CN114098661B - 基于体外反搏技术的下肢动脉硬化疾病治疗系统 - Google Patents

基于体外反搏技术的下肢动脉硬化疾病治疗系统 Download PDF

Info

Publication number
CN114098661B
CN114098661B CN202111187880.4A CN202111187880A CN114098661B CN 114098661 B CN114098661 B CN 114098661B CN 202111187880 A CN202111187880 A CN 202111187880A CN 114098661 B CN114098661 B CN 114098661B
Authority
CN
China
Prior art keywords
lower limb
platform
treatment
counterpulsation
external counterpulsation
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
Application number
CN202111187880.4A
Other languages
English (en)
Other versions
CN114098661A (zh
Inventor
张亚慧
伍贵富
魏文斌
张宇佳
钟楚彬
田帅
王银芬
许秀丽
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.)
Eighth Affiliated Hospital of Sun Yat Sen University
Original Assignee
Eighth Affiliated Hospital of Sun Yat Sen University
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 Eighth Affiliated Hospital of Sun Yat Sen University filed Critical Eighth Affiliated Hospital of Sun Yat Sen University
Priority to CN202111187880.4A priority Critical patent/CN114098661B/zh
Publication of CN114098661A publication Critical patent/CN114098661A/zh
Application granted granted Critical
Publication of CN114098661B publication Critical patent/CN114098661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/02007—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
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了一种基于体外反搏技术的下肢动脉硬化疾病治疗系统，包括ISRT治疗平台、体外反搏技术平台、生理信号监测平台、长短期记忆人工神经网络平台和治疗效果监测平台，ISRT治疗平台对被治疗对象进行ISRT治疗，体外反搏技术平台对ISRT治疗过程进行干预，生理信号监测平台获取个体剪切速率指数、下肢压力脉搏波、下肢血流频谱以及光电容积脉搏波，长短期记忆人工神经网络平台输出预测结果，治疗效果监测平台根据预测结果对治疗方案和/或体外反搏技术平台的反搏模式进行优化调整。本发明能够优化体外反搏技术平台干预的水平，提高体外反搏技术的诊疗效果，改善体外反搏技术的应用推广环境。本发明广泛应用于数字医疗技术领域。

Description

基于体外反搏技术的下肢动脉硬化疾病治疗系统
技术领域
本发明涉及数字医疗技术领域，尤其是一种基于体外反搏技术的下肢动脉硬化疾病治疗系统。
背景技术
外周动脉疾病(Peripheral Artery Disease，PAD)是老年人残疾和行动能力丧失的主要原因，特别是下肢动脉粥样硬化性疾病，影响广泛，患病者并发症多且重，因此存在迫切的对外周动脉疾病治疗的需求。
体外反搏技术(External Enhanced Counterpulsation，EECP)是具有中国自主知识产权的辅助循环技术，于1994年获美国FDA认证并相继出口到美国和其它近30个国家和地区，成为中国高端医疗技术的标志性技术。但是目前体外反搏技术，主要应用于针对心脑血管进行评估，没有针对心脑血管功能以外的如下肢动脉硬化疾病的评估系统及有效诊疗方法，限制体外反搏技术的个性化、精准化及智能化的应用，且影响了其临床的治疗效果和应用推广。
发明内容
针对上述体外反搏技术的治疗效果难以准确评估等至少一个技术问题，本发明的目的在于提供一种基于体外反搏技术的下肢动脉硬化疾病治疗系统，包括：
ISRT治疗平台；所述ISRT治疗平台用于根据治疗方案对被治疗对象进行ISRT治疗；
体外反搏技术平台；所述体外反搏技术平台用于对所述被治疗对象的ISRT治疗过程进行干预；
生理信号监测平台；所述生理信号监测平台用于在所述体外反搏技术平台干预下，获取ISRT治疗过程的个体剪切速率指数、下肢压力脉搏波、下肢血流频谱以及光电容积脉搏波；
长短期记忆人工神经网络平台；所述长短期记忆人工神经网络平台用于将所述个体剪切速率指数、下肢压力脉搏波、下肢血流频谱和光电容积脉搏波表示为多元特征矩阵，对所述多元特征矩阵进行预测，输出预测结果；
治疗效果监测平台；所述治疗效果监测平台用于根据所述预测结果对所述治疗方案和/或体外反搏技术平台的反搏模式进行优化调整。
进一步地，所述体外反搏技术平台具有多个反搏模式。
进一步地，所述在所述体外反搏技术平台干预下，获取ISRT治疗过程的个体剪切速率指数、下肢压力脉搏波、下肢血流频谱以及光电容积脉搏波，包括：
控制所述体外反搏技术平台以不同的所述反搏模式，对所述被治疗对象的ISRT治疗过程进行干预；
获取在每个所述反搏模式干预下，所述被治疗对象的血流参数变化；
将所述血流参数变化中的最优值对应的所述反搏模式确定为最优反搏模式；
在所述最优反搏模式干预下获取个体剪切速率指数、下肢压力脉搏波、下肢血流频谱以及光电容积脉搏波。
进一步地，所述获取个体剪切速率指数，包括：
获取所述被治疗对象的下肢多普勒超声图像；
从所述下肢多普勒超声图像导入多普勒曲线；
对所述多普勒曲线进行描记，获得速度外边缘曲线；
确定所述速度外边缘曲线在收缩期的速度变化最大斜率；
根据所述速度外边缘曲线确定平均血流速度；
根据所述速度变化最大斜率与所述平均血流速度，确定所述个体剪切速率指数。
进一步地，所述根据所述速度变化最大斜率与所述平均血流速度，确定所述个体剪切速率指数，包括：
将据所述速度变化最大斜率与所述平均血流速度的商，确定为所述个体剪切速率指数。
进一步地，所述根据所述预测结果对所述治疗方案进行优化调整，包括：
根据所述预测结果确定当前所述治疗方案的长期预估效果；
根据所述长期预估效果对所述治疗方案进行负反馈调整。
进一步地，所述根据所述预测结果确定当前所述治疗方案的长期预估效果，包括：
通过Kolmogorov-Smirnov检验对所述预测结果进行正态分布；
确定正态分布后的所述预测结果的组间和组内差异；
获取在不同所述反搏模式下的下肢超声血流动力学指标变化；
根据所述下肢超声血流动力学指标变化对所述预测结果进行多重测量方差分析；
根据所述多重测量方差分析的结果确定所述长期预估效果。
进一步地，所述根据所述多重测量方差分析的结果确定所述长期预估效果，包括：
当所述多重测量方差分析的结果小于0.05，确定所述长期预估效果明显。
进一步地，所述根据所述多重测量方差分析的结果确定所述长期预估效果，包括：
当所述多重测量方差分析的结果小于0.01，确定所述长期预估效果显著。
进一步地，所述被治疗对象满足以下条件：
年龄为45-75岁；
经门诊、住院或社康受试，超声检查膝下血管有中度或以上狭窄表现者；
在Fontaine分级中属于I级和IIa级。
另一方面，本发明还包括一种计算机装置，所述计算机装置包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例中的资产盘点方法。
另一方面，本发明还包括一种存储介质，所述存储介质中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例中的资产盘点方法。
本发明的有益效果是：实施例中的基于体外反搏技术的下肢动脉硬化疾病治疗系统，通过基于深度学习建立基于EECP技术平台的治疗下肢动脉效果的评价系统，通过长短期记忆人工神经网络平台这一深度学习模型输出多模态生理数据作为预测结果，评估体外反搏技术平台干预的合适程度，根据预测结果对ISRT治疗平台的治疗方案和/或体外反搏技术平台的反搏模式进行负反馈调整，能够优化体外反搏技术平台干预的水平，有利于提高体外反搏技术的诊疗效果，改善体外反搏技术的应用推广环境。
附图说明
图1为实施例中的下肢动脉硬化疾病治疗系统的工作原理图。
具体实施方式
一种基于体外反搏技术的下肢动脉硬化疾病治疗系统，包括ISRT治疗平台、体外反搏技术平台、生理信号监测平台、长短期记忆人工神经网络平台和治疗效果监测平台等部分。下肢动脉硬化疾病治疗系统中各部分的功能如图1所示。
本实施例中，在运行下肢动脉硬化疾病治疗系统之前，可以先筛选合格的被治疗对象。具体地，可以从医院心脏康复中心EECP数据库、医院门诊系统、超声科工作站、医院下属社康门诊或者老年人体检系统筛选下肢动脉硬化(膝下)患者100人，再从中筛选出满足以下条件的人：(1)年龄45-75岁；(2)门诊、住院及社康受试者超声检查膝下血管有明显狭窄表现者(中度及以上)；(3)Fontaine分级的I级和IIa级：(其中各级的表现为：Ⅰ级：无症状；Ⅱ级：Ⅱa轻度跛行，Ⅱb中重度跛行；Ⅲ级：缺血性静息痛；Ⅳ级：组织溃疡、坏疽)；(4)该研究医学伦理委员会批准，患者或家属对该研究知情同意且自愿签署知情同意书。被筛选出的人可以作为本实施例中的被治疗对象。
本实施例中，体外反搏技术平台是P-ECP/TM氧饱和度监测式增强型EECP(Pushikang P-ECP/TM,Chongqing,China)。P-ECP/TM氧饱和度监测式增强型EECP由一台计算机、一张治疗床、一台空气压缩机及三个包裹气囊组成，每次使用这种EECP治疗时，有专门负责的护士将气囊分别包住受试者的大腿和臀部，去掉小腿的气囊，让小腿充分灌注。气囊主要通过空气管与空气压缩机相连，在心电ECG监护下EECP的气囊与患者的心动周期同步进行充气和排气。在舒张期时下肢逐级序贯性加压充气，在收缩期时气囊同时快速放气。
本实施例中，为了个体化评估确定治疗压力，使用ISRT治疗平台对筛选出来的被治疗对象进行一次ISRT治疗，时间为45min。
本实施例中，使用体外反搏技术平台对被治疗对象的ISRT治疗过程进行干预，使用生理信号监测平台在体外反搏技术平台干预下，获取ISRT治疗过程的个体剪切速率指数、下肢压力脉搏波、下肢血流频谱以及光电容积脉搏波。
在即时监测研究中，除了监测SSI主要指标外，通过改变不同的反搏模式工作参数(治疗压力、指端脉搏及充排气时间等)观察下肢超声血流动力学指标变化。为了建立下肢动脉的血流评估标准，本项目重点采集了膝下动脉(胫前动脉、胫后动脉及足背动脉)的压力脉搏波、超声血流频谱以及脚趾的光电容积脉搏波PPG。对于采集的多模态生理信号，主要通过数字信号处理和图像处理等方法融合分析，并结合时频分析提取和计算，挖掘提取波峰、波谷及拐点等多特征，计算频域特征及下肢各个动脉平均血流量。
具体地，体外反搏技术平台具有多个反搏模式。在不同的反搏模式下，体外反搏技术平台具有10-25Mpa不等的反搏压力，以及不同的充排气时间及指端脉搏峰值和面积。可以首先设置不同的反搏模式各自的具体参数，例如可以设置5个反搏模式，这5个反搏模式的反搏压力分为10MPa、15MPa、20MPa、25MPa和30MPa，每个反搏模式的测试时间均为4min。这5个反搏模式各自对应的充排气时间及指端脉搏峰值和面积等参数也可以互不相同。然后运用超声多普勒检测下肢动脉超声(腘动脉、胫前、胫后动脉及足背动脉)血流频谱等数据，改变不同的反搏模式，主要记录6个心动周期的信号变化，在不同的反搏压力下监测血流速度、血流量等血流参数变化，将血流参数变化中的最优值对应的反搏模式确定为最优反搏模式。
在体外反搏技术平台以最优反搏模式干预下，生理信号监测平台测量被治疗对象的个体剪切速率指数、下肢压力脉搏波、下肢血流频谱以及光电容积脉搏波等数据。
具体地，下肢压力脉搏波、下肢血流频谱以及光电容积脉搏波等数据可以由生理信号监测平台对被治疗对象直接测量获得。对于个体剪切速率指数(Shear Rate Index，SSI)这一数据，生理信号监测平台可以通过执行以下步骤获得：
P1.获取被治疗对象的下肢多普勒超声图像；
P2.从下肢多普勒超声图像导入多普勒曲线；
P3.对多普勒曲线进行描记，获得速度外边缘曲线；
P4.确定速度外边缘曲线在收缩期的速度变化最大斜率；
P5.根据速度外边缘曲线确定平均血流速度；
P6.根据速度变化最大斜率与平均血流速度，确定个体剪切速率指数。
步骤P4中，可以用微分方程确定收缩期速度变化的最大斜率，所使用的具体公式为
Figure GDA0004198765340000051
其中，ACCmax为速度变化最大斜率，Δv为速度外边缘曲线的微分，Δt为时间的微分。
步骤P5中，所使用的公式为
Figure GDA0004198765340000052
其中，/>
Figure GDA0004198765340000053
为平均血流速度，V(t)为速度外边缘曲线，t为时间，n为速度外边缘曲线上的点数。
步骤P6中，将据速度变化最大斜率与平均血流速度的商，确定为个体剪切速率指数，即
Figure GDA0004198765340000054
本实施例中基于Python编程平台建立长短期记忆人工神经网络平台。长短期记忆人工神经网络平台可以建立ISRT干预前、中、后的多生理指标与ISRT的下肢血流量长期变化前中及前后差值的关系。本实施例中以ISRT下的多模态生理信号作为长短期记忆人工神经网络模型的输入，通过长短期记忆人工神经网络(Long Short-Term Memory,LSTM)建立血流量变化的多分类评估方法。
将采集的SSI等多模态生理数据，通过LSTM建立分类模型。将获得的基于EECP技术平台干预下的SSI、下肢压力脉搏波数据、下肢血流频谱特征以及PPG等表示为多元特征矩阵，用于LSTM模型的输入，输入层的生理信号特征参数进入LSTM网络层进行进一步学习，利用隐藏层神经单元的各个激励函数将无效的信息摒弃，将神经网络特取有用的特征存留存在网络结构中，在模型的输出层套上合适的激励函数，将预测改为分类问题。
输入样本经过LSTM的激励函数计算得样本的类别标签并输出，然后通过损失函数对比输出标签与样本标签，计算出差值大小，并输出一个非负数。数值大小表示了输出标签与样本标签的差异大小，越小表明越接近理想值。训练LSTM神经网络模型的过程，就是通过反馈和不断迭代减小损失函数输出数值的过程。设计LSTM模型输入神经元个数为5个，输出为3分类，最大训练次数设定为200次，隐层神经元节点数根据经验设定初始值结合实验确定。
具体地，长短期记忆人工神经网络平台用于将个体剪切速率指数、下肢压力脉搏波、下肢血流频谱和光电容积脉搏波表示为多元特征矩阵。长短期记忆人工神经网络平台可以对多元特征矩阵进行处理，输出多元特征矩阵对应的分类标签作为对多元特征矩阵的预测结果。可以根据预测结果，估计被治疗对象在经过体外反搏技术平台的干预治疗所获得的个体剪切速率指数、下肢压力脉搏波、下肢血流频谱以及光电容积脉搏波等数据的预测值，从而估计体外反搏技术平台的干预治疗所获得的效果。
本实施例中，治疗效果监测平台根据预测结果对治疗方案进行优化调整的过程，包括以下步骤：
P7.根据预测结果确定当前治疗方案的长期预估效果；
P8.根据长期预估效果对治疗方案和/或体外反搏技术平台的反搏模式进行负反馈调整。
步骤P7-P8中，经过分类模型选择出来的多模态生理数据与工作参数建立反馈相关关系，并优化ISRT现有治疗方法。同时，通过长期干预性实验ISRT对下肢动脉硬化闭塞症患者的下肢血流动力学长期治疗效果评估与验证。纳入患者15例，按照优化的EECP治疗方案进行，干预1个疗程(45分钟/次，1次/天，5天/周)。收集基本信息(姓名、性别、年龄、身高、体重、BMI、吸烟饮酒情况、病史、家族史、用药史、锻炼情况、职业及籍贯等)进行整理统计。观察上述神经网络筛选出来的多模态数据是否在长期治疗中有改善效果，为长期康复治疗提供理论依据。
根据上述关系，建立多信号同步监测，基于无创多生理信号监测系统，采集SSI刺激下的超声血流频谱的实时监测技术，在现有的EECP功能区模块添加SSI指标变化曲线。建立基于多生理参数融合的反馈调控模型，实时生物反馈控制及其人机交互等共性技术。建立每个患者SSI评估下的干预前后功能学指标，验证SSI评估下改进后的EECP对下肢动脉疾病的临床效果。
其中，步骤P7包括以下步骤：
P701.通过Kolmogorov-Smirnov检验对预测结果进行正态分布；
P702.确定正态分布后的预测结果的组间和组内差异；
P703.获取在不同治疗压力、不同充排气时间及不同指端脉搏峰值比及面积比下的下肢超声血流动力学指标变化；
P704.根据下肢超声血流动力学指标变化对预测结果进行多重测量方差分析；
P705.根据多重测量方差分析的结果确定长期预估效果。
步骤P701-P705中，主要采用医学统计学理论及SPSS20.0应用软件对于提取和计算得到的心血管参数进行分析。首先对数据先通过Kolmogorov-Smirnov test来做正态分布；确定正态分布后比较组间和组内的差异。其次获取不同的反搏模式工作参数下(治疗压力、充排气时间及指端脉搏峰值比及面积比等)的下肢超声血流动力学指标变化，对这些不同的治疗压力、充排气时间及指端脉搏峰值比及面积比的下肢超声血流动力学指标变化进行多重测量方差分析(ANCOVA)来评估长期的效果。
步骤P705中，多重测量方差分析的结果可以表示为数值P，可以根据P的大小来确定长期预估效果的优劣程度。例如，在P<0.05的情况下，可以判断长期预估效果明显，也就是体外反搏技术平台按照当前反搏模式进行干预，所获得的治疗效果比不使用外反搏技术平台是更好的；在P<0.01的情况下，可以判断长期预估效果显著，也就是体外反搏技术平台按照当前反搏模式进行干预，所获得的治疗效果比不使用外反搏技术是更好的，并且在P<0.01的情况下，使用外反搏技术所获得的治疗效果相对不使用外反搏技术的改善程度，比在P<0.05的情况下，使用外反搏技术所获得的治疗效果相对不使用外反搏技术的改善程度更大。
步骤P8中，可以根据多重测量方差分析所得的结果P的数值大小，来确定对治疗方案进行负反馈调整的方向和幅度。例如，可以设定一个目标阈值P0，当P＞P0或者P＜P0，都表明使用外反搏技术所获得的治疗效果仍可以通过改变治疗方案和/或体外反搏技术平台的反搏模式进行进一步改善。
本实施例中的基于体外反搏技术的下肢动脉硬化疾病治疗系统，首次基于深度学习建立了基于EECP技术平台的治疗下肢动脉效果的评价系统，这一系统是基于EECP在心脑血管疾病治疗外的精准应用，为临床在下肢动脉硬化疾病患者的评估应用提供了科学依据和临床指导。
本实施例中的基于体外反搏技术的下肢动脉硬化疾病治疗系统，以剪切速率为主，基于多模态生理数据建立了新的的评估方法，全面系统优化了此康复治疗方法，为此精准化的无创、非药物、非介入方法在临床的推广和应用提供了理论支撑。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (10)

1.一种基于体外反搏技术的下肢动脉硬化疾病治疗系统，其特征在于，所述下肢动脉硬化疾病治疗系统包括：
ISRT治疗平台；所述ISRT治疗平台用于根据治疗方案对被治疗对象进行ISRT治疗；
体外反搏技术平台；所述体外反搏技术平台用于对所述被治疗对象的ISRT治疗过程进行干预；
生理信号监测平台；所述生理信号监测平台用于在所述体外反搏技术平台干预下，获取ISRT治疗过程中被治疗对象的的个体剪切速率指数、下肢压力脉搏波、下肢血流频谱以及光电容积脉搏波；
长短期记忆人工神经网络平台；所述长短期记忆人工神经网络平台用于将所述个体剪切速率指数、下肢压力脉搏波、下肢血流频谱和光电容积脉搏波表示为多元特征矩阵，对所述多元特征矩阵进行预测，输出预测结果；
治疗效果监测平台；所述治疗效果监测平台用于根据所述预测结果对所述治疗方案和/或体外反搏技术平台的反搏模式进行优化调整。
2.根据权利要求1所述的基于体外反搏技术的下肢动脉硬化疾病治疗系统，其特征在于，所述体外反搏技术平台具有多个反搏模式。
3.根据权利要求2所述的基于体外反搏技术的下肢动脉硬化疾病治疗系统，其特征在于，所述在所述体外反搏技术平台干预下，获取ISRT治疗过程的个体剪切速率指数、下肢压力脉搏波、下肢血流频谱以及光电容积脉搏波，包括：
控制所述体外反搏技术平台以不同的所述反搏模式，对所述被治疗对象的ISRT治疗过程进行干预；
获取在每个所述反搏模式干预下，所述被治疗对象的血流参数变化；
将所述血流参数变化中的最优值对应的所述反搏模式确定为最优反搏模式；
在所述最优反搏模式干预下获取个体剪切速率指数、下肢压力脉搏波、下肢血流频谱以及光电容积脉搏波。
4.根据权利要求1所述的基于体外反搏技术的下肢动脉硬化疾病治疗系统，其特征在于，所述获取个体剪切速率指数，包括：
获取所述被治疗对象的下肢多普勒超声图像；
从所述下肢多普勒超声图像导入多普勒曲线；
对所述多普勒曲线进行描记，获得速度外边缘曲线；
确定所述速度外边缘曲线在收缩期的速度变化最大斜率；
根据所述速度外边缘曲线确定平均血流速度；
根据所述速度变化最大斜率与所述平均血流速度，确定所述个体剪切速率指数。
5.根据权利要求4所述的基于体外反搏技术的下肢动脉硬化疾病治疗系统，其特征在于，所述根据所述速度变化最大斜率与所述平均血流速度，确定所述个体剪切速率指数，包括：
将据所述速度变化最大斜率与所述平均血流速度的商，确定为所述个体剪切速率指数。
6.根据权利要求1所述的基于体外反搏技术的下肢动脉硬化疾病治疗系统，其特征在于，所述根据所述预测结果对所述治疗方案进行优化调整，包括：
根据所述预测结果确定当前所述治疗方案的长期预估效果；
根据所述长期预估效果对所述治疗方案进行负反馈调整。
7.根据权利要求6所述的基于体外反搏技术的下肢动脉硬化疾病治疗系统，其特征在于，所述根据所述预测结果确定当前所述治疗方案的长期预估效果，包括：
通过Kolmogorov-Smirnov检验对所述预测结果进行正态分布；
确定正态分布后的所述预测结果的组间和组内差异；
获取在不同所述反搏模式下的下肢超声血流动力学指标变化；
根据所述下肢超声血流动力学指标变化对所述预测结果进行多重测量方差分析；
根据所述多重测量方差分析的结果确定所述长期预估效果。
8.根据权利要求7所述的基于体外反搏技术的下肢动脉硬化疾病治疗系统，其特征在于，所述根据所述多重测量方差分析的结果确定所述长期预估效果，包括：
当所述多重测量方差分析的结果小于0.05，确定所述长期预估效果明显。
9.根据权利要求7或8所述的基于体外反搏技术的下肢动脉硬化疾病治疗系统，其特征在于，所述根据所述多重测量方差分析的结果确定所述长期预估效果，包括：
当所述多重测量方差分析的结果小于0.01，确定所述长期预估效果显著。
10.根据权利要求1所述的基于体外反搏技术的下肢动脉硬化疾病治疗系统，其特征在于，所述被治疗对象满足以下条件：
年龄为45-75岁；
经门诊、住院或社康受试，超声检查膝下血管有中度或中度以上狭窄表现者；
在Fontaine分级中属于I级和IIa级。
CN202111187880.4A 2021-10-12 2021-10-12 基于体外反搏技术的下肢动脉硬化疾病治疗系统 Active CN114098661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111187880.4A CN114098661B (zh) 2021-10-12 2021-10-12 基于体外反搏技术的下肢动脉硬化疾病治疗系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111187880.4A CN114098661B (zh) 2021-10-12 2021-10-12 基于体外反搏技术的下肢动脉硬化疾病治疗系统

Publications (2)

Publication Number Publication Date
CN114098661A CN114098661A (zh) 2022-03-01
CN114098661B true CN114098661B (zh) 2023-07-07

Family

ID=80441850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111187880.4A Active CN114098661B (zh) 2021-10-12 2021-10-12 基于体外反搏技术的下肢动脉硬化疾病治疗系统

Country Status (1)

Country Link
CN (1) CN114098661B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117379683B (zh) * 2023-12-12 2024-02-27 苏州晟智医疗科技有限公司 反搏辅助装置、计算设备、存储介质及反搏系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101669817B (zh) * 2009-09-25 2013-08-28 中山大学附属第一医院 体外反搏系统及其驱动方法
AU2018256483A1 (en) * 2017-11-01 2019-05-16 Ehsan Hamdy Physiologic and mechano-physiologic efficiency analysis software
WO2019136429A1 (en) * 2018-01-08 2019-07-11 Michael Poon External counterpulsation system
CN112754521B (zh) * 2021-01-12 2022-06-21 上海交通大学 一种脑血流自动调节能力评估方法和系统
CN113018135B (zh) * 2021-02-24 2023-01-31 山东交通学院 体外反搏协同控制系统及方法

Also Published As

Publication number Publication date
CN114098661A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
Panwar et al. PP-Net: A deep learning framework for PPG-based blood pressure and heart rate estimation
JP7261811B2 (ja) 訓練された予測モデルに基づく血圧降下の非侵襲的決定のためのシステム及び方法
Jindal et al. An adaptive deep learning approach for PPG-based identification
Roy et al. Improving photoplethysmographic measurements under motion artifacts using artificial neural network for personal healthcare
US10971271B2 (en) Method and system for personalized blood flow modeling based on wearable sensor networks
JP7045084B2 (ja) 血管系の健康を監視するためのシステムおよび方法
Maqsood et al. A benchmark study of machine learning for analysis of signal feature extraction techniques for blood pressure estimation using photoplethysmography (PPG)
Zhang et al. A refined blood pressure estimation model based on single channel photoplethysmography
CN114098661B (zh) 基于体外反搏技术的下肢动脉硬化疾病治疗系统
Yang et al. Blood pressure estimation with complexity features from electrocardiogram and photoplethysmogram signals
Fallahzadeh et al. Smart-cuff: A wearable bio-sensing platform with activity-sensitive information quality assessment for monitoring ankle edema
Panwar et al. CardioNet: Deep learning framework for prediction of CVD risk factors
Garcia et al. A multiple linear regression model for carotid-to-femoral pulse wave velocity estimation based on schrodinger spectrum characterization
Wang et al. A novel approach to estimate blood pressure of blood loss continuously based on stacked auto-encoder neural networks
Yen et al. Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN.
Ray et al. DeepPulse: An Uncertainty-aware Deep Neural Network for Heart Rate Estimations from Wrist-worn Photoplethysmography
CN115738067A (zh) 一种基于体外反搏技术的下肢血流灌注精准调控方法和系统
CN116138755A (zh) 一种构建用于无创血压监测的模型的方法以及可穿戴设备
Jain et al. An affordable cuff-less blood pressure estimation solution
CN115240845A (zh) 一种基于体外反搏的冠心病分类方法、系统及装置
CN111370123A (zh) 防止脑卒中复发的肢体协调辅助装置
Dogan et al. An accurate hypertension detection model based on a new odd-even pattern using ballistocardiograph signals
Panwar et al. PPG-Based Non-invasive Methodologies for Pervasive Monitoring of Vitals: BP and HR
Tamantini et al. A Data-Driven Fuzzy Logic Method for Psychophysiological Assessment: An Application to Exoskeleton-Assisted Walking
Leong et al. Cuffless Non-invasive Blood Pressure Measurement Using CNN-LSTM Model: A Correlation Study

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