016，43（5）：472-483.

［13］劉林.分類器評價指標(biāo)MCC、CEN和ACC的比較研究［D］.天津：天津師范大學(xué)，2019.

［14］鹿猛.膝關(guān)節(jié)擺動信號的噪聲消除研究［D］.廈門：廈門大學(xué)，2013.

［15］楊祎玥，伏潛，萬定生.基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測模型［J］.計算機(jī)技術(shù)與發(fā)展，2017，27（3）：35-38.

YANG Y Y， FU Q， WAN D S. Time series prediction model based on deep recurrent neural network［J］.Computer Technology and Development，2017（3）：35-38.

［16］劉桐彤.基于長短期記憶神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法［J］.黑龍江科技信息，2016（31）：81.

LIU T T.Short-term load forecasting method based on long short-term memory neural network［J］.Heilongjiang Science and Technology Information，2016（31）：81.

（編 輯 李 靜）