研究人体胃肠道(Gastrointestinal tract,GIT)是人类不断认识自身的需要,同时也有助于人们改善自己的生活方式。随着生活和工作压力的不断增大,饮食结构的多样化,使得胃肠道疾病的发病率在世界范围内逐渐上升,且其中30~40%被诊断为胃肠道动力障碍(Gastrointestinal motility disorder,GIMD)类疾病。该病症尽管不致命,但却给患者的生活带来不便和痛苦。传统的插管式方法能够检测胃肠道的压力与pH,但这些方法会给患者带来不适,且无法实现对小肠段的检测。随着科学技术的进步和患者对生活质量要求的提高,针对GIMD类疾病,结合微型传感器与射频通信技术,研究胃肠道多元医学信号检测和医学数据分析已经成为医工结合的重要内容之一。本文在国家自然科学基金项目(No.31170968)和上海市科学技术委员会科研计划项目(No.14441902800,No.15441903100)的资助下,对胃肠道多元医学信号检测及其特征提取方法进行了研究与实现,采用硬件设计、人体试验与算法理论相结合的研究思路,完成了胃肠道多元医学信号检测系统研制和医学信号分析,并结合检测系统的临床试验结果,验证了该系统的功能与可行性,并对胃肠道多元医学信号的特征提取方法进行了深入研究。总结起来,本文的工作具体包括以下几个方面:1.基于本文的研究目的和技术方法,结合硬件模块单元设计和软件控制程序设计实现了多元医学信号检测系统的研制。该检测系统主要是由低功耗无线胶囊、体外数据记录仪、体外无线胶囊定位装置以及数据处理工作站组成。低功耗无线胶囊的硬件模块包括:传感器模块(pH、压力及温度传感器)、低功耗专用集成电路(Application specific integrated circuit,ASIC)芯片、射频(Radio frequency,RF)通信模块与螺旋天线、电池组及外壳等模块;无线胶囊的程序设计包括传感器信号读取、零点调整、可编程增益放大(Programmable gain amplifier,PGA)、A/D转换(A/D conversion,ADC)以及射频数据的双向通信控制。无线胶囊能够完成对胃肠道多元医学信号的采集与数据的无线发送,是系统的核心部分。体外数据记录仪主要由单片机(Micro controller unit,MCU)、RF通信模块与天线、多媒体存储卡(Multi media card,MMC)及电池模块构成,用于数据的无线接收与存储。体外无线胶囊定位装置针对结肠内无线胶囊的定位问题,提出一种基于多点磁场强度检测的分析方法,并验证了该定位方法的可行性。数据处理工作站用于深入分析人体实验获取的检测数据,完成数据读取、预处理、特征选择、特征评估及分类器设计等处理,并得到相应结论或分析结果。数据处理工作站能够直观表现出数据的典型特征,是医学信号分析的基础平台。2.胃肠道作为一个有机的整体,其多元医学信号(温度、pH及压力信息)的宏观统计特征能够反映出人体胃肠道动力的整体状况。基于多元医学信号检测系统临床试验采集得到的多例数据,采用统计特征提取与聚类分析的方法,对获得的胃肠道医学信号进行了研究。针对获取的多元医学信息,先进行预处理,包括时间域和频率域的处理,能够限制奇异值数据的影响,补充丢失数据,且滤除高频成分。然后,提取了多例医学信号的统计特征,结合类间离差矩阵与类内离差矩阵对多个特征进行定量评估,选取出最优特征,并对多例试验样本的胃肠运动功能进行了加权模糊C均值(Weighting fuzzy c-means,WFCM)聚类分析。基于20组人体胃肠道pH、压力与温度数据,提取了76个原始特征,包括:温度值、pH值与压力值的区间分布特征各20个,温度值、pH值与压力值的平均值、标准差、方差、最大值及最小值,整个胃肠道排空时间。采用本文提出的特征评估方法,得到13个最优特征。结合WFCM聚类算法,将所有样本分为3类,能够有效的识别人体胃肠动力不足患者,识别率达到83.3%。3.胃动力异常是常见的疾病,临床表现包括胃轻瘫、非溃疡性的胃消化不良等。胃动力主要表现为胃内部的压力变化与收缩活动,其变化是复杂的、非线性的。而深入分析人体胃部的运动功能,是实现对临床相关疾病的诊断及治疗的基础。由于多元医学信号检测系统获取的胃内压力变化数据是由多种因素共同引起的,具体包括:胃部收缩运动、相关肌肉运动、呼吸运动、噪声等。结合相空间重构(Phase space reconstruction,PSR)和快速独立分量分析(Fast independent component analysis,FastICA)等联合算法,解决了压力信号的分离问题,将胃收缩蠕动产生的压力变化单独分离出来。再结合短时傅里叶变换,计算出分离信号的峰值频率,并对多例受试者的胃动力进行分析与评价,为临床胃动力的诊断提供支持。在24例人体试验中,存在胃动正常、胃动过缓以及胃动过速的比例分别为75.0%、20.8%以及4.2%。在消化期,消化期运动(Digestive motor complex,DMC)的中心频率约为3 cpm,同时最低频率和最高频率分别可达2 cpm和4 cpm,并存有6 cpm的谐波。在消化间期,消化间期运动(Interdigestive motor complex,IDMC)可分为3期:(I)平稳期,在此期间频率稳定,保持在3 cpm左右;(II)出现若干不连续的、不规律的收缩,频率变得不稳定,且中心频率开始下降,时间持续约32分钟;(III)出现一系列的强收缩,频率谱变得更加混乱,持续时间约18分钟。同时,针对胃内压力进行了经验模式分解(Empirical mode decomposition,EMD)时频分析。在经过EMD分解之后,结合希尔伯特变换对各分离信号进行谱分析,对胃动力的Hilbert谱进行了讨论,得出本征模函数(Intrinsic mode functions,IMFs)中的IMF2~IMF4可以表征胃部动力的主要特征,有助于加深对胃运动特性的理解。4.结肠动力异常是常见的临床症状,但目前对其的理解依然十分有限。结肠压力的个体差异较大,运动形式相对复杂,且表现为时变的非平稳信号。通过多种线性以及非线性方法提取出结肠压力信号的时域、频域、混沌分形、波峰数量、动力指数、曲线下面积等特征,结合Relief算法和基于支持向量机(Support vector machine,SVM)的递归特征消除法(SVM-based recursive feature elimination,SVM-RFE)进行特征评估与选择,并利用遗传算法(Genetic algorithm,GA)或粒子群算法(Particle swarm optimizer,PSO)优化的SVM模型,实现对所有慢传输型便秘(Slow transit constipation,STC)患者和健康受试者样本的分类与验证。分析结果表明,采用Relief和SVM-RFE的特征选择联合算法,能够得到用于结肠压力分类研究的最优特征。为区别STC患者和健康受试者,得到的6个最优特征包括:概率分布(F22,F27),小波分解细节信号d4的峰值频率对应幅值(F37),每小时波峰数量(F40),曲线下面积(F42),以及GI传输时间(F43)。尽管GA-SVM与PSO-SVM都能对结肠压力信号进行有效分类,但测试表明,GA-SVM算法的分类效果较PSO-SVM更优,分类精度(交叉验证后)达到88.0%。此外,结合EMD分解技术和不同的熵测量方法对结肠压力信号的复杂度进行度量,时间熵(Time entropy,TE)、功率谱熵(Power spectral entropy,PSE)与近似熵(Approximate entropy,AE)能够用于定量分析结肠动力的复杂度。临床试验结果表明,STC患者的TE、PSE和AE的平均值均显著低于健康受试者,与健康受试者相比,STC患者TE的标准差显著偏高。本文对胃肠道多元医学信号检测系统、医学信号的特征提取和临床试验样本分类进行了深入的研究,为人体胃肠道运动功能的理解和诊断提供了设计经验与理论基础。在文章的最后,对本文的工作进行了总结,结合硬件设计和算法分析的经验,指出今后所需研究的方向。