人工肛門括約肌系統便意感知重建

朱 東，姜萍萍，顏國正，王志武，韓 玎 趙 凱，華芳芳，姚盛健，丁紫凡，周澤潤

(上海交通大學 電子信息與電氣工程學院， 上海 200240)

肛門失禁是指人體失去主動控制糞便排泄的能力，是臨床上一種較為常見的可能由直腸癌、傷害、事故或先天性遺傳引起的非致命性病癥.目前針對肛門失禁的手術治療法主要有括約肌修補術[1-2]、括約肌重建術[3]、結腸造口[4]和骶神經刺激[5]等.但由于手術治療過程復雜，手術難度大，并發癥發病率高，且手術后易復發.針對以上缺點，近年來，人工肛門括約肌成為學者們的研究熱點，它的出現為治療肛門失禁提供了一種全新的思路.

排便控制是涉及結腸輸送功能、直腸容量及順應性、肛門直腸感覺功能、肛門括約肌、盆底肌與神經功能等多機制相互作用的復雜生理功能.肛門失禁的病因也存在直腸容量及順應性下降、直腸感覺功能不全、肛門括約肌功能失常及神經支配障礙等多種[6].國內外曾提出的一些人工肛門括約肌系統(AAS)有磁性肛門括約肌增強術(MAS)[7]、水泵式人造腸道括約肌(ABS)[8]以及基于NiTi合金的形狀記憶合金式人工肛門括約肌系統(AS-SMA)[9]等，雖然在臨床實驗取得不錯成果，但是存在著AAS裝置的環形機構擠壓腸道時貼合位置易產生高壓區造成腸道供血不足甚至腸道壞死、缺少便意感知功能，以及由于系統設計缺陷或材料限制導致的排泄物遺漏、控便不完全等諸多弊病[10].德國弗萊堡大學H.Shrag提出的智能人工肛門括約肌系統(GASS)[11]雖然集成有遠程數據傳輸系統，但直腸壓力信號的重建能力以及數據分析預測能力仍不足.

肛門直腸感知能力對于排便控制過程有著重要的意義，人工肛門括約肌系統具有穩定的直腸感知能力重建模塊，對于幫助患者實現自主控便并在體內長期正常工作起到至關重要的作用.本人所在的研究團隊提出的上一代人工肛門括約肌系統假體結構由上下兩個固定環臂、中間1個活動擺臂、微電機控制模塊及5個壓力傳感器組成[12].然而傳感器的分布位置是由體外搭建的理想假體夾持模型中歸納得出，且根據相關醫學文獻設置壓力閾值實現排便控制的閾值法[13-14]，方式單一，準確性差，很難保證假體在體內實際工作中有效地實現排便控制功能.

針對以上問題，本文開發了一種新的人工肛門括約肌系統，將上下環臂改為活動式結構，與活動中臂一起夾住直腸，在擺臂上安裝有10個不同位置的壓力傳感器.同時，在假體主控模塊內部增加了數據無線傳輸模塊，因此可以分析直腸各種不同狀態下壓力數據的實時變化與不同排泄狀態的關系，從而建立更為可靠的直腸感知重建模型，幫助患者得知腸道內容物狀態，對人工肛門括約肌系統進行合適時機的排泄控制.結合硬件上對數據采集的優化以及基于主元分析和支持向量機(PCA-SVM)數據分析方法，對建立便意感知重建系統進行研究.

1 人體便意感知機制分析

醫學研究表明，人體便意的產生是一個由直腸外圍所分布的壓力感受器與神經組織和大腦形成的反饋回路，而大量壓力感受器集中于直腸壺腹下方所在的盆底組織以及恥骨直腸肌內，當直腸壺腹內存積糞便量達到一定值，便引發排便反射[15].因此人體便意信號的形成取決于靠近直腸壺腹下方的大量壓力感受器是否在該段直腸內糞便產生的綜合壓力刺激下形成生物便意信號，排便反射的形成關鍵也在于綜合分析這些不同位置和方向的壓力信號并判斷生物便意信號的產生時機.

2 基于PCA-SVM的便意感知

2.1 便意感知重建模型原理

目前，對于便意感知模型的探索均缺少對腸道不同分布點壓力的綜合分析，從腸道單一位置檢測所得的壓力信號受腹腔內多種因素的影響，此方法判斷便意是否產生可信度低，容錯性差.因此，本文對原機構優化，在假體與腸道的接觸面上選取10個不同位置的壓力檢測點，并進行自動秒級周期采集壓力傳感器數據并無線傳輸存儲至體外設備.大幅度還原直腸表面壓力在體內時間和空間上的分布信息，并針對數據特性選擇合適的算法組合進行便意狀態分類，從而建立起一個效果理想的便意感知重建模型.實驗中對實驗豬植入優化后的新AAS裝置并驗證此便意感知重建模型具有良好的識別效果.

2.2 基于主元分析(PCA)的壓力信號特征提取

主元分析(PCA)是一種將數據降維的方法，旨在找出幾個綜合指標來代表原來眾多特征，使這些綜合指標盡可能地反映原來變量的信息，且彼此之間互不相關，從而簡化指標因量.數據冗余可能會導致數據過擬合，為了降低對預測精度的影響，本文使用PCA算法分析動物實驗中所采集的各壓力指標數據來精簡壓力指標因量.

2.3 基于支持向量機的便意分類預測

支持向量機(SVM)是一種適合處理二分類問題的模型，其原理是尋找一個超平面對樣本進行分割，按照間隔最大化原則進行分割，最終轉化為一個凸二次規劃問題進行求解，近年來在工程領域的廣泛成功應用證明它是一種泛化能力很強的優秀分類工具，且在處理小樣本非線性數據的二分類問題上有著良好的表現.本文采用PCA算法與SVM結合的方法，提出一種便意感知重建模型并以兩頭不同實驗豬體內所采集的數據進行驗證.

非線性SVM算法是通過非線性變換把輸入空間中的非線性分類問題轉化為某個n維特征空間中的線性分類問題，在高維特征空間學習線性支持向量機.其算法如下：

輸入訓練數據集T={(x1,y1),(x2,y2),…,(xN,yN)}，其中xi∈n(n維向量空間)，yi∈{+1,-1},i=1,2,…,N，xi為同時刻不同壓力指標數據組成的第i個多維特征向量，xi組成輸入空間Ω，yi為類標記，yi=1時為有便意類，yi= -1 時為無便意類.

輸出分離超平面和分類決策函數：

(1) 選取適當的核函數K(x,z) 和懲罰參數C,C>0，其中x,z為輸入空間Ω中任意向量，構造并求解凸二次規劃問題:

(1)

j=1,2,…,N

(2)

式中：ai為拉格朗日乘子，且0≤ai≤C.得到最優解：

(3)

(4)

(3) 得到分類決策函數：

(5)

針對本實驗中樣本維度低數量小的特點，本文選用高斯核函數作為分類器核函數：

(6)

此時分類決策函數：

f(x)=

(7)

式中σ為帶寬.為免造成SVM過學習通過交叉驗證并優先選擇懲罰因子C較小的一組作為最優參數構造基于PCA-SVM的便意感知重建模型.

3 直腸原始壓力數據采集

3.1 假體內置傳感器結構設計

如圖1所示，假體擺臂結構設計為3條只可向一側彎曲的機械擺臂封閉組裝而成的鉗式結構，植入后套在直腸上，擺臂只可進行兩種運動方式，其中上下擺臂向直腸外側運動，中間擺臂向另一側運動，到達極限位置時假體完全打開，直腸處于完全松弛狀態.上下擺臂與中間擺臂同時向直腸收縮運動，到達極限位置時假體完全關閉，直腸處于完全夾緊狀態.

該AAS裝置假體擺臂上均內嵌柔性壓力傳感器，其中在上中擺臂軸向和徑向各分布4個，下擺臂徑向分布2個，在靠近肛口的直腸段上10個不同位置分別采集壓力信號，較為均勻地從不同位置重構了腸道壓力模型，不同位置壓力傳感器及其對應編號如圖2所示.其中上臂軸向1、2號兩個傳感器對應壓力指標Pre1和Pre2；上臂徑向3、4號兩個傳感器對應壓力指標Pre3和Pre4；中臂徑向5、6號兩個傳感器對應壓力指標Pre5和Pre6；中臂軸向7、8號兩個傳感器對應壓力指標Pre7和Pre8；下臂徑向9、10號兩個傳感器對應壓力指標Pre9和Pre10.

在體外使用豬大腸模擬新一代人工肛門括約肌系統與直腸的接觸受力情況，假體在體內處于夾持狀態，豬大腸在無內容物和充盈內容物時兩種狀態下假體與腸道的接觸受力情況如圖3所示.新一代AAS系統在靠近假體夾持處的直腸段可采集到不同狀態下10個壓力傳感器反饋的壓力數據，圖3(a)中標明了在該直腸段所監測的10個不同壓力矢量的位置與方向，各壓力矢量數值對應其壓力指標Pre1～Pre10.

3.2 數據采集存儲模塊原理

數據采集存儲原理圖如圖4所示，腸道壓力經傳感器模塊轉化為壓力信號，傳感器模塊由壓力傳感器裸片、硅凝膠以及硅膠膜封裝的柔性壓力傳感器和信號放大電路組成，壓力信號通過假體主控模塊轉換為壓力數據置入緩存區，通過兩種不同方式在體外控制器記錄所采集壓力數據：

(1) 主控程序設置每8.5 s對全部傳感器進行一次毫米級的壓力數據采集， 并將每4次采集后緩存區的壓力數據打包為合并數據包，發送至體外控制器的數據存儲模塊；

(2) 體外控制器發送實時讀取指令，假體主控模塊實時采集當前時刻腸道壓力數據，返回體外控制器并由液晶屏實時顯示.

3.3 植入實驗及數據提取

實驗豬采用巴馬小香豬，實驗開始前每天喂食飼料兩次，一次250 g，查閱資料得知豬正常生理狀況下每天排便約4次，統計每天排便總量約280 g.動物試驗中打斷實驗豬的肛門括約肌使其失去主動排泄能力，但神經組織仍能感受并發送便意信號[16]，新一代AAS裝置植入手術及肛門括約肌打斷手術如圖5所示.

實驗過程中按同標準對實驗豬喂食飼料并進行24 h視頻監控，觀察到實驗豬產生便意后有主動去往生活場地的某固定排泄場所進行排便動作的行為，觀察到的豬正常狀態與產生排便意識狀態如圖6所示.

每天打開一次實驗豬體內的AAS裝置，對照正常狀態的排便量待豬將腸內糞便排空，再關上AAS裝置，使實驗豬腸道處于控便狀態.同時考慮到豬從排空直腸糞便到第一次產生排便意識后，若未及時進行排便則可能會因為腸道排泄物的不斷累積反復產生排便意識，此時壓力信號對于判斷便意是否產生失去了意義，因此通過視頻回放尋找實驗豬每天在腸內糞便排空后第一次去往生活場地的固定角落進行排便動作時刻所對應的壓力信號數據作為有便意標簽向量.由于動物實驗過程中不可避免出現動物的運動及姿態對壓力傳感器的作用影響，無線通信模塊的通信信號強弱以及一些實驗操作中需要間斷性地關閉數據流的采集等因素，測得的壓力數據中包含有明顯的異常值，缺失值等，對該類數據進行去除和標簽調整等數據清洗操作后.并在每天排空直腸到第一次產生排便意識期間隨機選取4組壓力數據作為無便意標簽向量.在20天動物實驗中共選取80組無便意標簽向量和20組有便意標簽向量組成5維有效壓力指標向量.

4 便意感知重建

4.1 基于前饋神經網絡的便意預測

使用基于前饋神經網絡的分類識別算法進行便意感知預測，對每個作為壓力指標信號的傳感器所采集到并在樣本中對應的直腸壓力信號分別獨立進行試驗，對10個壓力參數各選擇90組數據，其中各隨機選擇53組作為訓練數據，37組作為測試樣本，10組作為驗證數據.設置30個神經元數目，對感知重建模型的輸入信號進行分類識別，當首次識別到便意標簽對應的壓力信號值后，認為大于該壓力信號所對應時刻均處于需要排便狀態.各組前饋神經網絡預測的訓練和測試準確率如表1所示.可以看出前饋神經網絡最優指標的預測準確率為83.78%.

表1 基于前饋神經網絡的訓練和測試樣本分類預測準確率

4.2 基于PCA-SVM的便意預測

再使用基于PCA-SVM的便意感知重建模型對前面提取的100組有效壓力指標向量進行分類識別，調用Python sklearn庫中的PCA包處理連續20天動物實驗中所采集的各傳感器對應壓力指標數據，繪制其結果如圖7所示.可以看出，前6個指標貢獻率已經超過85%，因此本文選擇前6個壓力指標來優化原始壓力指標.

選取53組作為訓練樣本，47組為測試樣本，選擇高斯核函數并經交叉驗證[17]選擇最優的懲罰因子C=0.059 5 和核函數寬度σ=0.953 6，將訓練樣本輸入模型后再輸入測試樣本，設置-1為無便意標簽值，1為有便意標簽值，檢測測試樣本中帶有便意標簽的向量，進行便意感知的預測，其測試樣本中實際分類和預測分類如圖8所示.其中預測分類集與實際分類集未重合的樣本處沒有對便意做出準確預測，測得準確預測樣本數為44組，可得基于PCA-SVM的便意感知重建模型預測準確率為93.62%.

4.3 便意預測結果對比

前饋神經網絡算法預測準確率最高為1號壓力指標的83.78%，最低為10號壓力指標的62.16%.與基于PCA-SVM的便意感知重建模型預測結果對比如表2所示.

表2 基于前饋神經網絡的訓練和測試樣本分類預測準確率

結合表1，2可以看出，基于主元分析法所選出的優化指標通過PCA-SVM算法和前饋神經網絡算法預測的準確率均大于75%，證明選出的優化指標可以代表直腸壓力信號的主要特征.對比表2中基于PCA-SVM和前饋神經網絡的便意感知模型的便意預測率可以看出，前者的準確率為93.62%，明顯高于準確率為83.78%～62.16%的后者，可明顯提高對便意預測的準確度.可見，基于PCA-SVM建立的直腸便意感知重建模型是一種更優秀的分類預測方法.實驗結果表明，基于PCA-SVM的便意感知重建方法可提高人工肛門括約肌系統對排便時機的感知精確度，彌補了以往系統僅依靠閾值預測法所帶來的單一、容錯性差等缺陷.

5 結語

為了滿足人工肛門括約肌系統在為肛門失禁患者臨床治療過程掌握精確排便時機的需求，分析現有重建患者直腸感知功能方法的弊端，通過在假體擺臂上設置不同位置的多壓力傳感器以獲得更為全面的直腸表面壓力原始信號，設計數據采集存儲模塊并加入體外控制電路以獲取在時間序列上直腸表面壓力指標向量.通過PCA算法優化指標選擇，經調參后的SVM算法進行便意分類預測，對比基于前饋神經網絡的分類預測方法，基于PCA-SVM的便意感知重建模型有更為精確的便意預測效果，可在下一步的研究中為新一代人工肛門括約肌設計更為完善易操作的便意感知重建模塊提供依據.