疼痛是一种不愉快的感觉，表明身体部位可能或已经受到伤害[ 1]。疼痛的位置可以通过绘制到身体模板(例如，简短疼痛清单[ 2])。疼痛图已经在临床和研究中使用了几十年[ 3.]。Jang等[ 4研究报告显示，患者更有信心通过绘图的形式与临床医生交流疼痛的位置，而不是书面描述，临床医生也更喜欢绘图而不是书面描述。数字技术现在已经司空见惯，并规避了与疼痛图的处理和存储相关的问题;因此，疼痛图现在被广泛地以数字图像的形式获取[ 5]。许多基于网络的应用程序和移动应用程序提供数字疼痛模型，包括商业和学术[ 6]。大多数数字疼痛模型使用2D模板，这是人体的全身冠状或矢状视图。2D或3D表面模板通常有性别和体型的选择[ 7- 9]。一个典型的数字疼痛假人包括一个身体模板和自我解释的说明，告诉病人如何指出他们最不舒服的位置。

疼痛频率图是通过同时分析所有数字疼痛图来计算参与者共有的疼痛位置而生成的。为了帮助可视化，这些地图还使用颜色代码来根据它们在被研究样本中出现的频率突出显示身体上的位置。这种图谱在临床上对于确定感觉通常与疾病解剖有关的部位是有用的[ 10， 11]以及影响病理主观定位的因素。这些图谱在慢性原发性疼痛综合征中可能是最重要的[ 12]，在没有疾病的情况下，由疼痛的部位来定义(例如，慢性背痛)。

生成疼痛频率图的难易程度主要取决于所使用的身体模板的性质。身体模板的解剖位置已预先设定及界定[ 7， 13，疼痛图很快就完成了，捕获的数据是二进制的，其中 1表示选择项，和 0表示没有选择。因此，疼痛频率图的生成相对简单，因为只需要推断选择每个位置的参与者的数量[ 14]。然而，由于像素(即x-y坐标，代表身体模板的最小可能分区)被预先分配到更大(因此更少)的解剖区域(例如，协作健康结果信息注册中心[CHOIR]身体模板有74个分区可单击[)，因此空间分辨率的损失，这种频率图可能无法完全捕获带下划线的疼痛空间模式。 7])。此外，必须假设疼痛的解剖位置与临床相关或重要。

徒手画的疼痛图，使用身体模板与未划分或空白的身体轮廓，是公正的。一些支持手绘的身体模板使用带有预定义细胞数量的网格(例如，带有3D身体模板的geoain应用程序使用2026个细胞的网格[ 9曼彻斯特数字疼痛人体模型使用了由12800个细胞组成的网格作为其2D身体模板[ 15])。的 网格- 基于模板还允许轻松生成疼痛频率图，因为每个位置(一个细胞)本质上是二进制的，要么被选中，要么不被选中。然而，由于身体模板有各种形状和大小[ 5]， body区域的长宽比(宽度与高度的比率)也会发生变化，因此无法标准化网格(no . 1) 放之四海而皆准的）.必须评估每个主体模板的最佳网格粒度(分辨率)。网格的粒度决定了最终用户的体验和捕获数据的准确性[ 15]。

的 网格- 免费的身体模板，顾名思义，克服了网格的创建和选择的问题，为最像纸质图纸的疼痛图提供了一个无假设的基础。可点击位置的数量约为数千个(取决于铅笔的大小)。此外，参与者可以选择在同一位置重复绘画，类似于使用笔和纸的情况。精确捕获绘制的区域，以及没有预定义的位置(细胞)，对生成疼痛频率图提出了相当大的挑战。无网格模板上的绘图需要复杂的像素级分析才能生成疼痛频率图，而生成此类图的工具缺乏或无法免费获得[ 16- 18]。

在本文中，我们描述了一种新颖且无偏的算法，专门用于从一般2D全身模板上的徒手疼痛图生成空间疼痛频率图。我们还评估了该算法的Python脚本的性能，并通过从2个临床数据集获得的疼痛图生成疼痛频率图来演示其实用性。

人体的图像轮廓(或模板)嵌入到HTML页面中，以创建数字身体模板(人体模型)来捕获疼痛位置的绘图。

身体模板的响应性(即，突出显示或放大或缩小一个区域的能力)需要向量，这些向量使用线、点和形状来表示身体的不同区域(边界)。使用可缩放矢量图形(Scalable Vector Graphics, SVG)，一种基于xml的语言，可以显示矢量并创建响应式主体模板。

通过插入基本的SVG元素(如圆形和矩形)，可以将疼痛的位置记录在任何身体模板上。通过将这些形状的位置和大小指定为核心属性来插入它们。例如，圆需要坐标( 残雪， cy)和半径( r)，矩形需要坐标( x， y)的左上角与 宽度和 高度。除了核心属性之外，SVG元素还可以包含与样式相关的属性(例如，填充、可见性和不透明度)和任意数量的带有前缀的自定义属性 数据-(例如，数据区域和数据日期插入)。

在SVG中可以创建圆形和矩形元素:

我们使用了SVG <矩形>元素来记录疼痛的位置，因为两个矩形的交集总是一个矩形(一致的几何形状)，这是算法运行所必需的。

我们下载了一幅无性的人体轮廓图(TIFF)，它是改编自亨利·海德爵士早期作品中最古老的模板之一[ 19]。该图像有人体的4个二维视图:冠状面(前后)和矢状面(左右)。对图像进行修改，划分出4个不重叠的区域:正面、侧面头部(右)、侧面头部(左)和背面。用来制作区域 可点击的，使用Inkscape Editor(1.1版)对身体图像进行矢量化并转换为SVG [ 20.]。矢量化产生了4个矢量(bezergons)，其中每个矢量都有一个相关的边界框，它是包围矢量上所有点的最紧密的拟合矩形( 图1）.

为了便于从身体疼痛部位的绘图中获取数据，我们首先开发了 身体疼痛图一个基于linux - apache - perl - mongodb基础设施的工具。该工具的HTML5网页由两列布局组成，其中右列嵌入SVG主体模板，左列包含7个javascript驱动的控件元素( 图2)，分别是(1)矩形笔尖的大小( <选择>元素有3个选项，小，中，大，表示尺寸的红色方块:10,30和60)。最小正方形的尺寸基于身体模板(例如，小指)上的最小宽度，(2)放大( < >按钮元素)以允许更近的视图，(3)缩小( < >按钮元素)以允许更宽的视图;(4)Erase ( < >按钮(5)撤消橡皮擦( < >按钮元素)重述先前删除的记录，(6)clear ( < >按钮元素)删除所有录音，以及(7)提交( < >按钮元素)提交图纸以存储在MongoDB数据库中，以便进行分析和重建。可以提交一个空白的身体模板(例如，当参与者没有身体疼痛可画时)。

为了使身体疼痛图作为基于web的工具易于访问，我们将HTML文档放置在运行启用了安全套接字层(SSL)的Apache HTTP web服务器的安全Linux机器上( 图3）.此工具可透过网页[ 21]并在现代网络浏览器(如Google Chrome、Mozilla Firefox和Microsoft Edge)上进行了测试。

为了实现重叠计算算法，我们在Python编程语言版本3.9中开发了一个命令行工作流[ 22]，其中包括进一步描述的3个步骤(脚本)。脚本可以以顺序或管道模式运行(使用命名管道命令“|”)。每个脚本执行一个特定的操作，并接受命令行选项和参数形式的参数。这些脚本使用一些核心Python模块，这些模块负责读取命令行参数、解析和验证要处理的SVG，并为工作流中的后续步骤生成输出。以下脚本可通过联系AD获取:

模拟是为了评估该算法的Python脚本的性能 compute_overlap.py。模拟显示，脚本的执行时间(秒)作为输入矩形数量的函数线性增加( 图5)，对于100,000个矩形，最多需要400秒(模拟1)。假设一个典型的参与者绘图由100个矩形组成，1000个参与者绘图的执行时间为300秒(模拟2)。

我们首先从MongoDB数据库中存储的2个数据集中提取所有绘图(具有相同宽度和高度属性的元素)到CSV文件中。数据集1产生4016条记录，数据集2产生4167条记录，按参与者标识符和插入日期和时间排序。参与者的特征从两个数据集有关 身体疼痛图运动总结于 表1。

为了生成疼痛频率图，我们只使用了来自2个临床数据集的可见且唯一(不相同)的记录。来自同一参与者的相同录音( <矩形>具有完全覆盖的元素)根据记录的最后可见性状态进行过滤。如果可见性被隐藏(意思是擦除)，记录被排除。这个练习产生了2个CSV文件(每个数据集一个文件)，分别有3242行和3993行，表示所有4个区域(即正面、侧面(右)、侧面(左)和背面)的唯一和可见的记录 表2。

CSV数据集由Python脚本独立处理 compute_overlap.py在一台运行Ubuntu 18.04的机器上(Intel(R) Xeon (R) Silver 4110 CPU @ 2.10GHz和16 GB RAM) 。该脚本在4秒内处理了第一个CSV数据集，并生成了6653个不重叠的矩形，重叠频率在1到8之间。第二个CSV数据集在7秒内被处理，产生6010个不重叠的矩形，重叠频率从1到21不等。每个不重叠的矩形代表二维身体模板上的一个唯一位置，并带有重叠频率，表示在该位置有疼痛的参与者的数量。

随后使用Python脚本将2个临床数据集的非重叠矩形绘制在身体模板上 plot_heatmap.py，生成数据集1 ( 图6)和数据集2 ( 图7）.

在身体模板上绘制疼痛位置在研究和疼痛临床中得到了越来越广泛的应用。这些通常是调查问卷的一部分(例如，简短疼痛量表[ 25])。身体疼痛的地形图通常被总结为疼痛频率图，但依赖于数字化的纸质图，这是劳动密集型的，可能不适合大规模的研究[ 26]。尽管徒手数字绘图工具可用于捕获疼痛位置，但它们通常仅限于特定的身体模板[ 6]。其他工具可将身体分割(例如CHOIR身体地图[ 7]和密西根州地图[ 13])，它可以很容易地生成疼痛频率图，但缺乏所需的分辨率。

在本文中，我们首先描述了身体疼痛图[ 21]，这是一个基于web的平台，用于将徒手疼痛图捕获为SVG <矩形>元素，然后详细描述了从图纸中生成疼痛频率图的算法。我们进一步将该算法的实现描述为基于python的分析管道，并在2种不同的模拟中测试了其性能。我们通过生成疼痛频率图( 图6和 图7)，查阅从23名经筛选参加临床药物试验的病人的手绘图(ISRCTN68734605) [ 23]和30例诊断为慢性原发性背痛的患者[ 24]。

该算法的主要优点是可以处理来自任何未划分的主体模板的数据。换句话说，身体模板不需要使用固定数量的网格来划分(例如，geoain，在3D人体模型上渲染的身体表面图[ 9]和Manchester Digital Pain Manikin [ 15])或用解剖标记划分区域(如CHOIR [ 7])。只有主体模板的轮廓或周长需要标定。无标签和无网格的方法是公正的，允许参与者自由地画出他们身体疼痛的位置，密切模仿在纸上画画的体验。虽然用户不太可能在整个空间内绘制，但考虑到徒手绘画的性质，他们可以在同一区域内重复绘制。这导致了冗余的数据，这通常不是大多数临床研究人员感兴趣的。我们的算法在无网格空间中处理原始(源像素)数据来解决这个问题，并且在这样做时，它也实现了无损压缩。

该算法接受单个CSV(纯文本)文件，其中包含捕获为矩形的疼痛记录，并生成不重叠的矩形。每个不重叠的矩形是身体模板上的唯一位置，并带有重叠频率，表示该位置疼痛的参与者数量。输出，当转换成HTML文件时，可以在现代web浏览器(例如，Google Chrome, Mozilla Firefox或Microsoft Edge)上可行地呈现，或者以所需的分辨率打印以发布，正如我们为2个临床数据集所示。该算法还包含了优化疼痛频率图显示的特征。矩形可以在水平(更宽)或垂直(更长; 图4）.例如，对于腿部，垂直布局可能会更好地显示矩形，而对于腹部等较宽的区域，首选水平布局。

由于个体可以在身体模板上自由绘制，因此算法产生的输出(即不重叠的矩形)具有很高的粒度。给定所需的空间信息(身体区域内的x-y坐标)，可以回顾性地创建网格并根据需要重新分配细胞和解剖标签。该算法的输出可以使用线性代数进行坐标变换，并进行标记，以便与其他具有解剖标签(例如手臂和腿)的身体地图集或模板在性质上保持协调[ 7]。无偏输出也可以训练为任何2D身体模板内给定的疼痛障碍提供界限。一个解剖标记(如肩部)的区域的划分或边界也可以通过任何一组个体的反馈来确定。还可以从汉诺威医学院(Hannover Medical School)提供的针对性别的身体模板中获取图纸[ 8]，然后使用坐标变换在性别中立的模板上协调算法的输出，以进行性别之间的比较。

该算法生成不重叠的矩形，不需要知道二维体模板内的区域边界。因此，输出中的一些矩形可能部分落在这些区域之外。当绘图包含主体区域的边界(或接近边界)时，就会发生这种溢出。对于生成疼痛频率图来说，这不是问题，因为落在区域之外的矩形可以使用SVG轻松地屏蔽(隐藏)。对于其他分析目的，可以通过以下方法(1)将主体模板划分为小区域并应用边界框校正以按区域过滤输出的非重叠矩形或(2)创建一个 零即精巧地填充整个主体模板，确保 <矩形>元素在区域边界内。通过这种方法， 零将绘图添加到实际参与绘图中，并在组合数据集上执行算法。在得到的输出中，只有两个元素共有的不重叠矩形 零图纸与实际图纸保留，其余部分(重叠频率为1)丢弃。

该算法经过优化，仅为至少有一个参与者绘制的身体模板的位置生成疼痛频率数据。添加 零绘图将允许在模板中表示(在疼痛频率图中)没有参与者绘制的身体位置，也可能需要进行推断统计。随着 零绘图是特定于主体模板的，不需要重新创建，并且该方法可以应用于预期数据集(绘图)，前提是它们是使用相同的主体模板获得的。

软件工具(R软件包、CHOIR Body Map [ 27])最近被用于生成共生地图。该地图显示了在一个数据集中，身体模板上的两个位置同时被患者认可的次数。但是，这些工具仅适用于CHOIR主体模板[ 7]，参与者只能点击74个预定义位置。

为带有边界或网格的身体模板生成疼痛频率图是很简单的，因为位置是预定义和固定的，并且需要推断选择每个位置的参与者的数量[ 14]。

在研究中，使用无边界和无网格的身体模板进行徒手绘图，使用定制的工具同时分析他们的绘图。这些工具并非在公共领域内免费提供[ 16- 18]。其他研究[ 28， 29]将他们的图纸(最初保存为PNG图像)转换为NIfTI格式[ 30.]并使用脑功能磁共振成像(FMRIB)软件库提供的图像处理工具进行分析[ 31]。

我们的算法和之前研究中使用的其他方法的主要目的是生成疼痛频率图，这需要同时分析参与者提供的所有手绘图。以前的研究将徒手疼痛图存储为位图图像(例如PNG);因此，生成疼痛频率图需要对所有像素进行提取和分析[ 16- 18， 28， 29]。

我们的算法处理图形，其中疼痛位置用矩形表示(笔尖是一个正方形，本质上是一个矩形)。这有几个优点，例如，来自图纸的输入可以简单地存储为CSV(纯文本)文件，因为所有位置都表示为带有属性的矩形 x， y， 宽度,和 高度。这也比从图纸中存储和提取像素更有效。输出还包括矩形，可以存储为CSV文件进行统计分析和可视化使用图像(例如，SVG和PNG)。我们使用SVG是因为它允许以所需的分辨率重建和可视化输入和输出矩形。CSV存储还有助于合并使用相同主体模板获得的多个独立数据集，以便进行组合分析。

长期以来，身体图谱一直被用于研究和临床实践，以促进疼痛和其他感觉之间的交流[ 32]。绘图工具的选择或身体部位的选择取决于研究问题的性质和参与者。临床验证任何用于捕捉身体感觉地形的数字工具都是很重要的[ 33]。我们的算法主要是为了有效地显示和打印疼痛频率图而开发的，但是输出(即不重叠的矩形)可以很容易地进行统计分析(例如，不同患者队列之间或同一患者队列在多个时间点上的疼痛频率图的统计比较)。虽然我们在研究中选择了数字化和使用特定的身体模板，但所描述的算法可以处理任何2D身体模板上的任意数量的手绘图，以生成疼痛频率图。算法生成的非重叠矩形可以进行解剖标记或映射到网格上，以便于与其他身体模板进行分析和协调。

我们的徒手疼痛绘图工具(身体疼痛图[ 21])使用独立于分辨率和基于XML文档对象模型的SVG技术。然而，我们的算法也可以从使用其他技术(如HTML5)创建的图纸中生成疼痛频率图 <帆布>元素)，前提是疼痛位置被捕获为矩形，并且位置属性(即， x， y， 宽度,和 高度)是可访问的。

由于该算法已经作为Python命令行工作流实现，因此可以通过cron守护进程(Linux环境)调度自动疼痛频率图构建，并使用几个标准(例如，矩形的区域，重叠频率，宽度和高度)过滤和可视化输出。Python脚本可通过联系对应作者(AD)获取。

我们设想在临床或研究环境中使用该算法，以促进疾病诊断或疾病之间人类疼痛解剖学的细粒度比较，或作为指导监测或发现治疗的结果指标。