单通道尿动力学信号处理与分类算法解析

### 单通道尿动力学信号处理与分类算法解析 在尿动力学研究领域，单通道尿动力学（UDS）检测因具有降低成本、提高患者舒适度等潜在优势，正逐渐成为研究热点。本文将深入探讨单通道 UDS 的相关技术，包括其涉及的主要事件、信号处理方法、过往研究成果以及最新的算法框架。 #### 尿动力学主要事件 在 UDS 检测中，有几种关键事件值得关注： 1. **腹部事件（ABD）**：由腹部肌肉或肠道产生，在测量膀胱内压（PVES）时会叠加在逼尿肌压力上。可细分为咳嗽和瓦尔萨尔瓦动作（Valsalva）。咳嗽（或大笑）引起的压力在 PVES 和腹内压（PABD）中表现为高频尖峰；瓦尔萨尔瓦动作是一种有意识的、长时间的下腹部收缩动作，部分人会用其辅助排尿。 2. **逼尿肌过度活动（DO）**：在膀胱充盈期出现的不自主逼尿肌收缩，通常表现为 PVES 上升和下降，而腹压无相应升高。DO 可能导致漏尿（尿失禁），表现为短时间的缓慢非零流速。 3. **排尿收缩（VOID）**：在排尿期出现的膀胱收缩，标志着患者排空膀胱，表现为膀胱内压上升和下降，同时伴有快速流速。 #### 单通道 UDS 的优势与处理方法 相较于传统的双导管 UDS，单通道 UDS 具有显著优势。它使用的导管数量减半，降低了一次性成本；去除直肠导管提高了患者舒适度，减少了因导管放置不当或位置移动导致的 PABD 伪影。此外，无线膀胱压力传感器的研究表明，动态 PVES 记录可能很快实现，但需要信号处理来提取 PABD 信号，以准确测量逼尿肌压力（PDET）。 为了处理单通道 UDS 数据，本文介绍了两种新的信号处理方法： 1. **自适应单通道 UDS 算法**：通过基于特征阈值的检测方法，准确提取 PABD 信号。 2. **分类器**：用于检测常见的腹部和膀胱压力事件，可实现膀胱事件的实时检测，用于自动注释、数据压缩或提高 PDET 测量的准确性。 #### 过往膀胱压力信号处理研究 在膀胱压力信号处理领域，过往有多项研究成果： 1. **上下文感知阈值法（CAT）**：Karam 等人开发的 CAT 算法是首个用于单通道膀胱压力记录的自动泌尿事件检测方法。该算法使用基于小波的自适应阈值方案实时检测膀胱收缩。具体步骤如下： - 预处理：使用具有可调截止频率的低通指数移动平均滤波器（EMA）对输入的 PVES 信号进行预处理，去除咳嗽和大笑引起的高频腹压。 - 离散小波变换（DWT）：对滤波后的信号进行五级 DWT，得到近似系数和细节系数。 - 自适应阈值检测：根据存储的系数值计算新的近似系数阈值，若最新计算的近似系数超过该阈值，则检测到膀胱收缩。同时，对细节系数应用类似的自适应阈值方案，实时检测腹部/运动伪影。 - 测试结果：在预记录的 UDS 数据上测试，该算法在检测膀胱排尿收缩方面的准确率达到 97%，且适用于低功耗硬件实现。然而，它只能识别收缩和伪影，无法区分排尿收缩和非排尿收缩（DO），也不能区分运动伪影和腹部事件。 2. **流形学习用于 DO 检测**：Wang 等人提出的模式识别算法是首个应用机器学习进行 UDS 数据泌尿事件检测的方法。该算法使用流形学习自动检测 DO 事件，核心机制是将测试的 PDET 段与 DO 库进行比较。具体操作如下： - 数据预处理：使用六阶高通巴特沃斯滤波器和中值滤波器对近 800 条注释的 UDS 轨迹进行预处理，减少噪声并“平滑”PDET 信号。 - 窗口划分：将每条轨迹根据 DO 标签划分为 6 秒的段，以注释的 DO 事件峰值为中心。 - 流形建模：将每个段存储为单独的向量，通过波形状流形模型对这些向量进行参数化，映射到高维非线性表面，得到一组多元参数来定义每个波形状。 - K - 均值聚类：对参数化的 DO 波形状进行 K - 均值聚类（k = 5），确定五个基本的 DO 模式，即 DO 库。 - 相似度比较：使用动态时间规整方法将输入的 6 秒 PDET 段与 DO 库中的每个基本模式进行比较，得到相似度分数。