CN109009009A - 血管评估方法、装置及智能终端 - Google Patents

血管评估方法、装置及智能终端 Download PDF

Info

Publication number
CN109009009A
CN109009009A CN201810840541.3A CN201810840541A CN109009009A CN 109009009 A CN109009009 A CN 109009009A CN 201810840541 A CN201810840541 A CN 201810840541A CN 109009009 A CN109009009 A CN 109009009A
Authority
CN
China
Prior art keywords
blood vessel
measurement value
assessment models
invasive
functional measurement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810840541.3A
Other languages
English (en)
Inventor
方顺丽
惠慧
付四海
徐硕瑀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201810840541.3A priority Critical patent/CN109009009A/zh
Publication of CN109009009A publication Critical patent/CN109009009A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Vascular Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种血管评估方法、装置及智能终端，涉及血管评估技术领域，该方法包括获取目标血管的无创功能测量值；将获取的无创功能测量值输入至预先训练得到的血管评估模型；获取血管评估模型针对无创功能测量值输出的评估结果。本发明能够对血管进行较好地评估，得到较准确的评估结果。

Description

血管评估方法、装置及智能终端
技术领域
本发明涉及血管评估技术领域，尤其是涉及一种血管评估方法、装置及智能终端。
背景技术
血管中尤其是脑血管以其高发病率、高病死率、高致残率和高复发率极大的危害人类的健康。我国是脑血管病高发区，因此揭示脑血管病发病规律，寻找脑血管功能异常的敏感指标有着极其重要的理论和临床意义。血管内皮功能是评估血管功能(不仅限于脑血管)的重要指标，目前临床上无法准确评估血管功能。
血管功能常用检测和诊断技术包括CT、MR等，以观察形态学和几何变化，但其具体意义尚未明确。对血管进行评估的现有技术中，评估得到的血管状态并不准确，而且存在检测指标简单，正常值范围不准确等问题。
发明内容
有鉴于此，本发明的目的在于提供一种血管内皮功能的评估方法、装置及智能终端，能够对血管进行较好地评估，得到较准确的评估结果。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种血管评估方法，该方法包括：获取目标血管的无创功能测量值；其中，血管包含有多个无创功能测量值；将获取的无创功能测量值输入至预先训练得到的血管评估模型；获取血管评估模型针对无创功能测量值输出的评估结果；其中，血管评估模型是结合多个无创功能测量值，对血管进行评估的。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，血管评估模型的训练过程包括：获取训练集数据；其中，训练集数据包括血管的有创测量值和无创测量值；通过血管评估模型中的机器学习方法，得到有创测量值和无创测量值的映射关系；根据映射关系对训练中的血管进行评估，直至血管评估模型的损失函数收敛至预设阈值时，停止训练。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，通过血管评估模型中的机器学习方法，得到有创测量值和无创测量值的映射关系的步骤，包括：根据Lasso回归方法确定有创测量值和无创测量值的映射关系；通过血管评估模型的损失函数，计算得到无创测量值对应的最佳权重；根据最佳权重得到有创测量值和无创测量值的最佳映射关系。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，损失函数J(θ)表示为：
J(θ)＝1/2(Xθ-Y)T(Xθ-Y)+1/2α||θ||
其中，X为输入的无创测量值，Y为有创测量值，θ为权重，α为常数系数。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，血管评估模型对血管进行评估的步骤，包括：根据血管评估模型中存储的权重数据表，确定无创功能测量值的权重；其中，权重数据表中存储有无创功能测量值和权重的对应关系；根据权重，计算得到无创功能测量值和血管评估结果之间的映射关系；根据映射关系得到血管评估结果，完成对血管的评估。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，上述方法还包括：如果训练集数据更新，对血管评估模型进行重新训练，以基于更新的训练集数据更新血管评估模型。
第二方面，本发明实施例还提供一种血管评估装置，包括：获取模块，用于获取目标血管内皮的无创功能测量值；其中，血管包含有多个无创功能测量值；输入模块，用于将获取的无创功能测量值输入至预先训练得到的血管评估模型；评估模块，用于获取血管评估模型针对无创功能测量值输出的评估结果；其中，血管评估模型是结合多个无创功能测量值，对血管进行评估的。
第三方面，本发明实施例提供了一种智能终端，包括处理器和存储器；存储器上存储有计算机程序，计算机程序在被处理器运行时执行如第一方面至第一方面的第五种可能的实施方式任一项的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面至第一方面的第五种可能的实施方式任一项的方法的步骤。
本发明实施例提供了一种血管评估方法、装置及智能终端，通过获取目标血管的无创功能测量值，并将获取的无创功能测量值输入至预先训练得到的血管评估模型，进而获取血管评估模型针对无创功能测量值输出的评估结果。本发明实施例提供的血管评估模型是结合多个无创功能测量值，对血管进行评估的，能够得到较准确的评估结果。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例所提供的一种血管评估方法的流程图；
图2示出了本发明实施例所提供的一种血管评估模型的训练过程的流程图；
图3示出了本发明实施例所提供的一种模型的本地部署方式的结构框图；
图4示出了本发明实施例所提供的一种模型的本地部署方式的流程图；
图5示出了本发明实施例所提供的一种模型更新的结构框图；
图6示出了本发明实施例所提供的一种血管评估装置的结构框图；
图7示出了本发明实施例所提供的一种智能终端的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
考虑到现有技术中血管评估方法对血管的评估准确性不高，本发明实施例提供了一种血管评估方法、装置及智能终端，能够较准确地对血管进行评估，以下对本发明实施例进行详细介绍。
参见图1所示的一种血管评估方法的流程图，该方法可以由诸如计算机、服务器等智能终端执行，该方法包括以下步骤：
步骤S102，获取目标血管的无创功能测量值；其中，血管包含有多个无创功能测量值。
目标血管可以是患者或实验动物的血管，目标血管的测量值包括无创功能测量值和有创功能测量值，无创功能测量值是没有侵入目标血管内皮得到的测量值，包括血压监测数据、多普勒超声波形数据、血液标记物数据以及其他临床数据等。
步骤S104，将获取的无创功能测量值输入至预先训练得到的血管评估模型。
在实际应用中，血管评估模型可以是通过训练血管的有创功能测量值和无创功能测量值预先进行训练得到，待训练的血管评估模型通过训练，得到合理的评估结果，即当血管评估模型的损失函数收敛至预设阈值时，停止训练。通过预先训练得到的血管评估模型已经能够对血管进行较准确地评估。
步骤S106，获取血管评估模型针对无创功能测量值输出的评估结果；其中，血管评估模型是结合多个无创功能测量值，对血管进行评估的。
血管内皮模型对目标血管的多个无创功能测量值进行评估，得到评估结果。具体的可以通过权重数据表确定无创功能测量值对应的权重，并根据权重得到无创测量值和血管评估结果之间的映射关系，进而由映射关系得到血管评估模型针对血管的评估结果。
本实施例进一步给出了血管评估模型对血管进行评估的具体过程，可参见如下步骤：
(1)根据血管评估模型中存储的权重数据表，确定无创功能测量值对应的特征信息的权重；其中，权重数据表中存储有无创功能测量值和权重的对应关系。
在无创功能测量值中提取的特征信息可以是二进制、数字、分类、序数、二项式、区间、基于文本或上述的组合。其中，从血压监测数据中提取的特征可以包括单位时间内的平均收缩压ps、平均舒张压pd及平均压力pmean。从多普勒超声波形中提取的特征可以包括平均流速Vmean，最大血流速度Vmax与最小血流速度Vmin。pmean与Vmean相除得到新的特征Rv代表血管外周阻力，是反映血液在血管床中流动畅通的情况。血液标记物数据中提取的特征包括常规生化指标。其他临数据中提取的特征包括年龄、性别、身高、体重等人口统计信息及基因信息、生活方式因素和病史等。除了以上特征信息之外，还可以从提取的特征信息中计算出派生的特征，这些都是无创功能测量值。
如表1示出了正常组大鼠的血管功能指标和高脂组大鼠的血管功能指标，表中仅对血管功能指标进行举例说明，血管功能指标并不限于表中所列出的这几个。表中列出的血管功能指标MLD(最小管腔直径，单位为mm)的指标值是通过测试10组样本得到的有创功能测量值(表示平均值加减标准差)，Vmin(最小血流速度，单位为cm/s)的指标值和Rv(血管外周阻力，单位为kPa*s/m)的指标值是通过测试10组样本得到的无创功能测量值(表示平均值加减标准差)。
表1
权重数据表中有不同的无创功能测量值，如血压监测数据中的单位时间内的平均收缩压和多普勒超声波形中的平均流速等特征信息，并且每个无创功能测量值有对应的权重。权重数据表中无创功能测量值对应的权重可以在血管评估模型的训练过程中得到，具体在后面的模型训练过程中进行说明。
(2)根据权重，计算得到无创功能测量值和血管评估结果之间的映射关系。
映射关系中包含有无创功能测量值对应的权重，确定权重后即可得到无创功能测量值和血管评估结果之间的映射关系。
(3)根据映射关系得到血管评估结果，完成对血管的评估。
由映射关系得到血管评估结果即血管功能指标，该结果可以显示在电脑、平板或者手机的显示屏中，或者存储在一个计算机系统的内存或存储器中。
如评估病人治疗前后血管功能指标的变化，可以在不同的时间点通过血压测量、多普勒超声检测、血液生化检测等常规无创手段即获得量化的血管功能指标，从而较准确得反映治疗的效果以制定进一步的治疗方案。相比于传统的血流动力学检测指标，本实施例的方法综合了血流动力学、血常规以及临床信息等，在更多的信息层面中通过机器学习的方法获得的指标与血管的真实功能情况有更好的相关性，因而能更准确地反映出血管的情况，有助于更准确高效地预测心脑血管疾病的高危人群，及早干预，以降低发病和死亡率，还可用于预测和评估如脑卒中和血管栓塞等血管疾病的发生和发展。
本发明实施例提供了一种血管评估方法，通过获取目标血管的无创功能测量值，并将获取的无创功能测量值输入至预先训练得到的血管评估模型，进而获取血管评估模型针对无创功能测量值输出的评估结果。本发明实施例提供的血管评估模型是结合多个无创功能测量值，对血管进行评估的，能够得到较准确的评估结果。
为便于理解，以下给出基于本实施例提供的血管评估方法中，对血管评估模型进行训练的一种具体实施方式，参见图2所示的一种血管评估模型的训练过程的流程图，该方法包括以下步骤：
步骤S202，获取训练集数据；其中，训练集数据包括血管的有创测量值和血管的无创测量值。
训练集数据可以是来自多个患者或实验动物的血管的有创测量值的数据集，即训练血管为多个患者或实验动物的血管，且训练血管和目标血管是不同患者或实验动物的血管。同样，无创测量值包括血压监测数据、多普勒超声波形数据、血液标记物数据以及其他临床数据。
步骤S204，根据Lasso回归方法确定有创测量值和无创测量值的映射关系。
在训练血管的无创测量值中提取的特征信息与在目标血管的无创功能测量值中提取的特征信息相似，同样可以是二进制、数字、分类、序数、二项式、区间、基于文本或上述的组合。其中，从血压监测数据、多普勒超声波形、血液标记物数据和其他临数据中提取的特征和在目标血管的无创功能测量值中对应数据中提取的特征相似，也包括单位时间内的平均收缩压ps、平均舒张压pd、平均压力pmean、平均流速Vmean，最大血流速度Vmax与最小血流速度Vmin等。除了以上特征信息之外，还可以从提取的特征信息中计算出几个派生的特征。这些派生特征可以表示为提取特征信息的线性或非线性组合。例如，pmean与Vmean相除得到新的特征Rv代表血管外周阻力，是反映血液在血管床中流动畅通的情况，也可以被用于进一步的训练。其中，对多普勒超声波形的特征提取是全自动的，在全自动的提取方法中，将波形按照时间平均积分可以获得Vmean；在每个波形周期中通过波峰、波谷自动检测可以得到血流最大速度与最小速度波面并按时间对波面进行数值积分取平均可以得到Vmax与Vmin。
映射是一个将提取的特征信息与训练得到的不同权重加以组合的模型。模型的输入可以为提取到的无创测量值的特征信息如Vmean、Vmax、Vmin、Pmean、Rv和其他功能或人口统计学信息的参数，模型的输出可以为目标血管内皮功能指标，如血管形态学及血管压力-容积关系测量值。
步骤S206，通过血管评估模型的损失函数，计算得到无创测量值在血管评估模型中对应的最佳权重。
为了避免训练过程中发生过拟合现象而影响评估结果，Lasso回归在线性回归的损失函数中加入了一个正则化项，和一个调节线性回归项以及正则化项权重的系数α，损失函数J(θ)表示为：
J(θ)＝1/2(Xθ-Y)T(Xθ-Y)+1/2α||θ||
其中，X为输入的无创测量值，Y为有创测量值，θ为权重，α为常数系数。
可以通过该损失函数收敛至预设阈值时，得到各无创测量值的最佳权重。其中，输入的无创测量值可用向量形式表示，同样对应的权重和有创测量值也可用向量形式表示。得到的最佳权重可以和对应的无创测量值组成权重数据表，用在血管评估模型对血管进行评估的过程中。
步骤S208，根据最佳权重得到有创测量值和无创测量值的最佳映射关系。
损失函数得到的最佳权重对应的映射关系即为最佳映射关系。除Lasso回归外，其他机器学习算法也可以用来训练血管评估模型，以输出血管指标即评估结果，如其他回归算法(线性，非线性或逻辑)、决策树人工神经网络、支持向量机、贝叶斯网络、基于实例的学习、多维学习、子空间学习、深度学习和字典学习等，都可以用来训练血管评估模型。
步骤S210，根据映射关系对训练中的血管进行评估，直至血管评估模型的损失函数收敛至预设阈值时，停止训练。
当血管评估模型的损失函数收敛至预设阈值时，即得到最佳权重，确定了最佳映射关系，血管评估模型已能够对血管进行较准确地评估并输出较好的评估结果，此时停止对血管评估模型的训练，训练完成。
在具体实施时，如果训练集数据更新，对血管评估模型进行重新训练，以基于更新的训练集数据更新血管评估模型。
训练得到的模型可通过本地部署或者云部署的方式使用，如图3示出了本发明实施例所提供的一种模型的本地部署方式的结构框图，图3中本地计算机中通过外置存储器将生成的模型即训练好的模型存储到内部存储器中，输入的数据也存储到存储器中，并进一步在处理器中进行特征提取后根据存储的模型进行计算后得到血管内皮功能的评估结果，并将评估结果显示在屏幕上或打印出来。
具体操作流程如图4所示，首先打开分析软件，建立病人档案，并输入采集数据，根据特征提取模块提取特征信息，将提取的特征信息输入到预存储的模型中得到最终的检测结果即评估结果。检测完后将结果进行存储，并可将检测结果显示在屏幕上。
相比于本地系统，云系统增加了生成的模型即血管评估模型的更新功能，如图5所示。图5中对于一个新的待评估病例，首先将其数据输入到本地计算机中，其数据包括血压监测数据、多普勒超声波形数据、血液标记物数据和其他临床数等，并将输入的数据上传到云服务器并存储在云服务器的存储器中。输入的数据在云服务器的处理器中进行特征提取，并根据云服务器的处理器经离线分析生成的模型进行计算后得到血管内皮功能的评估结果并将评估结果传输到本地计算机中，以显示或者打印。云系统的优点是可以集成来自于各个部署点的数据，当训练集的数据量增长后，可以定期在服务器的后台进行模型的重新训练与更新，这是本地部署系统所不具备的，具体训练流程如图2。云系统的本地客户端软件的操作流程同本地系统。
综上所述，采用本实施例提供的上述训练得到的血管评估模型对血管进行评估，通过血管评估模型的损失函数得到无创测量值对应的最佳权重，从而得到有创测量值和无创测量值的最佳映射关系，进而使得血管评估模型能够对血管进行较准确地评估。
对应于前述血管评估方法，本发明实施例提供了一种血管评估装置，参见图6示出的一种血管评估装置的结构框图，该装置包括以下模块：
获取模块602，用于获取目标血管的无创功能测量值；其中，血管包含有多个无创功能测量值；
输入模块604，用于将获取的无创功能测量值输入至预先训练得到的血管评估模型；
评估模块606，用于获取血管评估模型针对无创功能测量值输出的评估结果；其中，血管评估模型是结合多个无创功能测量值，对血管进行评估的。
本发明实施例提供的上述血管评估装置，通过获取目标血管的无创功能测量值，并将获取的无创功能测量值输入至预先训练得到的血管评估模型，进而获取血管评估模型针对无创功能测量值输出的评估结果。本发明实施例提供的血管评估模型是结合多个无创功能测量值，对血管进行评估的，能够得到较准确的评估结果。
上述评估模块606进一步用于：根据血管评估模型中存储的权重数据表，确定无创功能测量值对应的权重；其中，权重数据表中存储有无创功能测量值和权重的对应关系；根据权重，计算得到无创测量值和血管评估结果之间的映射关系；根据映射关系得到血管评估结果，完成对血管的评估。
本实施例所提供的装置，其实现原理及产生的技术效果和前述实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种智能终端，参见图7所示的一种智能终端的结构示意图，该智能终端包括：处理器70、存储器71、总线72和通信接口73，所述处理器70、通信接口73和存储器71通过总线72连接；处理器70用于执行存储器71中存储的可执行模块，例如计算机程序。
其中，存储器71可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线72可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器71用于存储程序，所述处理器70在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器70中，或者由处理器70实现。
处理器70可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器70中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器70可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器71，处理器70读取存储器71中的信息，结合其硬件完成上述方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行前述实施例任一项的方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统具体工作过程，可以参考前述实施例中的对应过程，在此不再赘述。
本发明实施例所提供的血管评估方法、装置及智能终端的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种血管评估方法，其特征在于，包括：
获取目标血管的无创功能测量值；其中，所述血管包含有多个无创功能测量值；
将获取的所述无创功能测量值输入至预先训练得到的血管评估模型；
获取所述血管评估模型针对所述无创功能测量值输出的评估结果；其中，所述血管评估模型是结合多个无创功能测量值，对所述血管进行评估的。
2.根据权利要求1所述的方法，其特征在于，所述血管评估模型的训练过程包括：
获取训练集数据；其中，所述训练集数据包括血管的有创测量值和血管的无创测量值；通过血管评估模型中的机器学习方法，得到所述有创测量值和所述无创测量值的映射关系；
根据所述映射关系对训练中的血管进行评估，直至所述血管评估模型的损失函数收敛至预设阈值时，停止训练。
3.根据权利要求2所述的方法，其特征在于，所述通过血管评估模型中的机器学习方法，得到所述有创测量值和所述无创测量值的映射关系的步骤，包括：
根据Lasso回归方法确定所述有创测量值和所述无创测量值的映射关系；
通过所述血管评估模型的损失函数，计算得到所述无创测量值在所述血管评估模型中对应的最佳权重；
根据所述最佳权重得到所述有创测量值和所述无创测量值的最佳映射关系。
4.根据权利要求3所述的方法，其特征在于，所述损失函数J(θ)表示为：
J(θ)＝1/2(Xθ-Y)T(Xθ-Y)+1/2α||θ||
其中，X为输入的无创测量值，Y为有创测量值，θ为权重，α为常数系数。
5.根据权利要求1所述的方法，其特征在于，所述血管评估模型对所述血管进行评估的步骤，包括：
根据所述血管评估模型中存储的权重数据表，确定所述无创功能测量值对应的权重；其中，所述权重数据表中存储有无创功能测量值和权重的对应关系；
根据所述权重，计算得到所述无创功能测量值和所述血管评估结果之间的映射关系；
根据所述映射关系得到所述血管的评估结果，完成对所述血管的评估。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
如果所述训练集数据更新，对所述血管评估模型进行重新训练，以基于更新的所述训练集数据更新所述血管评估模型。
7.一种血管评估装置，其特征在于，包括：
获取模块，用于获取目标血管的无创功能测量值；其中，所述血管包含有多个无创功能测量值；
输入模块，用于将获取的所述无创功能测量值输入至预先训练得到的血管评估模型；
评估模块，用于获取所述血管评估模型针对所述无创功能测量值输出的评估结果；其中，所述血管评估模型是结合多个无创功能测量值，对所述血管进行评估的。
8.根据权利要求7所述的装置，其特征在于，所述评估模块用于：
根据所述血管评估模型中存储的权重数据表，确定所述无创功能测量值对应的权重；其中，所述权重数据表中存储有无创功能测量值和权重的对应关系；
根据所述权重，计算得到所述无创测量值和所述血管评估结果之间的映射关系；
根据所述映射关系得到所述血管评估结果，完成对所述血管的评估。
9.一种智能终端，其特征在于，包括处理器和存储器；
所述存储器上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至6任一项所述的方法的步骤。
CN201810840541.3A 2018-07-26 2018-07-26 血管评估方法、装置及智能终端 Pending CN109009009A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810840541.3A CN109009009A (zh) 2018-07-26 2018-07-26 血管评估方法、装置及智能终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810840541.3A CN109009009A (zh) 2018-07-26 2018-07-26 血管评估方法、装置及智能终端

Publications (1)

Publication Number Publication Date
CN109009009A true CN109009009A (zh) 2018-12-18

Family

ID=64646978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810840541.3A Pending CN109009009A (zh) 2018-07-26 2018-07-26 血管评估方法、装置及智能终端

Country Status (1)

Country Link
CN (1) CN109009009A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110364256A (zh) * 2019-06-21 2019-10-22 平安科技（深圳）有限公司 一种基于大数据的血管图像识别的疾病预测系统及方法
CN111430029A (zh) * 2020-03-24 2020-07-17 浙江达美生物技术有限公司 基于人工智能的多维度脑卒中预防筛查方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101149767A (zh) * 2007-10-29 2008-03-26 深圳市天信生物科技有限公司 一种无创型健康评估模型的通用建立方法及其装置
CN103336900A (zh) * 2013-06-26 2013-10-02 广州军区广州总医院 一种针对心血管病患者健康分层模型建立的方法
CN108197081A (zh) * 2017-11-03 2018-06-22 上海敬之网络科技有限公司 一种航班延误险的数据精算模型建立方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101149767A (zh) * 2007-10-29 2008-03-26 深圳市天信生物科技有限公司 一种无创型健康评估模型的通用建立方法及其装置
CN103336900A (zh) * 2013-06-26 2013-10-02 广州军区广州总医院 一种针对心血管病患者健康分层模型建立的方法
CN108197081A (zh) * 2017-11-03 2018-06-22 上海敬之网络科技有限公司 一种航班延误险的数据精算模型建立方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110364256A (zh) * 2019-06-21 2019-10-22 平安科技（深圳）有限公司 一种基于大数据的血管图像识别的疾病预测系统及方法
CN111430029A (zh) * 2020-03-24 2020-07-17 浙江达美生物技术有限公司 基于人工智能的多维度脑卒中预防筛查方法

Similar Documents

Publication Publication Date Title
US20200155106A1 (en) Systems and methods for estimating healthy lumen diameter and stenosis quantificaton in coronary arteries
US10679757B2 (en) Method and apparatus for establishing a blood pressure model and method and apparatus for determining a blood pressure
KR101870121B1 (ko) 심층신경망을 이용한 혈류상태 분석시스템, 방법 및 프로그램
CN108665449B (zh) 预测血流矢量路径上的血流特征的深度学习模型及装置
CN109124606B (zh) 一种血压计算模型构建方法及构建系统
RU2018134296A (ru) Основанный на вероятности коэффициент усиления контроллера
US11730424B2 (en) Methods and systems to detect eating
CN112183572A (zh) 一种生成预测肺炎严重程度的预测模型的方法及装置
CN110993096B (zh) 一种脓毒血症的预警装置、设备及存储介质
CN109009009A (zh) 血管评估方法、装置及智能终端
CN116350196A (zh) 基于深度学习的无创血压值预测方法及系统
CN112786185B (zh) 血压健康状态获取方法、装置和系统
CN110911011B (zh) 一种脓毒血症的预警装置、设备及存储介质
US20210298612A1 (en) Arterial stiffness display method, system and apparatus
CN115349832A (zh) 一种生命体征监测预警系统和方法
Rosales et al. Vital Signs Evaluator and Blood Type Identification using Deep Learning for Blood Donation
CN115666376A (zh) 用于高血压监测的系统和方法
JP2022551325A (ja) 診断ツール
US11540782B2 (en) Method, apparatus and computer program for measuring and analysis of blood pressure using photoplethysmography
CN117438088A (zh) 卵巢功能的评估方法、装置、计算机设备和存储介质
CN114271804A (zh) 基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端
CN115919273A (zh) 一种基于深度学习的亚健康预警系统及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181218