一种逼尿肌过度活动判断模型及其建立方法、系统和装置

技术领域

本发明属于计算机辅助诊断领域，更具体地，涉及一种逼尿肌过度活动判断模型及其建立方法、系统和装置。

背景技术

逼尿肌过度活动(DO)与受试者膀胱活动及尿失禁有着重要关联，是尿动力学检查(UDS)中用于评估受试者膀胱状态的重要依据之一。

由于逼尿肌压力在临床上难以直接测得，一般通过测量受试者膀胱压和腹压后间接计算出逼尿肌压。目前，临床医师主要通过观察、分析受试者行UDS时的检查曲线来对逼尿肌过度活动进行判断，这对于医师的临床经验和专业知识有着较高的要求。另一方面，由于国际上对于逼尿肌过度活动尚未形成统一的定义，因此结果也极易受到主观因素的影响。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种逼尿肌过度活动判断模型及其建立方法、系统和装置，其目的在于，对逼尿肌过度活动进行更加准确有效地判断。

为实现上述目的，按照本发明的第一方面，提出了一种逼尿肌过度活动判断模型的建立方法，包括如下步骤：

获取多个样本，每个样本包括一组膀胱压曲线和腹腔压曲线；将多个样本划分为逼尿肌过度活动样本和对照样本；

对各样本进行预处理，得到训练集；预处理方法为：对每个样本，先进行降噪，然后对膀胱压曲线和腹腔压曲线进行采样，将采样得到的膀胱压信号和腹腔压信号组合在一列，并对其进行正态分布标准化处理；

通过训练集对一维双通道卷积神经网络进行训练，训练好的一维双通道卷积神经网络即为逼尿肌过度活动判断模型。

作为进一步优选的，通过滑动平均算法分别对膀胱压曲线和腹腔压曲线进行降噪。

作为进一步优选的，对逼尿肌过度活动样本进行预处理时：

采用峰值采样法，采用峰值采样法，以膀胱压曲线的波峰对应的时间点作为采样中点，以采样中点前第一预设时间到采样中点后第二预设时间为采样时间范围；获取在采样时间范围内的膀胱压曲线和腹腔压曲线，得到膀胱压信号和腹腔压信号。

作为进一步优选的，对对照样本进行预处理时：

采用重叠采样法，利用滑动采样窗口同步在膀胱压曲线和腹腔压曲线上进行采样，得到膀胱压信号和腹腔压信号。

作为进一步优选的，所述一维双通道卷积神经网络包括依次连接的两个一维双通道CNN层组和一个反向传播神经网络BPNN，通过一维双通道CNN层组对各预处理后的样本进行特征提取，然后通过反向传播神经网络BPNN对所提取的特征进行类型识别；每个一维双通道CNN层组包括多个一维双通道卷积核、卷积层和池化层，第一个一维双通道CNN层组中的一维双通道卷积核尺寸大于第二个一维双通道CNN层组中的一维双通道卷积核尺寸。

按照本发明的第二方面，提供了一种逼尿肌过度活动判断模型，其采用上述逼尿肌过度活动判断模型的建立方法构建而成。

按照本发明的第三方面，提供了一种逼尿肌过度活动判断装置，其包括数据处理模块和类别判断模块，其中：

所述数据处理模块用于对获取的目标对象数据进行预处理；

所述类别判断模块用于将预处理后的目标对象数据输入上述逼尿肌过度活动判断模型中，得到目标对象的逼尿肌活动类别。

作为进一步优选的，所述数据处理模块中，对目标对象数据进行预处理的方法为：

对目标对象数据中的膀胱压曲线和腹腔压曲线进行滑动平均降噪，然后采用峰值采样法进行采样，将采样得到的膀胱压信号和腹腔压信号组合在一列，并对其进行正态分布标准化处理。

按照本发明的第四方面，提供了一种逼尿肌过度活动判断模型的建立系统，其包括处理器，所述处理器用于执行上述逼尿肌过度活动判断模型的建立方法。

按照本发明的第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述逼尿肌过度活动判断模型的建立方法。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

1、逼尿肌过度活动是在膀胱充盈阶段逼尿肌出现的自发或诱发出来的无抑制性收缩，但现行方法主要通过是观察逼尿肌过度活动曲线上波峰附近的幅值变化以及本身波形进行判断。但实际检查过程中，由于目标对象可能发生体位的变化导致腹压出现下降的情况，从而影响判断的准确性。而本发明提出的模型构建方法，综合考虑了膀胱压、腹腔压这两条原始曲线，将其组合在一起构建为一个双通道的一维信号，对一维双通道卷积神经网络进行训练，双通道卷积神经网络在特征提取过程中会将两条曲线在同一时间段内的数据关联起来，能够对由于腹压下降所造成的逼尿肌压升高进行识别，从而对逼尿肌过度活动进行更加准确有效地判断。

2、在膀胱压和腹压信号采集过程中，会产生噪声，由于该噪声相较于所采集的信号频率较低，本发明采用滑动平均算法能有效且快速地消除信号中由于噪声引发的随机波动。

3、本发明针对不同类型样本采用了不同的采样方法，对DO样本采用峰值采样法，以确保采集到的每个DO症状样本能够覆盖一个完整的DO事件周期；对对照样本采用滑窗的方式进行重叠采样，可以提高非DO样本的多样性，有利于提高后续模型的训练精度。

附图说明

图1为本发明实施例逼尿肌过度活动判断模型的建立方法流程图；

图2为本发明实施例一维双通道卷积神经网络模型结构示意图；

图3为本发明实施例一维双通道卷积神经网络模型五次训练结果的ROC曲线图；

图4为本发明实施例模型的输出结果与真实标签的对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明主要针对尿动力学检查的膀胱充盈期，提出了一种基于一维双通道卷积神经网络的逼尿肌过度活动判断模型的建立方法。在临床上，由于逼尿肌的压力难以直接测得，会通过测量膀胱压和腹压间接计算得到逼尿肌压。但医师在实际判断逼尿肌是否发生过度活动时仍会仔细比对膀胱压和腹压的原始曲线，以防漏掉关键的病征信息。基于上述情况，利用发生DO事件的原始膀胱压信号和腹压信号构建一维双通道样本来训练卷积神经网络模型，尽可能保证原始信息的完整性，训练好的模型能够对新输入的曲线中是否发生DO进行辅助识别，能够提高检查数据获取的可靠性，减轻医生的工作负担。

本发明实施例提供的一种逼尿肌过度活动判断模型的建立方法，如图1所示，包括如下步骤：

S1、采集多个受试者在尿动力学检查过程中的膀胱压曲线和腹腔压曲线，一个受试者的一组膀胱压曲线和腹腔压曲线作为一个样本；根据受试者的情况，将样本划分为逼尿肌过度活动样本和逼尿肌未过度活动的对照样本；

S2、对各样本进行预处理，将预处理后的样本一部分作为训练集，另一部分作为测试集；

进一步的，对各样本进行预处理，具体包括：

S21、利用滑动平均算法分别对膀胱压曲线和腹腔压曲线进行数据降噪；

具体的，通过F

在膀胱压和腹压信号采集过程中，由于受试者姿势的调整以及医师在操作过程中的误差导致获取的数据中产生了噪声，从而混淆信号本身所包含的病征信息。因此，对样本进行去噪是模型训练和测试前不可获缺的关键步骤。由于噪声相较于所采集的信号，频率较低，因此，采用滑动平均算法能有效且快速地消除信号中由于噪声引发的随机波动。通常，噪声引发的随机波动只会持续0.3s，本实施例将滑动平均算法中的滑窗长度优选设置为10。

S22、对降噪后的膀胱压曲线和腹腔压曲线进行采样：

对逼尿肌过度活动样本，以膀胱压曲线的波峰作为采样中点，提取采样中点前第一预设时间到采样中点后第二预设时间范围内的膀胱压曲线和腹腔压曲线，得到膀胱压信号和腹腔压信号；通常第一预设时间与第二预设时间相等。

对对照样本，采用重叠采样，利用滑动采样窗口同步在膀胱压曲线和腹腔压曲线上进行采样，得到膀胱压信号和腹腔压信号。

S23、对于采样后的每个样本，按照先膀胱压信号、后腹压信号的顺序排成一列，并对数据进行正态分布标准化处理。

S3、通过训练集和测试集对一维双通道卷积神经网络进行训练和测试，得到逼尿肌过度活动判断模型；通过该逼尿肌过度活动判断模型可实现对目标对象的逼尿肌活动类别。

进一步的，一维双通道卷积神经网络包括依次连接的两个一维双通道CNN层组和一个反向传播神经网络BPNN。每个一维双通道CNN层组包括多个一维双通道卷积核、卷积层和池化层，通过卷积层和池化层对各预处理后的样本进行特征提取，一维双通道卷积核是针对一维双通道信号设计的卷积核，能够同时对两个通道之间的数据进行关联，这两个通道并不是相互独立的，所提取的特征会基于两通道的原始信号共同决定；然后通过反向传播神经网络BPNN末端的Softmax分类器对所提取的特征进行类型识别。此外，第一个CNN层的卷积核尺寸比较大，可提取信号中的显著特征；第二个CNN层的卷积核尺寸比较小，可对显著特征中的细微特征进行进一步地提取。

具体的，一维双通道卷积神经网络结构和参数如图2和表1所示，其中，300×2表示输入信号为2个通道的信号，每个通道的信号长度为300，3×2×60表示卷积核数量为60，每个卷积核有2个通道，每个通道的卷积核长度为3。

表1一维双通道卷积神经网络结构参数表

本发明还提供了一种逼尿肌过度活动判断装置，其包括数据处理模块和类别判断模块，其中：

所述数据处理模块用于对获取的目标对象数据进行预处理；

所述类别判断模块用于将预处理后的目标对象数据输入上述逼尿肌过度活动判断模型中，得到目标对象的逼尿肌活动类别。

进一步的，预处理时，对目标对象数据中的膀胱压曲线和腹腔压曲线进行滑动平均降噪，然后采用峰值采样法进行采样，具体的，通过找出检查数据中的所有峰值点，以它们为中心，向前后取点，形成一个数据长度为300的样本(时间跨度为30秒)，将这些样本放入上述逼尿肌过度活动判断模型中进行逼尿肌过度活动事件的识别。

以下为具体实施例：

将用于模型训练的44例受试者数据的样本进行划分，其中18例受试者存在DO症状。通过对18例受试者的膀胱压、腹压曲线进行人工识别，采集146个DO症状样本。为了确保采集到的每个DO症状样本能够覆盖一个完整的DO事件周期，每个样本所覆盖的时长为30秒，同时以DO症状样本对应的膀胱压信号中的最大波峰作为采样中点。

对于无DO症状健康对照的数据，采用滑窗的方式进行重叠采样，该方式可以提高非DO样本的多样性，有利于提高后续诊断模型训练精度。通过滑窗同步对膀胱压和腹压信号进行采样，采样窗的宽度设置为300，步长设置为50。通过对无DO症状健康对照的数据进行采样，共获取了1863例非DO症状的样本。

为了减少模型训练过程中的随机误差，采用五折交叉验证对模型的性能进行了评估，评估方式选择受试者工作特征曲线(ROC)的曲线下面积(AUC)，AUC的值越大，说明模型的综合性能越好。图3为五折交叉验证的ROC、AUC、平均AUC及方差。

同时另外选取了48例受试者的数据用于测试模型的诊断性能，其中32例被医生诊断为无DO症状，16例被诊断为DO症状。

针对测试数据中的非DO样本，通过滑窗的方式进行非重叠采样，即采样窗宽度设置为300，步长也设置为300，最终获取了427个非DO事件样本；针对测试数据中的DO样本，由医师手动标注共挑选出118个DO事件样本；

同训练数据的预处理方式，对测试数据进行滑动均值降噪、归一化以及拼接成一维双通道信号；将一维双通道信号输入到训练好的DO诊断模型中，将模型的输出结果分别与真实的标签进行比对，得到如图4所示的混淆矩阵。可以看出，测试结果的灵敏度达到了99.2％，特异性达到了98.5％。

需要说明的是，在实际临床诊断中，医师下诊断书不仅仅依靠检查曲线中提供的信息，还需要综合考虑受试者的病史等信息。例如，某受试者的UDS曲线中表现出有DO症状，但该受试者的日常排尿并未受到影响，这可能与受试者在医院嘈杂的检查环境和不受控的神经活动有关，在该情况下，医师可能不会在诊断书中下DO的诊断结果，以免对受试者造成不必要的心理负担。而本发明仅是根据UDS曲线通过诊断算法给出DO是否客观存在，主要目的是辅助医师快速获取DO是否存在这一客观结果，最终的诊断书仍需要医生根据实际情况进行综合判断。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。