CN109620187B - 一种中心动脉压推算方法及装置 - Google Patents
一种中心动脉压推算方法及装置 Download PDFInfo
- Publication number
- CN109620187B CN109620187B CN201811530294.3A CN201811530294A CN109620187B CN 109620187 B CN109620187 B CN 109620187B CN 201811530294 A CN201811530294 A CN 201811530294A CN 109620187 B CN109620187 B CN 109620187B
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- pressure waveform
- model
- simulated
- initial
- 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.)
- Active
Links
Images
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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
Abstract
本发明实施例提出一种中心动脉压推算方法、装置、建立中心动脉压推算模型的方法及装置,涉及医疗仪器技术领域。该方法及装置根据预存储的初始敏感参数,并利用预建立的初始人体循环模型进行仿真获得初始模拟血压波形,然后以获取的实测血压波形为基准利用预设定的修正算法不断调整初始敏感参数以获得当前模拟血压波形,直至当前模拟血压波形满足预设条件为止,最后利用实际人体循环模型仿真获得模拟中心动脉压;由于初始人体循环模型通过具有实际物理意义的一维动脉网络模型模拟动脉网络,能够准确模拟不同个体的真实连续血压波形,从而能够在成功模拟真实连续血压波形后,直接模拟得到具备个体适应性的模拟中心动脉压。
Description
技术领域
本发明涉及医疗仪器技术领域,具体而言,涉及一种中心动脉压推算方法、装置、建立中心动脉压推算模型的方法及装置。
背景技术
中心动脉压是指主动脉根部的血压,也就是血液刚从左心室泵出时的压力。研究表明,中心动脉压与心血管疾病风险因子之间的关联非常紧密,它可以非常准确地反映降压药等药物的实际作用,因此如何测量中心动脉压具有重大的意义。最直接的获取中心动脉压方式即为向人体内插入带有压力传感器的导管,然而方式虽然精确然而是有创的,无法应用于日常生活。
现有技术中的无创获取中心动脉压的方法,大多依据人体外周动脉压力波与中心动脉压力波之间的关联,提出了以广义传递函数为代表的映射方法,然而该方法是基于统计数据得到的,个体化能力不足,通过该方法不能精确得到每个人的中心动脉压。
发明内容
有鉴于此,本发明的目的在于提供一种中心动脉压推算方法、装置、建立中心动脉压推算模型的方法及装置,以解决上述问题。
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中心动脉压推算方法,所述中心动脉压推算方法包括:
根据预存储的初始敏感参数,并利用预建立的初始人体循环模型进行仿真获得初始模拟血压波形,其中,所述初始人体循环模型包含一维动脉网络模型、心脏模型以及动脉末端模型,所述一维动脉网络模型的入口与所述心脏模型耦合,所述一维动脉网络模型的出口与所述动脉末端模型耦合;
以获取的实测血压波形为基准,利用预设定的修正算法不断调整所述初始敏感参数以获得当前模拟血压波形,直至所述当前模拟血压波形满足预设条件为止;
利用实际人体循环模型仿真获得模拟中心动脉压,其中,所述实际人体循环模型的实际敏感参数为所述当前模拟血压波形满足所述预设条件时对应的敏感参数。
第二方面,本发明实施例还提供了一种建立中心动脉压推算模型的方法,所述建立中心动脉压推算模型的方法包括:
利用第一方面提供的方法获取多个实测血压对应的模拟中心动脉压;
通过所述多个实测血压及所述多个实测血压对应的模拟中心动脉压对预建立的神经网络模型以建立中心动脉压推算模型。
第三方面,本发明实施例还提供了一种中心动脉压推算装置,所述中心动脉压推算装置包括:
仿真单元,用于根据预存储的初始敏感参数,并利用预建立的初始人体循环模型进行仿真获得初始模拟血压波形,其中,所述初始人体循环模型包含一维动脉网络模型、心脏模型以及动脉末端模型,所述一维动脉网络模型的入口与所述心脏模型耦合,所述一维动脉网络模型的出口与所述动脉末端模型耦合;
参数调整单元,用于以获取的实测血压波形为基准,利用预设定的修正算法不断调整所述初始敏感参数以获得当前模拟血压波形,直至所述当前模拟血压波形满足预设条件为止;
所述仿真单元还用于利用实际人体循环模型仿真获得模拟中心动脉压,其中,所述实际人体循环模型的实际敏感参数为所述当前模拟血压波形满足所述预设条件时对应的敏感参数。
第四方面,本发明实施例还提供了一种建立中心动脉压推算模型的装置,所述建立中心动脉压推算模型的模型建立装置包括:
样本获取单元,用于第一方面提供的方法获取多个实测血压对应的模拟中心动脉压;
训练单元,用于通过所述多个实测血压及所述多个实测血压对应的模拟中心动脉压对预建立的神经网络模型以建立中心动脉压推算模型。
本发明实施例提供的中心动脉压推算方法及装置,根据预存储的初始敏感参数,并利用预建立的初始人体循环模型进行仿真获得初始模拟血压波形,然后以获取的实测血压波形为基准利用预设定的修正算法不断调整初始敏感参数以获得当前模拟血压波形,直至当前模拟血压波形满足预设条件为止,最后利用实际人体循环模型仿真获得模拟中心动脉压;由于初始人体循环模型通过具有实际物理意义的一维动脉网络模型模拟动脉网络,能够准确模拟不同个体的真实连续血压波形,从而能够在成功模拟真实连续血压波形后,直接模拟得到具备个体适应性的模拟中心动脉压。
本发明实施例提供的建立中心动脉压推算模型的方法及装置,利用上述方法获取多个实测血压对应的模拟中心动脉压,再通过多个实测血压及多个实测血压对应的模拟中心动脉压对预建立的神经网络模型以建立中心动脉压推算模型;由于对神经网络进行训练的实测血压及模拟中心动脉压具备个体适应性,从而训练得到的中心动脉压推算模型也具备个体适应性;同时通过上述方法直接获取训练数据,避免了人工自行采集训练样本,节约了人力成本及时间成本。
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实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的医疗设备的方框示意图。
图2为本发明实施例提供的中心动脉压推算方法的流程图。
图3为本发明实施例提供的一维动脉网络模型的示意图。
图4为本发明实施例提供的心脏模型的示意图。
图5为本发明实施例提供的动脉末端模型的示意图。
图6为图2中S202的具体流程图。
图7为调节敏感参数过程中实测血压波形与模拟血压波形的对比图。
图8为利用本发明提供的中心动脉压推算方法得到的模拟中心动脉压的波形图。
图9为本发明实施例提供的一种中心动脉压推算装置的功能模块图。
图10为本发明实施例提供的一种建立中心动脉压推算模型的方法的流程图。
图11为本发明实施例提供的一种建立中心动脉压推算模型的装置的功能模块图。
图标:100-医疗设备;111-存储器;112-处理器;200-中心动脉压推算装置;210-仿真单元;220-参数调整单元;300-建立中心动脉压推算模型的装置;310-样本获取单元;320-训练单元。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参照图1,是医疗设备100的方框示意图。所述医疗设备100包括中心动脉压推算装置200、存储器111及处理器112。
存储器111与处理器112之间直接或间接地电性连接,以实现数据的传输或交互。所述中心动脉压推算装置200包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器111中或固化在所述医疗设备100的操作系统(Operating System,OS)中的软件功能模块。
所述处理器112用于执行所述存储器111中存储的可执行模块,例如所述中心动脉压推算装置200所包括的软件功能模块及计算机程序等。
其中,存储器111用于存储程序或者数据。所述存储器111可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
应当理解的是,图1所示的结构仅为医疗设备100的结构示意图,所述医疗设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本发明提供了一种中心动脉压推算方法,用于基于实测血压波形推算其他部位的模拟中心动脉压。请参阅图2,为本发明提供的中心动脉压推算方法的流程图。该中心动脉压推算方法包括步骤:
S201,根据预存储的初始敏感参数,并利用预建立的初始人体循环模型进行仿真获得初始模拟血压波形。
初始人体循环模型即为在初始敏感参数条件下的人体循环模型,人体循环模型的敏感参数是可以调节的,不同的敏感参数情况下的人体循环模型,可模拟不同的个体。
其中,敏感参数即为影响血压波形的因子,敏感参数通常包含血管弹性、外周阻力及血管厚度等等。
人体循环模型包含一维动脉网络模型、心脏模型以及动脉末端模型,心脏模型与一维动脉网络模型模拟的一部分动脉的入口耦合,动脉末端模型与一维动脉网络模型模拟的另一部分动脉的出口耦合。
请参阅图3,为一维动脉网络模型的示意图。一维动脉网络模型旨在模拟敏感参数与血压波形的对应关系,也即一维动脉网络模型能够反映敏感参数对于血压波形的影响程度。此外,一维动脉网络模型模拟了人体主要的动脉,同时每条动脉均从沿血管长度方向以及沿血管径向确定敏感参数是如何影响血压波形的。
因而,每根动脉均满足流体控制方程及弹性腔方程。具体地,流体控制方程模拟了血压沿血管长度方向的传导与反射;而弹性腔方程建立了血管横截面积与血压之间的关系。
其中,A为血管横截面积,U为血液流动速度,P为血液压强,z为沿着血管长轴的方向的位置信息,ρ为血液密度,KR为粘性系数,P0为预设定的参考血压,A0为预设定的参考血压P0下的血管横截面积,r0为血管横截面积A0对应的半径,E为弹性模量,h为血管厚度,σ为泊松比。
请参阅图4,为心脏模型的示意图。心脏包括左心房与左心室,图4中图5中以电流方向模拟血液流动方向,以电流大小模拟血流量,以PLV代表左心房压力,左心室采用变弹性模型,从而得出心脏模型的控制方程:PLV=E(t)VLV。
另外,由于人体中,心脏与部分动脉的血液入口耦合,从而心脏模型与一维动脉网络模型模拟的一部分动脉的入口耦合。
请参阅图5,为动脉末端模型的示意图。图5中以电流方向模拟血液流动方向,以电流大小模拟血流量,因而动脉末端模型的控制方程为:
其中,P为血液压强,Q为血流量,Rp及Rd为预设定的阻抗,C为预设定的容抗。
综合图3、图4及图5,构建成了一个完整的人体循环模型,可以准确模拟人体血液的流动情况,从而根据初始敏感参数可以得到与之对应的初始模拟血压波形。
S202,以获取的实测血压波形为基准,利用预设定的修正算法不断调整初始敏感参数以获得当前模拟血压波形,直至当前模拟血压波形满足预设条件为止。
需要说明的是,实测血压波形包含N个第一采样点,初始模拟血压波形包含N个第二采样点,N个第一采样点与N个第二采样点一一对应。在一种可选的实施方式中,具有相同横坐标的第一采样点与第二采样点对应。另外,初始敏感参数为M个。
请参阅图6,为S202的具体流程图。该S202包括步骤:
S2021,基于在N个第一采样点采集到的实测血压及在N个第二采样点采集到的初始模拟血压得到N个血压差。
在实测血压波形的N个第一采样点上采集N个实测血压,同时在初始模拟血压波形的N个第二采样点上采集N个初始模拟血压,将每组对应的实测血压及初始模拟血压的差值作为一个血压差,从而获得N个血压差。
此外,基于N个血压差确定1×N的矩阵Δy。
其中,实测血压波形可通过血压测量装置测量获得,例如扁平张力计(applanation tonometry)、采用volume clamp方法的血压计以及示波法血压计等所有可以记录连续血压的装置。此外,实测血压波形可以从上臂、手指、颈动脉、腿部等主动脉区域以外的部位测量获得。
S2022,将M个初始敏感参数逐一扩大预设倍数,并分别仿真获得对应的M个第一当前模拟血压波形,每个第一当前模拟血压波形均包含N个第三采样点,N个第三采样点与N个第二采样点一一对应。
将一个初始敏感参数扩大预设倍数,其他M-1个初始敏感参数保持不变,并基于当前状态下的敏感参数仿真获得第一当前模拟血压波形后,再保持该初始敏感参数及其他M-2个初始敏感参数,将另一个初始敏感参数扩大预设倍数,以此类推获得M个第一当前模拟血压波形。
在一种可选的实施方式中,预设倍数为0.1。
S2023,基于在M个第一当前模拟血压波形的N个第三采样点采集到的第一当前模拟血压及在N个第二采样点采集到的初始模拟血压得到M×N个误差变化率。
在初始模拟血压波形的N个第二采样点上采集N个初始模拟血压,同时在一个第一当前模拟血压波形的N个第三采样点上采集N个第一当前模拟血压,将每组对应的实测血压及第一当前模拟血压的差值除以预设倍数,便得到一个误差变化率,从而获得N个误差变化率。
由于包含M个第一当前模拟血压波形,因此最终获得M×N个误差变化率,并以此形成变化量矩阵J。
S2024,基于N个血压差、M×N个误差变化率,并利用Levenberg-Marquardt算法确定M个敏感参数调节量。
具体地,通过算式[JTJ+λdiag(JTJ)]δP=JTΔy计算M个敏感参数调节量。其中,δ即为调节量矩阵,且调节量矩阵包含M个敏感参数调节量。
S2025,利用基于M个敏感参数调节量调节所述M个初始敏感参数后得到的人体循环模型仿真获得第二当前模拟血压波形。
将M个初始敏感参数分别加上其对应的敏感参数调节量获得新的一组敏感参数,根据新的一组敏感参数对应的人体循环模型仿真获得第二当前模拟血压波形。
S2026,计算第二当前模拟血压波形与实测血压波形的均方差。
通过计算第二当前模拟血压波形与实测血压波形的均方差确定调整后的模拟血压波形与实测血压波形的相似度。若均方差较大,则表明第二当前模拟血压波形与实测血压波形相差较大;若均方差较小,则表明第二当前模拟血压波形与实测血压波形较为接近。
S2027,判断均方差是否小于或等于预设定的第一阈值,如果是,则执行S2028;否则,执行S2029。
S2028,将第二当前模拟血压波形确定为当前模拟血压波形。
当均方差小于或等于预设定的第一阈值时,表明第二当前模拟血压波形与实测血压波形非常相似,因此将第二当前模拟血压波形确定为当前模拟血压波形。
S2029,重新以实测血压波形为基准,利用预设定的修正算法不断调整第二当前模拟血压波形对应的敏感参数以获得当前模拟血压波形,直至当前模拟血压波形与实测血压波形的均方差小于或等于预设定的第一阈值为止。
当均方差大于预设定的第一阈值时,表明第二当前模拟血压波形与实测血压波形相差较大,因此需要通过调节敏感参数来实现对模拟血压波形的调整。
需要说明的是,重新调节的过程与S2021~S2026类似,在此不再赘述。
请参阅图7,为调节敏感参数过程中实测血压波形与模拟血压波形的对比图。其中,S代表调节次数,图(i)表示未调节敏感参数时的波形对比图;图(ii)表示调节敏感参数一次后的波形对比图;图(iii)表示调节敏感参数两次后的波形对比图;图(iiii)表示调节敏感参数五次后的波形对比图。
从图7可知,随着对敏感参数的调节次数增加,模拟血压波形越来越接近实测血压波形。
S203,利用实际人体循环模型仿真获得模拟中心动脉压,其中,实际人体循环模型的实际敏感参数为当前模拟血压波形满足预设条件时对应的敏感参数。
在得到与实测血压波形对应的人体循环模型后,便能得到该人体循环模型得到任意位置的血液压强(即血压)、血液流动速度和血管横截面积,自然也包含中心脉动圧。
具体地,由于实际人体循环模型即为模拟能产生实测血压波形的人体,因而通过该实际人体循环模型仿真获得模拟中心动脉压非常接近真实从人体上监测到的波形图。从而,通过该人体循环模型可以仿真获得人体任意部位的血压波形,其中就包括与心血管疾病风险因子关联非常密切的中心动脉压。请参阅图8,为利用本发明提供的中心动脉压推算方法得到的中心动脉压的波形图。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种中心动脉压推算装置200的实现方式,可选地,该中心动脉压推算装置200可以采用上述图1所示的医疗设备100的器件结构。进一步地,请参阅图9,图9为本发明实施例提供的一种中心动脉压推算装置200。需要说明的是,本实施例所提供的中心动脉压推算装置200,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该中心动脉压推算装置200包括仿真单元210以及参数调整单元220。
中心动脉压推算装置200用于根据预存储的初始敏感参数,并利用预建立的初始人体循环模型进行仿真获得初始模拟血压波形。
可以理解地,在一种可选的实施方式中,该仿真单元210可用于执行S201。
参数调整单元220用于以获取的实测血压波形为基准,利用预设定的修正算法不断调整初始敏感参数以获得当前模拟血压波形,直至当前模拟血压波形满足预设条件为止。
需要说明的是,实测血压波形包含N个第一采样点,初始模拟血压波形包含N个第二采样点,N个第一采样点与N个第二采样点一一对应。在一种可选的实施方式中,具有相同横坐标的第一采样点与第二采样点对应。另外,初始敏感参数为M个。
具体地,参数调整单元220用于基于在N个第一采样点采集到的实测血压及在N个第二采样点采集到的初始模拟血压得到N个血压差。
参数调整单元220还用于将M个初始敏感参数逐一扩大预设倍数,并分别仿真获得对应的M个第一当前模拟血压波形,每个第一当前模拟血压波形均包含N个第三采样点,N个第三采样点与N个第二采样点一一对应。
参数调整单元220还用于基于在M个第一当前模拟血压波形的N个第三采样点采集到的第一当前模拟血压及在N个第二采样点采集到的初始模拟血压得到M×N个误差变化率。
参数调整单元220还用于基于N个血压差、M×N个误差变化率,并利用Levenberg-Marquardt算法确定M个敏感参数调节量。
参数调整单元220还用于利用基于M个敏感参数调节量调节M个初始敏感参数后得到的人体循环模型仿真获得第二当前模拟血压波形。
参数调整单元220还用于计算第二当前模拟血压波形与实测血压波形的均方差。
参数调整单元220还用于若均方差小于或等于预设定的第一阈值,则将第二当前模拟血压波形确定为当前模拟血压波形,否则,重新以实测血压波形为基准,利用预设定的修正算法不断调整第二当前模拟血压波形对应的敏感参数以获得当前模拟血压波形,直至当前模拟血压波形与实测血压波形的均方差小于或等于预设定的第一阈值为止。
可以理解地,在一种可选的实施方式中,该参数调整单元220可用于执行S202、S2021、S2022、S2023、S2024、S2025、S2026、S2027、S2028及S2029。
仿真单元210还用于利用实际人体循环模型仿真获得模拟中心动脉压,其中,实际人体循环模型的实际敏感参数为当前模拟血压波形满足预设条件时对应的敏感参数。
可以理解地,在一种可选的实施方式中,该仿真单元210可用于执行S203。
综上所述,本发明实施例提供的中心动脉压推算方法及装置,根据预存储的初始敏感参数,并利用预建立的初始人体循环模型进行仿真获得初始模拟血压波形,然后以获取的实测血压波形为基准利用预设定的修正算法不断调整初始敏感参数以获得当前模拟血压波形,直至当前模拟血压波形满足预设条件为止,最后利用实际人体循环模型仿真获得模拟中心动脉压;由于初始人体循环模型通过具有实际物理意义的一维动脉网络模型模拟动脉网络,能够准确模拟不同个体的真实连续血压波形,从而能够在成功模拟真实连续血压波形后,直接模拟得到具备个体适应性的模拟中心动脉压。
需要说明的是,本发明提供的中心动脉压推算方法及装置,还适用于推算人体其他部位的血压、血流速度等,在此不做具体限制。
第二实施例
请参阅图10,图10为本发明较佳实施例提供的一种建立中心动脉压推算模型的方法的流程图。该建立中心动脉压推算模型的方法包括步骤:
S301,利用中心动脉压推算方法获取多个实测血压对应的模拟中心动脉压。
需要说明的是,该多个实测血压是在各类人群的血压所在分布范围内进行大量随机采样获得的。
S302,通过多个实测血压及多个实测血压对应的模拟中心动脉压对预建立的神经网络模型以建立中心动脉压推算模型。
此外,通过建立中心动脉压推算模型,能够快速、精准基于实测血压快速获得用户需要的血压波形,避免了现场调节敏感参数而仿真获得模拟中心动脉压花费较多时间的问题。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种建立中心动脉压推算模型的装置300的实现方式,可选地,该建立中心动脉压推算模型的装置300可以采用上述图1所示的医疗设备100的器件结构。进一步地,请参阅图11,图11为本发明实施例提供的一种建立中心动脉压推算模型的装置300。需要说明的是,本实施例所提供的建立中心动脉压推算模型的装置300,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该建立中心动脉压推算模型的装置300包括样本获取单元310以及训练单元320。
样本获取单元310用于利用中心动脉压推算方法获取多个实测血压对应的模拟中心动脉压。
可以理解地,在一种可选的实施方式中,样本获取单元310可用于执行S301。
训练单元320用于通过多个实测血压及多个实测血压对应的模拟中心动脉压对预建立的神经网络模型以建立中心动脉压推算模型。
可以理解地,在一种可选的实施方式中,训练单元320可用于执行S302。
由于对神经网络进行训练的实测血压及模拟中心动脉压具备个体适应性,从而训练得到的中心动脉压推算模型也具备个体适应性;同时通过上述方法直接获取训练数据,避免了人工自行采集训练样本,节约了人力成本及时间成本。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,医疗设备,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。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种中心动脉压推算装置,其特征在于,所述中心动脉压推算装置包括:
仿真单元,用于根据预存储的初始敏感参数,并利用预建立的初始人体循环模型进行仿真获得初始模拟血压波形,其中,所述初始人体循环模型包含一维动脉网络模型、心脏模型以及动脉末端模型,所述一维动脉网络模型的入口与所述心脏模型耦合,所述一维动脉网络模型的出口与所述动脉末端模型耦合;
参数调整单元,用于以获取的实测血压波形为基准,利用预设定的修正算法不断调整所述初始敏感参数以获得当前模拟血压波形,直至所述当前模拟血压波形满足预设条件为止;
所述仿真单元还用于利用实际人体循环模型仿真获得模拟中心动脉压,其中,所述实际人体循环模型的实际敏感参数为所述当前模拟血压波形满足所述预设条件时对应的敏感参数;
所述实测血压波形包含N个第一采样点,所述初始模拟血压波形包含N个第二采样点,所述N个第一采样点与所述N个第二采样点一一对应,所述初始敏感参数为M个;
所述参数调整单元用于基于在所述N个第一采样点采集到的实测血压及在所述N个第二采样点采集到的初始模拟血压得到N个血压差;
所述参数调整单元还用于将所述M个初始敏感参数逐一扩大预设倍数,并分别仿真获得对应的M个第一当前模拟血压波形,每个所述第一当前模拟血压波形均包含N个第三采样点,所述N个第三采样点与所述N个第二采样点一一对应;
所述参数调整单元还用于基于在所述M个第一当前模拟血压波形的N个第三采样点采集到的第一当前模拟血压及在所述N个第二采样点采集到的初始模拟血压得到M×N个误差变化率;
所述参数调整单元还用于基于所述N个血压差、所述M×N个误差变化率,并利用Levenberg-Marquardt算法确定M个敏感参数调节量;
所述参数调整单元还用于利用基于所述M个敏感参数调节量调节所述M个初始敏感参数后得到的人体循环模型仿真获得第二当前模拟血压波形;
所述参数调整单元还用于计算所述第二当前模拟血压波形与所述实测血压波形的均方差;
所述参数调整单元还用于若所述均方差小于或等于预设定的第一阈值,则将所述第二当前模拟血压波形确定为所述当前模拟血压波形,否则,重新以所述实测血压波形为基准,利用预设定的修正算法不断调整所述第二当前模拟血压波形对应的敏感参数以获得当前模拟血压波形,直至所述当前模拟血压波形与所述实测血压波形的均方差小于或等于预设定的第一阈值为止。
3.根据权利要求1所述的中心动脉压推算装置,其特征在于,所述心脏模型的控制方程为:PLV=E(t)VLV,其中,PLV为左心房压力,E(t)时变弹性,VLV为左心室容积。
5.根据权利要求4所述的中心动脉压推算装置,其特征在于,所述基于所述N个血压差、所述M×N个误差变化率,并利用Levenberg-Marquardt算法确定M个敏感参数调节量的步骤包括:
通过算式[JTJ+λdiag(JTJ)]δP=JTΔy计算M个敏感参数调节量;其中,J为基于N个误差变化率确定的变化量矩阵,JT为J的转置矩阵,δ为表征M个敏感参数调节量的调节量矩阵,Δy为基于N个血压差确定的矩阵,λ为预设定的衰减系数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811530294.3A CN109620187B (zh) | 2018-12-14 | 2018-12-14 | 一种中心动脉压推算方法及装置 |
PCT/CN2018/121858 WO2020118742A1 (zh) | 2018-12-14 | 2018-12-18 | 一种中心动脉压推算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811530294.3A CN109620187B (zh) | 2018-12-14 | 2018-12-14 | 一种中心动脉压推算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109620187A CN109620187A (zh) | 2019-04-16 |
CN109620187B true CN109620187B (zh) | 2020-06-16 |
Family
ID=66073808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811530294.3A Active CN109620187B (zh) | 2018-12-14 | 2018-12-14 | 一种中心动脉压推算方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109620187B (zh) |
WO (1) | WO2020118742A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113040796B (zh) * | 2021-03-12 | 2022-12-02 | 北京阅影科技有限公司 | 获取冠状动脉功能学指标的方法与装置 |
WO2022188881A1 (zh) * | 2021-03-12 | 2022-09-15 | 北京阅影科技有限公司 | 无导丝ffr、无导丝imr和无导丝cfr的检测方法 |
EP4109468A1 (en) * | 2021-06-24 | 2022-12-28 | Koninklijke Philips N.V. | Systems and methods for modelling a human subject |
WO2022268937A1 (en) | 2021-06-24 | 2022-12-29 | Koninklijke Philips N.V. | Verifying a digital twin of a subject |
CN113413145B (zh) * | 2021-07-30 | 2023-06-02 | 北京阅影科技有限公司 | 获取中心动脉压的方法、装置与计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2561804A1 (en) * | 2010-04-20 | 2013-02-27 | Takumi Washio | System for estimating membrane stress on arbitrary-shaped curvilinear surface based on current configuration data |
CN103976720A (zh) * | 2013-12-17 | 2014-08-13 | 上海交通大学医学院附属仁济医院 | 血管内压力的无创测量方法及其装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2296539B1 (en) * | 2008-05-15 | 2023-12-20 | Uscom Limited | Method for estimating a central pressure waveform obtained with a blood pressure cuff |
WO2009146312A1 (en) * | 2008-05-27 | 2009-12-03 | Board Of Trustees Of Michigan State University | Methods and apparatus for determining a central aortic pressure waveform from a peripheral artery pressure waveform |
US8315812B2 (en) * | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
CN102499658B (zh) * | 2011-11-08 | 2013-12-11 | 中国科学院深圳先进技术研究院 | 中心血压波形重建模型及重建方法 |
CN103892818B (zh) * | 2012-12-28 | 2016-04-13 | 吴健康 | 一种无创中心动脉血压测量方法和设备 |
US20160196384A1 (en) * | 2015-01-06 | 2016-07-07 | Siemens Aktiengesellschaft | Personalized whole-body circulation in medical imaging |
CN107847649B (zh) * | 2015-06-04 | 2021-02-09 | 约瑟夫·赖尼尔·科内利斯·詹森 | 用于处理心脏传感器输出的方法和计算机系统 |
CN107928655B (zh) * | 2017-12-14 | 2023-07-11 | 江苏理工学院 | 一种基于人体动脉3d血管网络模型的中心动脉血压测定方法 |
-
2018
- 2018-12-14 CN CN201811530294.3A patent/CN109620187B/zh active Active
- 2018-12-18 WO PCT/CN2018/121858 patent/WO2020118742A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2561804A1 (en) * | 2010-04-20 | 2013-02-27 | Takumi Washio | System for estimating membrane stress on arbitrary-shaped curvilinear surface based on current configuration data |
CN103976720A (zh) * | 2013-12-17 | 2014-08-13 | 上海交通大学医学院附属仁济医院 | 血管内压力的无创测量方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020118742A1 (zh) | 2020-06-18 |
CN109620187A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109620187B (zh) | 一种中心动脉压推算方法及装置 | |
JP6789346B2 (ja) | 血管関連データを収集するためのシステムの作動方法 | |
US6949066B2 (en) | Rotary blood pump diagnostics and cardiac output controller | |
Forster et al. | Oscillometric determination of diastolic, mean and systolic blood pressure—a numerical model | |
Pantalos et al. | Characterization of an adult mock circulation for testing cardiac support devices | |
US8016763B2 (en) | Method for analysing pressure signals derivable from a body cavity | |
EP3571984B1 (en) | Systems for creating a model for use in detecting a peripheral arterial pressure decoupling in a subject and for detecting peripheral arterial pressure decoupling using arterial pressure waveform data and said model | |
CN101785666B (zh) | 用于确定生理参数的仪器及方法 | |
EP2393423B1 (en) | Calculating cardiovascular parameters | |
WO2009099833A2 (en) | Real-time detection of vascular conditions of a subject using arterial pressure waveform analysis | |
Young et al. | Pulse wave propagation in rat renal tubules: implications for GFR autoregulation | |
KR19990078405A (ko) | 생체의신장성함수및계통혈흐름의생체내결정을위한장치 | |
CN103892818A (zh) | 一种无创中心动脉血压测量方法和设备 | |
Bertaglia et al. | Computational hemodynamics in arteries with the one-dimensional augmented fluid-structure interaction system: viscoelastic parameters estimation and comparison with in-vivo data | |
Fetanat et al. | A sensorless control system for an implantable heart pump using a real-time deep convolutional neural network | |
EP2416701B1 (en) | Monitoring peripheral decoupling | |
KR101492453B1 (ko) | 심장 기능을 모니터링하는 방법 및 장치 | |
JP6847489B1 (ja) | 血圧推定装置、血圧推定方法、及び、血圧推定プログラム | |
WO2021090779A1 (ja) | 血圧推定装置、血圧推定方法、及び、血圧推定プログラム | |
Ravanshadi et al. | Introducing a distributed model of the heart | |
Ogawa et al. | Evaluation of flow rate estimation method for rotary blood pump with chronic animal experiment | |
CN116115205A (zh) | 血压测量方法、装置、电子设备及存储介质 | |
Alastruey et al. | Mathematics and Computer Science | |
Turney | Diastolic, Mean and Systolic Blood Pressure—A Numerical Model | |
Alastruey et al. | MOX–Report No. 06/2010 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |