基于双阶段机器学习框架的膀胱压力信号中泌尿事件自动检测
信号处理
2026-05-22 v1
摘要
目标: 常规尿动力学学 (UDS) 提供关键诊断信息，但需要侵入性的双导尼管操作和手动标注临床重要事件。无创的无导尼管膀胱功能测试正在用于居家使用，但仅提供膀胱压力 (Pves)。我们开发了一个机器学习框架，该框架在 UDS 数据上进行训练和外部验证，用于从单通道 (Pves) 记录中自动分类泌尿事件。方法: 我们分析了 118 条标注的 UDS 记录分割成 0.8 秒的 Pves 区间。使用离散小波变换，我们提取每个区间的 55 个统计特征。将具有相同类别的连续区间 (233,338 个区间; 三类) ——即腹压 (ABD)、尿肌肌张力过度 (DO) 或排尿收缩 (VOID) ——分组为事件，并对中位数特征进行聚合，以获得事件级别的表示。在不平衡的数据集上，我们训练了一个双阶段多层感知器 (MLP): 阶段 1 区分 VOID 与非 VOID，阶段 2 将非 VOID 分类为 ABD 与 DO。该模型在两个独立数据集上训练，在第三个独立数据集上进行外部验证。还对额外的跨数据集训练-验证排列进行了评估，以评估通用性。用准确率、F1-宏、灵敏度、特异度和曲线下面积 (AUC) 评估性能。结果: 阶段 1 (VOID vs. 非 VOID) 实现了 84% 的准确率 (平衡准确率 76%), F1-宏 0.74, AUC 0.85，而阶段 2 (ABD vs. DO) 达到了 90% 的准确率 (平衡准确率 80%), F1-宏 0.80, AUC 0.87。特征重要性排列表明大多数特征都有实质性贡献。结论: 我们的机器学习方法实现了从 Pves 自动检测泌尿事件的准确性，证明了单通道监测和未来便携式应用的可行性。
引用
@article{arxiv.2605.21878,
title = {Automated Detection of Urological Events in Bladder Pressure Signals with a Two-Stage Machine Learning Framework Validated on External Datasets},
author = {Hassaan A. Bukhari and Vikram Abbaraju and Jay Patel and Becky Clarkson and Shachi Tyagi and Margot S. Damaser and Steve J. A. Majerus},
journal= {arXiv preprint arXiv:2605.21878},
year = {2026}
}