一种消化道生理数据采集导管折叠识别方法

技术领域

本发明涉及医疗器械技术领域，特别是涉及一种消化道生理数据采集导管折叠识别方法。

背景技术

消化道生理数据可有效地反映出胃肠生理、病理的变化，而准确的诊断建立在数据采集的规范基础之上。较多消化道生理数据的采集方式采用插管方法进行，而插管过程中导管可能会发生折叠，影响生理数据的采集结果，并进一步影响后期数据分析与疾病诊断。目前采集消化道生理数据过程中，操作人员完全凭借个人数据分析经验去判断是否发生导管折叠，需操作人员具备较强的数据分析能力，能及时发现导管折叠进而及时采取一些处理措施。

以采集食道压力数据为例，目前应用最广泛的是高分辨测压，利用导管采集咽部至胃部压力，并转换为直观的云图与曲线图。临床上根据采集到的压力数据及其转换的图谱，依据一些诊断体系量化和评估食管运动功能，进而指导临床诊断及治疗。而插入的测压导管在采集数据过程中可能发生折叠，影响数据结果，需操作人员及时发现导管折叠并进行一些处理，如将导管后退拉直调整角度后再尝试插入。

目前依赖操作人员人工识别导管折叠的方法常存在识别不及时的情况，会影响数据分析或者延长数据采集时间。

因此本领域技术人员致力于开发一种消化道生理数据采集导管折叠识别方法，能自动实时识别导管折叠。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种消化道生理数据采集导管折叠识别方法，能自动实时识别导管折叠。

为实现上述目的，本发明提供了一种消化道生理数据采集导管折叠识别方法，包括以下步骤：

1)数据准备，对T秒长度的数据进行折叠状态评估，将导管折叠状态与标准折叠数据框的位置数据分成训练集和验证集，用于对深度学习网络模型进行离线训练和离线验证；

2)深度学习模型数据处理：将待识别数据带入经离线训练和验证过的深度学习模型，得到导管折叠概率state2和自动折叠数据框位置；

3)导管折叠识别：根据导管折叠概率state2与自动折叠数据框位置，确定导管是否发生折叠。

较佳的，所述步骤1)具体包括以下步骤：

11)确定数据分析长度T秒，且T秒时长能够保证至少一次完整的蠕动吞咽；

12)按数据分析长度T秒对采集的数据进行截取，并对截取的T秒长度进行导管折叠状态state1评估，评估为折叠状态的，state1记为1，评估为未折叠状态的，state1记为0；

13)记录可以判断出折叠出现的数据框的位置坐标，即标准折叠数据框的位置坐标，将标记好的导管折叠状态与标准折叠数据框的位置数据分为训练集和验证集。

较佳的，所述步骤2)具体包括以下步骤：

21)选取深度学习网络模型，采用步骤1)得到的训练集、验证集分别对深度学习网络模型进行离线训练和离线验证，得到深度学习模型参数；

22)将长度为T秒的数据带入步骤21)中经离线训练和验证过的深度学习模型，得到导管折叠概率state2和自动折叠数据框位置。

较佳的，所述步骤3)具体包括以下步骤：

31)判断导管折叠概率state2是否大于第一折叠预设值state0,若是，则导管发生折叠且退出该次T秒数据导管折叠识别，若否，进入步骤32)；

其中所述第一折叠预设值state0的取值范围为0.9≤state0≤1；

32)判断导管折叠概率state2是否小于第二折叠预设值state3或自动折叠数据框纵向长度是否小于长度预设值，若是，则不作任何提示与标记退出该次T秒数据导管折叠识别，若否，则进入步骤33)；

其中所述第二折叠预设值state3的取值范围为state3≤0.5；

所述长度预设值大于等于5个通道长度值；

33)根据自动折叠数据框中的数据，判断是否发生折叠。

较佳的，所述步骤33)具体包括以下步骤：

33a)分别归一化自动折叠数据框中各通道数值，计算各通道数值标准差Si，其中i为数据通道，以自动折叠数据框中间通道为对称位置，以下列公式计算对称位置两侧间隔相同长度通道之间的标准差相对值Smn，

Smn＝(Sm-Sn)/Sn；

其中m为对称位置以上的通道，Sm为通道m的数值标准差，n为对称位置以下的通道，Sn为通道n的数值标准差；判断各标准差相对值Smn的绝对值是否均小于第一预设值S0，若是则进入步骤33b)，若否，则不作任何提示与标记且退出该次T秒数据导管折叠识别；

其中，所述第一预设值S0为至少30个折叠导管的标准差相对值Smn的均值；

33b)分别归一化自动折叠数据框中各通道数值，以步长预设值step0为步长，计算各通道上数值直方图分布Fij，其中i为数据通道，j为直方图划分区间，以自动折叠数据框中间通道为对称位置，计算对称位置两侧间隔相同长度的通道直方图分布之间的相关系数F_Rk，其中k＝1，2，…，n/2，取整数；n为自动折叠数据框中数据通道数目，若相关系数F_Rk均大于相关系数预设值F_R0，则进入步骤233c)，否则不作任何提示与标记且退出该次T秒数据导管折叠识别；

其中，所述相关系数预设值F_R0大于等于0.9；

其中，所述步长预设值step0根据直方图划分区间进行确定，取值为1/j。

33c)分别计算各通道最大值或最小值所在位置，以自动折叠数据框中间通道为对称位置，用直线分别拟合对称位置两侧最大或最小位置值，分别得到对称位置两侧拟合线斜率即第一拟合线斜率Slope1和第一拟合线斜率Slope2，以下列公式计算斜率相对值Slope，Slope＝(Slope1-Slope2)/Slope2，判断斜率相对值Slope绝对值是否小于斜率预设值Slope0并且Slope1与Slope2异号，若是，则导管发生折叠，且退出该次T秒数据导管折叠识别，若否则不作任何提示与标记并且退出该次T秒数据导管折叠识别；

所述斜率预设值Slope0为至少30个折叠导管的相对于斜率值的均值。

较佳的，还包括步骤，

4)运用模型识别导管折叠

依次间隔△T秒，截取T秒数据长度，进入所述步骤2)；

其中△T>10。

较佳的，识别出导管发生折叠后还包括标记出现折叠的数据框位置的步骤，该数据框即该处自动折叠数据框。

较佳的，识别出导管发生折叠后还包括采取语音或文字或图形进行折叠提示的步骤。

较佳的，T秒时间长度为至少保证人眼能够识别出导管是否折叠的长度。

较佳的，所述步骤33)中的归一化是指将各通道数据统一到0～1之间，归一方法是将所有数据都减去最小值后分别除以最大值与最小值的差值所得即为归一化的数值。

本发明的有益效果是：本发明改善了目前仅能依靠人工识别导管折叠的技术现状，能及时识别导管折叠，减轻了操作人员阅读数据的负担并节约了数据采集时间。

附图说明

图1是本发明一具体实施方式数据准备应用的食道测压导管折叠示意图。

图2是本发明一具体实施方式的流程示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

一种消化道生理数据采集导管折叠识别方法，包括以下步骤：

1)数据准备，对T秒长度的数据进行折叠状态评估，将导管折叠状态与标准折叠数据框的位置数据分成训练集和验证集，用于对深度学习网络模型进行离线训练和离线验证。

步骤1)具体包括以下步骤：

11)确定数据分析长度T秒，且T秒时长能够保证至少一次完整的蠕动吞咽，至少保证人眼能够识别出导管是否折叠的长度。T秒要求一般大于等于20秒。

12)按数据分析长度T秒对采集的数据进行截取，并对截取的T秒长度进行导管折叠状态state1评估，评估为折叠状态的，state1记为1，评估为未折叠状态的，state1记为0；本步骤为数据准备，采用人工评估。

13)记录可以判断出折叠出现的数据框位置坐标，即标准折叠数据框的位置坐标，将标记好的导管折叠状态与标准折叠数据框的位置数据分为训练集和验证集。

如图1所示，为高分辨食道测压导管折叠示意图，图中框4所示的黑框(左上角坐标为(x1,y1)，右下角坐标为(x2,y2))中数据能明显看出导管在LES附近出现折叠，框4即是一标准折叠数据框。

2)深度学习模型数据处理：将待识别数据带入经离线训练和验证过的深度学习模型，得到导管折叠概率state2和自动折叠数据框位置。

如图2所示，步骤2)具体包括以下步骤：

21)选取深度学习网络模型，采用步骤1)得到的训练集、验证集分别对深度学习网络模型进行离线训练和离线验证，得到深度学习模型参数；

22)将长度为T秒的数据带入步骤21)中经离线训练和验证过的深度学习模型，得到导管折叠概率state2和自动折叠数据框位置。

3)导管折叠识别：根据导管折叠概率state2与自动折叠数据框位置，确定导管是否发生折叠。

步骤3)具体包括以下步骤：

31)判断导管折叠概率state2是否大于第一折叠预设值state0,若是，则导管发生折叠且退出该次T秒数据导管折叠识别，若否，进入步骤32)；

其中第一折叠预设值state0的取值范围为0.9≤state0≤1；

32)判断导管折叠概率state2是否小于第二折叠预设值state3或自动折叠数据框纵向长度是否小于长度预设值，若是，则不作任何提示与标记退出该次T秒数据导管折叠识别，若否，则进入步骤33)；

其中所述第二折叠预设值state3的取值范围为state3≤0.5；

所述长度预设值大于等于5个通道长度值；

33)根据自动折叠数据框中的数据，判断是否发生折叠。

步骤33)具体包括以下步骤：

33a)分别归一化自动折叠数据框中各通道数值，计算各通道数值标准差Si，其中i为数据通道，以自动折叠数据框中间通道为对称位置，以下列公式计算对称位置两侧间隔相同长度通道之间的标准差相对值Smn，

Smn＝(Sm-Sn)/Sn；

其中m为对称位置以上的通道，Sm为通道m的数值标准差，n为对称位置以下的通道，Sn为通道n的数值标准差；判断各标准差相对值Smn的绝对值是否均小于第一预设值S0，若是则进入步骤33b)，若否，则不作任何提示与标记且退出该次T秒数据导管折叠识别；

其中，所述第一预设值S0为至少30个折叠导管的标准差相对值Smn的均值；

33b)分别归一化自动折叠数据框中各通道数值，以步长预设值step0为步长，计算各通道上数值直方图分布Fij，其中i为数据通道，j为直方图划分区间，以自动折叠数据框中间通道为对称位置，计算对称位置两侧间隔相同长度的通道直方图分布之间的相关系数F_Rk，其中k＝1，2，…，n/2，取整数；n为自动折叠数据框中数据通道数目，若相关系数F_Rk均大于相关系数预设值F_R0，则进入步骤233c)，否则不作任何提示与标记且退出该次T秒数据导管折叠识别；

其中，所述相关系数预设值F_R0大于等于0.9；

其中，所述步长预设值step0根据直方图划分区间进行确定，取值为1/j。

33c)分别计算各通道最大值或最小值所在位置，以自动折叠数据框中间通道为对称位置，用直线分别拟合对称位置两侧最大或最小位置值，分别得到对称位置两侧拟合线斜率即第一拟合线斜率Slope1和第一拟合线斜率Slope2，以下列公式计算斜率相对值Slope，

Slope＝(Slope1-Slope2)/Slope2，判断斜率相对值Slope绝对值是否小于斜率预设值Slope0并且Slope1与Slope2异号，若是，则导管发生折叠，且退出该次T秒数据导管折叠识别，若否则不作任何提示与标记并且退出该次T秒数据导管折叠识别；

所述斜率预设值Slope0为至少30个折叠导管的相对于斜率值的均值。

本步骤中归一化是指将各通道数据统一到0～1之间，本实施例中，归一方法是将所有数据都减去最小值后分别除以最大值与最小值的差值所得即为归一化的数值。

4)运用模型识别导管折叠

依次间隔△T秒，截取T秒数据长度，进入所述步骤2)，即进行下一个T秒内是否折叠的识别。

其中△T>10。

本实施例中，识别出导管发生折叠后可采取语音或文字或图形进行折叠提示，并且标记出现折叠的数据框位置，该数据框即该处自动折叠数据框。以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。