技术领域
[0001] 本
发明属于医疗分类器，具体涉及一种基于MPSF提取的AVA狭窄定位及狭窄程度多级分类系统。
背景技术
[0002] 血液
透析是患有慢性肾功能衰竭患者的肾脏替代最常用
治疗方法。为了实现血液的引流，通常会在患者前臂利用手术制造一条血管通路(VA)，一般来说，这样的VA是通过将手臂中的动脉和静脉连接在一起来实现，这种血管通路被称为自体瘘(AVF)。但对部分患者来说，他们的身体情况不适宜AVF的搭建，需要植入
人工血管连接动静脉，这样的通路被称为人工瘘(AVG)。
[0003] 医院投入使用的动静脉血管通路(AVA)狭窄检测方法通常为物理检查结合彩色多普勒超声检查(Duplex ultrasound)。然而，虽然这些方法有着高的正确率，但基于检测设备操作者(医生和护士)的高
水平技能和经验。为了能使病人无需舟车劳顿，同时为医护提供诊疗辅助，各类无创性检测方法被陆续进行研究，其中基于声学
信号处理的方法因其低廉的成本与较优的效果最有实用化的潜
力。
[0004] 在声学AVA狭窄判别中，主要分为谱分析与基于特征提取的
机器学习两类，谱分析的结果仍然需要人为进行判断，所以机器学习方法逐渐成为主流。前期众多针对AVG狭窄程度的二分类研究在分析AVG狭窄段下游信号后指出，狭窄AVG的声学信号存在高频特征，但各方法指出的具体特征频段处于300Hz到600Hz、400Hz以上、700Hz到800Hz不一。
[0005] 以上这些声学AVA狭窄判别方法存在以下众多问题：(1)特征频段判断的不一致反应出各研究并未寻找到
功率谱与AVA狭窄程度(Degree Of Stenosis，DOS)的真实关系，存在严重的过拟合现象，泛化性低；(2)采集
位置单一并以狭窄存在的先验为前提，不具位敏性，在未知狭窄存在与否的真实案例上不具可用性；(3)二分类方法不能反应AVG狭窄的严重程度。
[0006]
申请公布号为CN109872321A的
专利申请公开了一种血管狭窄检测方法，包括以下步骤：获得针对待测血管的计算机
断层扫描
血管造影CTA影像；对CTA影像进行多个设定
角度的拉直成像，获得多个设定角度的拉直图像；对所述拉直图像逐一进行宽度测量，输出与所述设定角度的拉直图像相对应的宽度曲线；对宽度曲线逐一进行斑
块定位筛选，根据斑块定位筛选的结果确定待测血管的狭窄区域。该方法仅能实现对狭窄区域的定位，不能实现确定狭窄的严重程度。
发明内容
[0007] 本发明的目的是提供一种基于MPSF提取的AVA狭窄定位及狭窄程度多级分类系统。该系统能够提高对AVA狭窄区域的定位以及狭窄程度的分类的准确性。
[0008] 为实现上述发明目的，本发明提供以下技术方案：
[0009] 一种基于MPSF提取的AVA狭窄定位及DOS多级分类系统，包括声学信号采集器和处理器，其中：
[0010] 所述声学信号采集器采集测试者AVA相对上下游位置的声学信号，并将所述声学
信号传输至所述处理器；
[0011] 所述处理器接收测试者AVA相对上下游位置的声学信号后，执行以下步骤：
[0012] 按照心率周期对接收的所述声学信号进行分割，获得声学子信号；
[0013] 对声学子信号进行奇异谱分析和welch功率谱估计，根据welch功率谱估计结果中功率分布特征，初步判断AVA狭窄位置，从据welch功率谱估计结果中提取AVA狭窄位置对应的高频部分的
频率谱
能量，将来自于同一AVA相对上下游位置的声学信号的频率谱能量组成一组MPSF；
[0014] 将每组MPSF输入至基于长短期记忆网络构建的AVA狭窄定位及狭窄程度多级分类模型中，经计算输出测试者AVA狭窄位置以及狭窄程度的分类结果。
[0015] 与
现有技术相比，本发明具有的有益效果为：
[0016] 本发明通过采集测试者AVA相对上下游位置的声学信号，形成MPSF(Multi-position sequence feature，多位置序列特征)，该MPSF包含了试训信息的空间组特征，依据该MPSF提升了AVA狭窄定位与狭窄程度的分类精确度。
附图说明
[0017] 为了更清楚地说明本发明
实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
[0018] 图1是本发明提供的基于MPSF提取的AVA狭窄定位及狭窄程度多级分类系统的结构示意图；
[0019] 图2是利用AVA狭窄定位及狭窄程度多级分类系统进行AVA狭窄定位和狭窄程度多级分类的
流程图；
[0020] 图3是对声学信号进行周期分割的流程图；
[0021] 图4是对声学信号进行周期分割的结果图，其中，(a)为原始声学信号(Original Signal)，(b)为A-weighted滤波信号(A-weighted Signal)，(c)为绝对值信号(Absolute Value)，(d)为Gaussion平滑曲线Q(Gaussion Smoothing)，(e)各个局部零点C(Periodic Point)；
[0022] 图5是对声学子信号进行特征提取，形成MPSF的流程图；
[0023] 图6是声学信号采集位置示意图，其中，(a)为AVG采集位置示意图，(b)为AVF采集位置示意图，(c)为仿真物理模型中AVG采集位置示意图；
[0024] 图7是AVA狭窄定位及狭窄程度多级分类模型训练及评估过程示意图；
[0025] 图8是AVG物理仿真模型的结构示意图；
[0026] 图9是不同狭窄程度的MPSF，其中，(a)为无狭窄AVG MPSF，(b)为DOS为50％的MPSF，(c)为DOS为75％的MPSF，(d)为DOS为95％的MPS。
具体实施方式
[0027] 为使本发明的目的、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的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
[0028] 如图1～7所示，本实施例提供的基于MPSF提取的AVA狭窄定位及狭窄程度多级分类系统包括声学信号采集器和处理器，其中，声学信号采集器主要用于采集测试者AVA相对上下游位置的声学信号，并进行声学信号的传输，将声学信号传输至处理器。处理器主要用于对接收的声学信号进行周期分割，特征提取以及AVA狭窄定位及狭窄程度分类。该AVA狭窄定位及狭窄程度多级分类系统不作为应用医疗
疾病诊断使用，具体可以作为医院内针对AVA的研究培训时作为讲解的辅助工具。
[0029] 本发明中，所述声学信号采集器包括
听诊器或声学信号
传感器组，即采用听诊器或声学信号传感器组采集测试者AVA相对上下游位置的声学信号。
[0030] AVA相对上下游位置是一个相对的概念，按照血流的方向，血液先流经上游位置，再流经下游位置。
[0031] 当声学信号采集器采集到声学信号后，即将声学信号输出至处理器进行处理。本实施例中处理器可以为嵌入式处理器，在接收到测试者AVA相对上下游位置的声学信号后，执行以下步骤：
[0032] 步骤1，按照心率周期对接收的所述声学信号进行分割，获得声学子信号。
[0033] 原始声学信号被截取为各个周期段Cycle进行分析，有助于研究信号共性特点、过滤噪声数据与数据集扩展。与传统周期提取
算法不同的是，本发明所提出的周期方法引入了A-weighted加权滤波。A-weighted是一种用于音频测量的标准权重曲线，原始信号难以辨识的周期性会在采用这一方法后清晰显示出来。传统的直接取包络不能反映出有效的周期信息，实际上，原始信号在肉眼
感知内是难以区分出周期的，经过A-wieghted加权滤波后，信号的周期特性就十分明显了。
[0034] 具体地，如图3所示，按照心率周期对接收的所述声学信号进行分割，获得声学子信号包括：
[0035] 采用A-weighted
滤波器对所述声学信号原进行加权滤波；
[0036] 对加权滤波后的声学信号取绝对值后，采用高斯窗宽为2500～3500的Gaussion平滑，消除噪声对局部极大值的影响，并将声学信号转变为可导的Gaussion平滑曲线Q；
[0037] 对所述Gaussion平滑曲线Q求导，获得离散的导数曲线，再对所述导数曲线进行高斯窗宽为2000～3000的Gaussion平滑，获得所述平滑曲线Q的平滑导数分布ds；
[0038] 寻找平滑导数分布ds上的零点C使得零点C左邻域大于0、右邻域小于0，认为获取的每一个零点C对应一个周期的最大值，相邻两个零点C之间的时间长度为周期长度；
[0039] 将所有周期长度的平均值作为原始信号周期
片段Cycle的长度，从第一个局部零点C前0.2～0.4秒开始依次截取Cycle，以保证每个截取结果内都能包含有一次完整搏动中声音的全部信息，以此实现对声学信号的分割，获得声学子信号。
[0040] 主要注意的是，第一次Gaussion平滑的高斯窗宽要大于第二次Gaussion平滑的高斯窗宽。
[0041] 图4给出了对声学信号进行周期分割的结果图，其中，(a)为原始声学信号(Original Signal)，(b)为A-weighted滤波信号(A-weighted Signal)，(c)为绝对值信号(Absolute Value)，(d)为Gaussion平滑曲线Q(Gaussion Smoothing)，(e)各个局部零点C(Periodic Point)。
[0042] 步骤2，对声学子信号进行奇异谱分析和welch功率谱估计，根据welch功率谱估计结果中功率分布特征，初步判断AVA狭窄位置，从据welch功率谱估计结果中提取AVA狭窄位置对应的高频部分的频率谱能量，将来自于同一AVA相对上下游位置的声学信号的频率谱能量组成一组MPSF。
[0043] 奇异谱分析(SSA)是近年来兴起的一种研究非线性时间序列数据的强大的方法。它根据所观测到的时间序列构造出轨迹矩阵，并对轨迹矩阵进行分解、重构，提取出代表原时间序列不同成分的信号，对时间序列的结构进行分析，并可进一步预测。SSA特征展示出了更高的可辨识性，为模型可解释性提供了
基础；更具鲁棒性，减少人工筛选特征的需要。
[0044] AVA声学信号是非定常的，但其在极小时间段内可以被认为是是定常的，在此基础上对短的定常信号求PSD，能谱窗函数的作用就是将原始的信号分割成一段可以计算PSD和能谱的短信号，并且保证了周期结构的连续性、避免了能量
泄漏。Welch算法是一种修正周期图功率谱
密度估计方法，它通过选取的窗口对数据进行
加窗处理，先分段求功率谱之后再进行平均。
[0045] 具体地，如图5所示，所述对声学子信号进行奇异谱分析和welch功率谱估计，获得高频部分的频率谱能量包括：
[0046] 针对单个声学子信号，采用窗口长度L＝20的SSA分解，此时窗长n＝10的信号为声学子信号的主成分，即200Hz低频成分能量集中区域；然后，对将SSA分解结果的窗长为10～20的信号进行SSA重构，即获得仅剩余高频特征的信号S；
[0047] 使用welch函数获取S信号的窗宽为80～120的估计功率谱PSD，该估计功率谱PSD即为高频部分的频率谱能量。
[0048] 一般情况下，估计功率谱PSD是以多维向量进行表示的，本实施例中以自于同一流量、同一狭窄程度的AVA的一组信号组的Cycle的功率谱组合为一个多维的矩阵，并将之命名为MPSF。每例AVA样本可获取上下游两个MPSF，来自于上游信号组的MPSF我们定义为u-MPSF，来自于下游信号组的MPSF被称为d-MPSF。
[0049] 本发明设计MPSF以包含多个输入位置所提取的信号特征，具体地，以基础的2位置MPSF结果为例，引入的2位置MPSF是一项同时包含了狭窄前与重附点能量特性的特征。可能存在的问题是，前端输入与后端输入并不是同步采集的。对于AVG模拟系统，在时间维度采集结果恒定；对于AVG病人，与长至数月的AVG自然变化相比，数分钟的前后端采集间隔是可以忽略不计的。所以，前后端采集的不同步不会对MPSF产生影响。本实施例中，MPSF是一个2*129的矩阵，而其来源A、B位置，在AVG上是上游与下游的关系，所以MPSF是一组包含着时序信息的空间组特征。
[0050] 本发明中，可以采集多组上下游位置的声学信号组成的声学信号数据，对于每组声学信号进行周期分割，奇异谱分析和welch功率谱估计，会发现每组声学信号的高频分布不同，与模拟获得的MPSF特征分布相似，初步判断该组声学信号对应的上下游采集位置之间存在AVA狭窄区域。
[0051] 现代血管音图研究指出，在狭窄部位上游，若
流体的
雷诺数小于1，则该流体在狭窄部位出口处沿着管壁是均匀的。因此，压力梯度比较小，然而，当雷诺数大于10时，流体会出现分层，喷射流束使得处于它和周围流体之间的剪切层出现不稳定的现象。当流量增加时，这里会形成漩涡，并且向下游扩散，喷射流沿着狭窄部位的下游逐渐发散，在一定的位置，它和管壁相交，交点称为重附点。
[0052] 在狭窄位置，由于剪切作用使喷射流束和周围流体之间形成漩涡，并向下游扩散，漩涡会引起管壁的压力振动，压力振动在重附点达到最大，(重附点离喷出口有七倍喷出口孔径的距离)，因为在重附点这个特殊位置检测到的压力信号与狭窄部位特殊的流场之间有很强的关系，所以生理声学信号的测量应尽量靠近重附点。由此，狭窄部位的上游与下游重附点附近在声学信号在能量上会反应出明显差异。为了提升数据的全面性以提升狭窄定位和狭窄程度分类的准确性，在确定狭窄位置后，在AVA上下游距离重附点的5～10cm处采集声学信号，上游采集的声学信号与下游采集的声学信号形成一组声学信号数据。然后，对该组学信号数据进行周期分割、奇异谱分析和welch功率谱估计，获得的MPSF。
[0053] 步骤3，将每组MPSF输入至基于长短期记忆网络构建的AVA狭窄定位及狭窄程度多级分类模型中，经计算输出测试者AVA狭窄位置以及狭窄程度的分类结果。
[0054] 由于MPSF是具有时序信息的特征，因此，本发明中以时序建模方法来对其进行处理。
[0055] 具体地，所述AVA狭窄定位及狭窄程度多级分类模型的构建过程包括：
[0056] 构建训练样本，采用同一标准采集非狭窄病例、轻微狭窄病例、严重狭窄病例以及血管物理仿真模型的AVA相对上下游位置的声学信号，每个AVA相对上下游位置的声学信号形成一组声学信号数据，对声学信号数据进行周期分割、奇异谱分析和welch功率谱估计，形成一组MPSF，即为一个训练样本；
[0057] 构建网络模型，以长短期记忆网络与Softmax层构成AVA狭窄定位及狭窄程度多级分类网络模型；
[0058] 利用训练样本训练所述AVA狭窄定位及狭窄程度多级分类网络模型，获得AVA狭窄定位及狭窄程度多级分类模型。
[0059] 以往研究过拟合现象严重的成因之一来源于数据量的稀缺，为了弥补这一问题，本方法建立了一个AVG物理仿真模型，通过调整流量、血压、DOS的方式创造大量样本。
[0060] 前人研究使用狭窄下游5cm到10cm作为单一测量点，这对于狭窄存在与否未知、位置未知的样本是没有实用性的。在本发明的采集方案中，对于AVF、AVG及AVG仿真模型，各选取了多个相对位置固定的采集位置，以提升本系统的位敏特性。具体位置如表1所示，并在图6中展示了对应图示。其中，(a)为AVG采集位置，(b)为AVF采集位置，(c)为仿真物理模型中AVG采集位置，各采集位置采集时间为8秒，
采样频率为4000Hz。
[0061] 表1采集位置
[0062]
[0063] 对于AVG采集位置采集的狭窄样本，本实施例选用了A狭窄段上游7cm处与B下游7cm处(重附点附近)作为信号采集位置，A位置所得到的数据被定义为前端输入，B位置所获得的被定义为后端输入。对于物理仿真模型产生的无狭窄样本，选择与狭窄环境所选择的同位置进行采集。对于无狭窄样本，则将前端输入与后端输入选择在AVG中点下游15cm的上游7cm处与下游7cm处。
[0064] 如图8所示，本实施例中的AVG物理仿真模型结构如下：调速
电机与50ml
注射器组成脉动流产生装置(HydraulicCylinder)，模拟患者桡动脉中的脉动流；单向
阀(CheckValve A&B)组织水
泵抽水产生回流；模拟AVG(Stenosis Pipeline)材质为
硅胶，内径为0.6mm；循环系统的外围阻力为一个
球阀(Ball Vavle)，球阀后连接水槽；血管通路出入口压力由压力变送器(北京星仪CYZ11)测量；模拟血液为水-甘油(体积比38％-62％)混合溶液。
[0065] DOS为阻塞段狭窄面积占正常面积的百分比，是狭窄分类的指标，超越50％而不足80％DOS的AVG被认为存在狭窄，超越80％DOS的AVG被认为是严重狭窄。研究接近而不达到
50％DOS的AVG的声学特征会在临床应用中给狭窄的预测与
预防提供帮助，但在本发明中，更加关注判别已存在狭窄。因此，在物理仿真模型中制作了50％、75％、85％、95％四种模拟狭窄段。
[0066] 在获得每个AVA相对上下游位置的声学信号后，按照步骤1和步骤2中的步骤对声学信号进行周分割、奇异谱分析和welch功率谱估计，形成一组MPSF，该MPSF对应的狭窄程度DOS坐标样本标签，形成训练样本。
[0067] 在获得训练样本后，利用训练样本训练AVA狭窄定位及狭窄程度多级分类网络模型，以获得AVA狭窄定位及狭窄程度多级分类模型。
[0068] 在本次研究中，通过SSA+welch方法提取MPSF，可以在功率谱上观测到明显的前端、后端组内功率变化与不同狭窄类型的组间差异。将流量为420ml/min情况下的1种正常AVG与4种狭窄AVG所计算得到的MPSF给出以作参考。
[0069] 从物理模型上所测得的无狭窄AVG MPSF如图9(a)所示。A、B位置测得信号的估计能量谱服从相同的分布，并在400Hz左右不超过-90db、800Hz左右不超过-50db。
[0070] DOS为50％的AVG，MPSF依然没有明显的区分度。于是我们在这种狭窄类型的能量谱图中加入了来自无狭窄AVG的分布曲线，可以看出300Hz至500Hz附近50％狭窄的数据存在明显的谱峰。
[0071] DOS为75％的MPSF展示在图9(b)中。可以看到，与50％的狭窄相比，300Hz至500Hz的谱值进一步上升，同时800Hz附近的能量也有所提高。在400Hz、600Hz、800Hz附近，前端输入、后端输入的功率谱开始出现分层现象。
[0072] DOS为75％的MPSF展示在图9(c)中。当DOS到达85％，高频成分的功率开始大幅攀升，前端输入、后端输入在300Hz至500Hz的能量远超过同一流量下的非狭窄值，前端输入、后端输入功率谱的分层开始变得尤为明显，其之间的最大差值出现在800Hz附近与1000Hz以上部分。
[0073] DOS为95％的MPSF展示在图9(d)中。DOS为95％时，功率谱的分布与85％的情况十分相似，但幅值进一步上升。
[0074] 在同一流量下，不同的DOS会大幅影响后端输入的
频谱功率，平均幅值会随着DOS的增加而增加。在DOS为75％以下时，能量谱峰在400Hz附近；随着DOS的上升，600Hz与800Hz也会产生特征峰。对于365ml/min与270ml/min的模型数据，在平均能量上，这两种情况结果较低，但在DOS变化导致的能量变化趋势上，得到了与420ml/min相同的结论。此为模拟获得的MPSF特征分布。
[0075] 本实施例中，LSTM网络使用了50个
隐藏层，timestep设置为2而Batchsize设为30，tchsize设为30，loss function使用了mae。
[0076] 选取了55例仿真AVG样本、5例AVF样本与14例AVG样本，具体狭窄程度如表2所示。
[0077] 表2 AVA样本
[0078]
[0079]
[0080] 对于每例样本，使用
电子听诊器对各采集位置进行采集，其采集时间为8秒，
采样频率为4000Hz。利用周期分割算法对每例样本的上下游原始声学信号进行分割，420ml/min数据的每次采集可提供8个Cycle，365ml/min样本为10个，而270ml/min样本为12个。清除了一小部分听诊器使用不规范产生的明显噪声Cycle。计算AVG仿真模型的u-MPSF，真实AVA的u-MPSF与d-MPSF。最终获得了14180例有效仿真AVG的u-MPSF。为了防止过度训练，我们在仿真模型数据集中加入了微小的白噪声。真实AVA则提供了2120例u-MPSF与d-MPSF。使用LSTM网络进行训练。
[0081] 第一次训练Tr1，将仿真数据集随机划分为11100份样本的训练集和3080份样本的验证集，正确率达到了98.5％。第二次训练Tr2，将仿真数据集随机划分为7125份样本的训练集和7055份样本的验证集，正确率为99.2％。真实MPSF数据集由u-MPSF与d-MPSF构成，作为测试集以验证两次训练所得模型是否能定位狭窄存在的范围、是否能正确识别狭窄段DOS。
[0082] 为了进一步评估模型的性能，将真实数据集的轻微狭窄与严重狭窄合并为狭窄标签，计算模型对于实际数据中DOS的查全率。同时，采用Burg_Ar方法、Wavlet方法、使用下游SSA估计功率谱代替MPSF进行训练，以比较以往研究所使用的方法与本方法的性能差异，结果如表3所示。
[0083] 表3训练结果
[0084]
[0085] 本方法结果的高查全率表明，如果AVA检测段内存在狭窄，其能准确发现，表现了本方法的位敏性质。
[0086] 对比结果显示，Burg_Ar方法的鲁棒性较差，从同一份原始声学信号切割得到的cycle信号在频谱分布上会产生差异较大的分布方式，前处理阶段必须对周期信号进行人工筛选，这极大增加了工作量、降低了泛化性。
[0087] 使用Wavlet分解声学信号，计算小波重构前两级能量作为特征row_1与row_2，使用SVM网络进行训练。在多次训练后，训练集上loss也未收敛到一定值。我们将全部的row_1与row_2统计后发现，来源于狭窄与非狭窄的row存在大量数值重叠，这证明直接使用小波来AVA狭窄是难以成功的。
[0088] 使用单一输入下游SSA估计功率谱训练，在训练集上产生了过拟合现象，导致在测试集上效果不佳，这验证了放弃考虑输入的空间特性，对于某一频段奇异值的分析不仅缺乏位敏性，且不能直接作为判断狭窄的依据。
[0089] 总的来说，本发明提出的系统可以准确定位AVA中狭窄段位置，同时将狭窄程度分类结果由二分类向多分类扩展。
[0090] 在以上基础上，为了提升狭窄定位的准确度和狭窄程度分类的准确度，在对所述声学信号进行周期分割前，还包括对声学信号进行去噪处理。
[0091] 此外，本发明提供的AVA狭窄定位及狭窄程度多级分类系统还包括：
[0092]
云端
数据库，其用于存储处理分类结果测试者AVA狭窄位置以及狭窄程度的分类结果；
[0093] 移动终端，其接收并显示测试者AVA狭窄位置以及狭窄程度的分类结果。
[0094] 云端数据库与移动终端(可以为手机端)的增加，为测试者提供了
可视化条件，实现对定位和分类结果的可视化。
[0095] 以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何
修改、补充和等同替换等，均应包含在本发明的保护范围之内。
