一种新生儿口腔运动功能辅助评估方法、系统及设备与流程

本发明属于医疗健康，具体涉及一种新生儿口腔运动功能辅助评估方法、系统及设备。

背景技术：

1、新生儿尤其是早产儿、低出生体重儿及存在神经系统或呼吸系统疾病的新生儿，可能出现吸吮节律不稳定、吸吮力量不足、吸吮动作组织性较差等口腔运动功能问题。及时、客观地识别上述问题，有助于临床人员制定个体化喂养训练和护理方案。

2、目前，临床对新生儿口腔运动发育的评估方法主要包括：（1）观察法：依赖医护人员对吸吮动作的主观判断，缺乏客观性和一致性，评估者间信度低；（2）标准化量表法：如新生儿口腔运动评估量表（nomas），需专业人员培训，评估结果受观察者经验影响，且无法实时动态追踪；（3）营养性吸吮测量法：通过母乳喂养中的体重增加情况间接评估，存在较大个体差异；（4）仪器法：利用专门的吸吮测量设备记录口腔压力，可提供量化数据，但设备昂贵，操作复杂，且现有方法多停留于单一指标描述，缺乏系统化预测模型。

3、非营养性吸吮（nns）是指新生儿在没有营养摄入的情况下进行的吸吮活动，nns压力信号中的吸吮压力、吸吮频率、节律变异性、吸吮吸吮突发数量、吸吮突发持续时间及停顿结构等信息，可用于表征新生儿非营养性吸吮相关口腔运动的组织性和协调性。

4、然而，现有nns研究多停留于描述性统计分析层面，缺乏系统化的机器学习预测模型，难以将nns动力学参数转化为临床决策支持工具。同时，现有技术中如cn202411157117公开了一种基于加权公式的吸吮能力指数评估方法，该方法采用固定解析公式计算连续评分，未涉及吸吮吸吮突发-停顿结构识别，也未采用机器学习分类模型。该方法本质上是一种评分量表，无法输出疾病预测概率，且其公式参数缺乏生理依据和实验验证。因此，迫切需要一种新生儿口腔运动功能客观评估方法。

技术实现思路

1、本发明旨在至少在一定程度上解决上述技术问题。为此，本发明的目的在于提供一种新生儿口腔运动功能评估方法、系统及设备。本发明能够从非营养性吸吮压力信号中自动提取多维度动力学特征，并通过机器学习算法实现对口腔运动功能的客观、量化评估。

2、为实现上述目的，本发明提供一种新生儿口腔运动功能评估方法，所述方法包括：

3、获取新生儿非营养性吸吮（nns）的压力信号原始数据，并对所述原始数据进行预处理，得到符合分析要求的预处理数据；

4、通过一种多策略分析窗口截取方法，从所述预处理数据中确定至少一个连续2分钟的有效分析窗口，所述多策略分析窗口截取方法包括固定窗口模式和多窗口集成模式；

5、对所述分析窗口内的压力信号进行吸吮波峰识别，其中，正压峰采用局部极大值检测方法识别，负压峰采用局部极小值检测方法识别，并结合振幅阈值、最小峰间距及信号质量约束排除噪声和伪峰；其中，正压峰振幅阈值优选为1 cmh2o，最小峰间距优选为300ms；

6、依据相邻有效正压峰之间的时间间隔对吸吮事件进行结构化判定，将至少包含两个有效正压峰，且相邻正压峰时间间隔均小于1000 ms的连续正压峰序列识别为一次吸吮突发；将未被归入吸吮突发的单个有效正压峰识别为孤立吸吮事件，并识别相邻吸吮突发之间的停顿时段；

7、基于所述吸吮波峰及吸吮突发，提取多维度nns动力学特征指标，并通过相关性分析方法对所述特征指标进行冗余消除，得到非冗余特征子集；

8、将所述非冗余特征子集与新生儿临床基线特征共同作为输入，送入预先训练的、加入正则化约束的机器学习分类模型进行处理，以输出新生儿非营养性吸吮相关口腔运动功能的辅助评估结果。

9、可选的，所述预处理包括：将压力单位从mmhg换算为cmh2o（换算系数1.36）；依据压力传感器的有效量程和预设生理有效范围识别异常压力值；对于持续时间较短的孤立异常点，采用局部中位数、相邻有效值均值或其他局部统计方法进行修正；对于连续出现且持续时间超过预设阈值的异常数据段，将其标记为无效数据段，不进行吸吮事件识别；对于持续时间不超过预设阈值的短时缺失数据，采用线性插值法进行补全；对于持续时间较长的缺失数据段，将其标记为无效数据段；对压力信号进行基线漂移校正，以减少传感器温度变化、奶嘴位置变化及长时间采集造成的低频漂移；根据实际采样频率确定滤波参数，并采用滑动均值滤波、低通滤波或其他平滑处理方法对信号进行去噪。在一个具体实施例中，当采样频率为100hz时，可采用窗宽为5个采样点的滑动均值滤波；当采样频率发生变化时，根据实际采样频率调整滤波窗宽，以保证不同采集设备下的滤波时间尺度基本一致。可选地，所述预处理还包括对信号质量进行评价。所述信号质量评价至少包括有效数据占比、缺失数据占比、异常数据占比、信号饱和情况、基线漂移程度及噪声水平中的一项或多项。对于不满足预设信号质量要求的数据段，不将其作为有效分析窗口，或者在评估结果中标记为低可信度结果。

10、可选的，所述固定窗口模式，在完成传感器稳定性检查和信号质量检查后，截取首个满足有效数据比例要求的连续2分钟数据段作为分析窗口。该模式适用于临床标准化短时程记录场景，可减少由操作者主观选择信号片段所造成的选择偏差。可选地，所述多窗口集成模式，从较长时间的非营养性吸吮记录中提取多个连续2分钟的分析窗口，并分别计算各分析窗口的动力学特征。对于多个有效分析窗口，可采用算术平均值、加权平均值、中位数或截尾平均值对各窗口的同类特征进行集成。其中，在采用无重叠窗口时，相邻窗口之间的步长不小于2分钟；在采用重叠窗口时，根据窗口重叠比例对特征值进行权重调整。

11、可选的，所述波峰识别还包括局部极值定位规则，所述局部极值检测法还包括波峰定位规则：即在预设局部邻域内，将数据值大于邻域内其他采样点的数据点识别为正压候选峰，将数据值小于邻域内其他采样点的数据点识别为负压候选峰。其中，所述正压峰振幅是指正压候选峰相对于零压力基线或局部基线的正向压力变化幅度，结合正压振幅阈值（a≥1cmh2o）、预设负压阈值及最小峰间距（≥300ms）约束，才将其识别为有效正压峰，得到正压峰集合p+与负压峰集合p-，并减少噪声导致的伪峰识别。

12、可选的，所述冗余消除的步骤为：计算各特征指标对之间的pearson相关系数或spearman相关系数；设定相关性阈值为|r|>0.85；对于相关系数绝对值大于或等于所述阈值的特征对，依据预设的特征保留规则进行筛选，以生成所述非冗余特征子集。

13、可选的，所述预设的特征保留规则包括以下至少一项：

14、（a）对于具有数学互补关系的特征对，保留具有更优临床解释性的一项；（b）对于高度正相关的特征对，保留包含更全面吸吮结构信息、重复测量稳定性更高或模型预测贡献更大的一项；

15、（c）对于临床基线特征之间的高度相关对，结合临床重要性、重复测量稳定性和模型预测贡献保留至少一项；

16、（d）对于相关程度未达到剔除阈值且具有独立临床意义的特征，予以保留。

17、可选的，所述加入正则化约束的机器学习分类模型包括：带有l2正则化的逻辑回归（lr）模型、采用径向基（rbf）核函数并带有l2正则化的支持向量机（svm）模型、限制了最大树深度的随机森林（rf）模型，或加入了l1和l2正则项的极限梯度提升树（xgboost）模型中的至少一种。所述机器学习分类模型的模型参数和正则化参数通过内层交叉验证进行选择，其中，所述机器学习分类模型的分类标签由预设临床参考标准确定，所述预设临床参考标准包括新生儿口腔运动评估量表nomas的评估结论，或者早产儿经口喂养准备度评估量表piofra的评估结论。

18、可选的，所述方法还包括：采用分层五折交叉验证对所述机器学习分类模型进行评估，独立计算并报告roc曲线下面积、准确率、召回率（作为反映异常检出能力的重要指标）、特异度和f1分数等；并采用delong检验评估不同模型间roc曲线下面积（auc）的差异是否具有统计学显著性（例如，显著性水平α=0.05）。

19、本发明还提供一种新生儿口腔运动功能评估系统，所述系统包括：数据采集模块、预处理模块、多策略窗口截取模块、波峰识别模块、吸吮突发判定与特征提取模块、特征处理模块、正则化评估建模模块和评估结果输出模块。数据采集模块用于获取新生儿非营养性吸吮的压力信号原始数据；预处理模块用于执行预处理步骤；多策略窗口截取模块用于执行窗口截取方法；波峰识别模块用于执行局部极值检测法，分别识别压力信号中的有效正压峰和有效负压峰；吸吮突发判定与特征提取模块用于识别吸吮突发结构并提取nns动力学特征；特征处理模块用于执行相关性分析和冗余消除步骤；正则化评估建模模块用于执行机器学习建模、参数调优、概率校准和模型评估；；评估结果输出模块用于根据模型输出提供辅助评估概率、风险等级或信号质量提示。各模块协同工作，以实现上述任一项所述的方法。

20、本发明还提供一种电子设备，包括存储器和处理器。所述存储器中存储有计算机程序，所述处理器读取并执行该计算机程序时，实现上述任一项所述的辅助评估方法。

21、本发明的有益效果为：

22、本发明通过对新生儿非营养性吸吮压力信号进行全自动化的数据处理、特征提取与建模分析，用客观量化的指标替代了传统观察法和量表法中的主观判断，减少评估者主观差异，提高结果的一致性。

23、本发明不仅分析了吸吮的频率、强度等基本参数，还引入了对吸吮“吸吮突发-停顿”结构的精细化分析，并构建了包含计数、比例、结构、频率、强度等多维度的特征体系，能够更加全面地表征新生儿非营养性吸吮活动的节律性、组织性和协调性。

24、本发明将正则化机器学习模型引入nns数据分析，实现了从描述性统计到预测性评估的跨越。通过l1/l2正则化、限制树深度等策略有效抑制了模型过拟合，并通过交叉验证和delong检验等方法进行了严格评估，确保了模型在未知数据上的良好泛化能力和预测稳定性。

25、本发明的多策略分析窗口截取方法，既能通过固定截取模式保证临床标准化操作，又能通过均值集成模式适应长时程记录，提升了特征的全局代表性，使得本方法能够灵活应对不同临床采集场景，增强了方法的鲁棒性。