CN114533121B - 脑灌注状态预测装置、方法、设备及模型训练装置 - Google Patents

Abstract

本发明实施例提供了一种脑灌注状态预测装置、方法、设备及模型训练装置，该脑灌注状态装置包括：第一获取模块用于获取生理特征数据，所述生理特征数据包括颈部血流数据、生理指标数据；第一确定模块用于确定与所述生理特征数据对应的颈部血流状态；第一处理模块用于根据所述颈部血流状态，确定与所述生理特征相对应的脑灌注状态。上述装置能够实现对脑灌注状态的预测。并且该脑灌注状态预测方法融合了更多的生理特征，提高了脑灌注状态预测结果的准确性，同时无需使用大型检查设备即可完成对脑灌注状态的预测，从而降低了脑灌注状态检查难度，使得脑灌注状态预测方法能够适用到各个应用场景，进一步提高了该预测方法的实用性。

Description

脑灌注状态预测装置、方法、设备及模型训练装置

技术领域

本申请属于计算机技术领域，尤其涉及脑灌注状态预测装置、方法、设备及模型训练装置。

背景技术

脑灌注成像技术主要用于反映脑组织的血流灌注状态，通过脑灌注成像技术能够尽可能地还原脑血管的实际情况，辅助评估脑血流以及脑功能状态。

目前，传统的脑灌注成像技术，多采用电子计算机断层扫描(ComputedTomography，CT)、核磁共振成像(Magnetic Resonance Imaging，MRI)等大型设备进行检查，然后基于检查结果进行脑血流及脑功能状态的评估。然而，这种检查设备往往体积较大，并安装在医院等固定场所中，因此，在一些户外急救或者航天等场景中，无法使用该技术来完成脑灌注状态的检查，导致无法快速对脑血流以及脑功能状态进行评估。因此，有待提出一种新的解决方案。

发明内容

有鉴于此，本发明实施例提供一种脑灌注状态预测装置、方法、设备及模型训练装置，用以降低脑灌注状态检查难度，提高实用性。

第一方面，本申请实施例提供一种脑灌注状态预测装置，该装置包括：

第一获取模块，用于获取生理特征数据，所述生理特征数据包括颈部血流数据、生理指标数据；

第一确定模块，用于确定与所述生理特征数据对应的颈部血流状态；

第一处理模块，用于根据所述颈部血流状态，确定与所述生理特征数据相对应的脑灌注状态。

第二方面，本申请实施例提供一种脑灌注状态预测方法，方法包括：

获取生理特征数据，所述生理特征数据包括颈部血流数据、生理指标数据；

确定与所述生理特征数据对应的颈部血流状态；

根据所述颈部血流状态，确定与所述生理特征相对应的脑灌注状态。

第三方面，本申请实施例提供一种脑灌注状态预测模型的训练装置，包括：

第二获取模块，用于获取生理特征数据样本、与所述生理特征数据样本对应的颈部血流状态样本以及与所述生理特征数据样本对应脑灌注状态样本，所述生理特征数据包括颈部血流数据、生理指标数据；

第二提取模块，用于提取所述生理特征数据样本中的生理特征样本；

第二确定模块，用于确定与所述生理特征样本对应的颈部血流状态；

第二处理模块，用于根据所述颈部血流状态，确定与所述生理特征样本对应的脑灌注状态；

第二生成模块，用于判断所述脑灌注状态与所述脑灌注状态样本的一致性，在所述脑灌注状态与脑灌注状态样本的一致性大于或等于预设阈值时，则生成脑灌注状态预测模型。

第四方面，本申请实施例提供一种脑灌注状态预测模型的训练方法，包括：

获取生理特征数据样本、与所述生理特征数据样本对应的颈部血流状态样本以及与所述生理特征数据样本对应脑灌注状态样本，所述生理特征数据包括颈部血流数据、生理指标数据；

提取所述生理特征数据样本中的生理特征样本；

确定与所述生理特征样本对应的颈部血流状态；

根据所述颈部血流状态，确定与所述生理特征样本对应的脑灌注状态；

判断所述脑灌注状态与所述脑灌注状态样本的一致性，在所述脑灌注状态与脑灌注状态样本的一致性大于或等于预设阈值时，则生成脑灌注状态预测模型。

第五方面，本申请实施例提供一种电子设备，包括：存储器及处理器；其中，

存储器，用于存储程序；

处理器，与存储器耦合，用于执行存储器中存储的程序，以用于：

获取生理特征数据，所述生理特征数据包括颈部血流数据、生理指标数据；

确定与所述生理特征数据对应的颈部血流状态；

根据所述颈部血流状态，确定与所述生理特征相对应的脑灌注状态。

第六方面，本申请实施例提供一种计算机存储介质，用于储存计算机程序，计算机程序使计算机执行时实现如下方法：

获取生理特征数据，所述生理特征数据包括颈部血流数据、生理指标数据；

确定与所述生理特征数据对应的颈部血流状态；

根据所述颈部血流状态，确定与所述生理特征相对应的脑灌注状态。

在本发明实施例提供的脑灌注状态预测方案中，首先通过第一获取模块，获取生理特征数据，其生理特征数据包括颈部血流数据、生理指标数据。然后通过第一确定模块，确定与所述生理特征数据对应的颈部血流状态。

第一处理模块，用于根据所述颈部血流状态，确定与所述生理特征相对应的脑灌注状态。

在本申请实施例提供的脑灌注状态预测技术方案中，通过第一获取模块，获取生理特征数据，其中生理特征数据包括颈部血流数据、生理指标数据。而后，基于第一确定模块，确定与所述生理特征数据对应的颈部血流状态。进而，通过第一处理模块，根据所述颈部血流状态，确定与所述生理特征数据相对应的脑灌注状态。在上述方案中，基于获取的生理特征数据可以确定对应的颈部血流状态，再基于颈部血流状态可以确定与生理特征数据对应的脑灌注状态，实现了对脑灌注状态的预测。并且该脑灌注状态预测方法融合了更多的生理特征，提高了脑灌注状态预测结果的准确性，同时无需使用大型检查设备即可完成对脑灌注状态的预测，从而降低了脑灌注状态检查难度，使得脑灌注状态预测方法能够适用到各个应用场景，进一步提高了该预测方法的实用性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。在附图中：

图1为本申请实施例提供的一种脑灌注状态分类装置的结构示意图；

图2为本申请实施例提供的一种脑灌注状态分类方法的流程示意图；

图3为本申请实施例提供的另一种脑灌注状态分类装置的结构示意图；

图4为本申请实施例提供的另一种脑灌注状态分类方法的流程示意图；

图5为本申请实施例提供的一种脑灌注状态分类模型训练装置的结构示意图；

图6为本申请实施例提供的一种脑灌注状态分类模型训练方法的流程示意图；

图7为本申请实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书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，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

还需要说明的是，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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。

另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。

为了便于理解本申请的技术方案，下面对现有技术进行简要说明：脑灌注成像技术主要用于反映脑组织的血流灌注状态。目前，通过脑灌注成像技术，能够尽可能还原脑血管的实际情况，辅助评估脑血流及脑功能状态。相关技术中，多采用电子计算机断层扫描(CT)、核磁共振成像(MRI)等大型设备进行检查，然后根据检查结果进行脑血流及脑功能状态的评估。

但是，相关技术中检查设备的操作复杂，需要由专门的技术人员来控制，而且往往体积较大，通常安装在医院等固定场所中，因此，脑灌注成像技术难以适应于一些特殊场景。例如，在航天场景中，由于太空环境中重力发生改变(如超重、失重)，且太空舱内空间有限，因此无法通过相关技术中的大型检查设备对宇航员的脑灌注状态进行检查，导致无法评估宇航员在太空环境中的脑血流以及脑部功能。再例如，在户外急救场景中，事故地点通常交通不便(地处偏远或附近拥堵)，伤者往往难以及时运送到具有检查设备的医院，因而，急救人员往往无法及时获知伤者的脑灌注状态，影响伤者的救治。

因此，为了解决上述技术问题，本申请实施例提出了解决方案。下面结合附图，对本申请实施例的一些实施方式作详细说明。在各实施例之间不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

本申请实施例提供的技术方案的执行主体可以是一个装置也可以是多个装置。所述装置可以包括但不限于：集成在智能手机、平板电脑、PDA(Personal DigitalAssistant，个人数字助理)、智能电视、膝上型便携计算机、台式计算机、智能穿戴设备、医疗设备等任意终端设备上的装置。所述装置包括用于获取生理特征数据的第一获取模块、以及用于处理上述生理特征数据的第一确定模块和第一处理模块。所述装置的各个模块可以搭载在上述终端设备中。所述装置的各个模块可以与传感器集成在同一设备中，也可以分别集成在不同设备中，本申请实施例并不限定。可选地，所述装置还包括显示模块，用于展示所述装置的处理结果，例如终端设备中的屏幕。

实际应用中，所述装置的第一获取模块可以与不同数据采集设备通信，从而通过通信连接接收这些数据采集设备各自获取到的生理特征数据。其中，不同数据采集设备中集成有不同功能的传感器。

例如，集成在超声数据检测设备中的超声传感器，该超声数据检测设备设置于目标评估对象侧。该超声数据检测设备例如实现为集成有超声传感器的颈部检查装置，该颈部检查装置与集成第一获取模块的装置相连。当然，为适应多种应用场景，该颈部检查装置与所述装置的连接方式可以是有线连接，也可以是无线连接，例如WiFi、5G、4G、蓝牙等。

除此之外，第一获取模块还可与磁共振数据采集设备通信。例如，超导型磁共振扫描仪。

另一实施例中，第一获取模块、第一确定模块、第一处理模块以及数据采集设备可以集成在同一系统中，例如第一获取模块、第一确定模块、第一处理模块以及数据采集设备可以集成在针对某一航天场景的脑灌注状态监测系统中。进而，在脑灌注状态监测系统中可以直接展示脑灌注状态预测结果，例如发出用于表示脑灌注状态预测结果的语音信息、或者显示脑灌注状态预测结果。或者，由该脑灌注状态监测系统将预测结果发送至终端设备，并由终端设备对处理结果进行展示。

实际上，所述装置的硬件结构可以根据具体应用场景进行设置，本申请实施例中仅为示例，具体设置并不限定。

应当注意的是，无论执行主体实现为哪一种硬件结构，执行主体的核心意图都是：

获取生理特征数据。基于获取的生理特征数据，通过第一确定模块，确定与所述生理特征对应的颈部血流状态。进而，通过第一处理模块，根据所述颈部血流状态，确定与所述生理特征相对应的脑灌注状态，对生理特征数据进行分析处理时融合了更多的生理特征，使得脑灌注状态预测结果的准确性得到提高，同时无需使用大型检查设备即可完成对脑灌注状态的预测，从而降低了脑灌注状态检查难度，使得脑灌注状态预测方法能够适用到各个应用场景，进一步提高了该预测方法的实用性。

下面结合具体实施例介绍技术方案的具体实施方式。

图1为本申请实施例提供的一种脑灌注状态预测装置的结构示意图，如图1所示，所述装置包括如下模块：

第一获取模块101，用于获取生理特征数据，生理特征数据包括颈部血流数据、生理指标数据。

第一确定模块102，用于确定与生理特征数据对应的颈部血流状态。

第一处理模块103，用于根据颈部血流状态，确定与生理特征数据相对应的脑灌注状态。

进一步的，该装置还可能包括显示模块，用于输出第一处理模块103的处理结果，如脑灌注状态预测结果、脑灌注状态是否为异常状态的结果。

可以理解的是，第一获取模块101与第一确定模块102以及第一处理模块103可以位于同一台设备上，也可以是第一获取模块101位于本地，而第一确定模块102和第一处理模块103位于远程服务器。当然，此处描述的结构仅为示例，实际应用中可以根据具体应用场景选择用于集成第一获取模块101、第一确定模块102与第一处理模块103的硬件结构。

首先，第一获取模块101用于获取生理特征数据，其中生理特征数据包括颈部血流数据、生理指标数据。在一可选实施例中，第一获取模块101与数据采集设备通信，从而，通过与数据采集设备的通信连接，接收来自数据采集设备的生理特征数据。

可选地，生理特征数据包括但不限于颈部血流数据以及生理指标数据中的至少一种。其中颈部血流数据可以包括以下至少之一：颈部血流动力学参数、血管形态参数与血管壁力学参数。生理指标数据可以包括以下至少之一：年龄、性别、血压、心率、体温、血氧饱和度。

本申请实施例中，颈部血流数据可以通过超声数据采集设备进行获取。由于流经脑部的血液都要通过颈部输送，因此，颈部血流数据能够在一定程度上反映出脑部血流情况，为脑灌注状态的预测提供基础。

实际应用中，颈部血流数据包括但不限于以下任意一种数据或组合：颈部血流动力学参数、血管形态参数与血管壁力学参数。可选地，颈部血流数据为连续周期性数据，例如超声传感器基于预设周期采集的多个颈部血流数据。例如，超声传感器依据预设周期连续采集多组颈部血流数据。其中，每一组颈部血流数据中包括多个颈部血流信号，从而由这些信号构成对应的颈部血流序列。

本申请实施例中，生理指标数据主要用于反映评估目标的生理指标，比如生理指标数据包括但不限于：评估目标的年龄、性别、心率、体温、血压、血氧饱和度。可选地，这些生理指标数据可以来自于历史评估数据，例如预先录入的年龄、性别，也可以实时检测得到的，例如对评估目标进行检测，以采集心率、体温、血压、血氧饱和度。比如，采用血压计测量血压，采用智能移动设备采集心率、体温、血氧饱和度。当然，另一示例中，上述生理指标数据也可采用同一生理指标数据监测系统获取，该监测系统例如搭载在救护车或者航天载具上。

实际应用中，第一获取模块101与集成有超声探头的数据采集设备连接。例如，数据采集设备中集成有基于超声成像技术实现的超声传感器。或者，也可以集成有多普勒超声探头，其对具体的数据采集设备不做限定。

值得说明的是，上述介绍的各种生理特征数据均可用于作为下文训练脑灌注状态预测模型的样本数据。样本数据的采集过程参见相关技术中的具体实施方式，此处不再赘述。

在一可选实施例中，第一获取模块101在获取到生理特征数据后并对生理特征数据进行预处理。例如，可以对生理特征数据进行统一单位、缺失值填补、异常值处理等操作，以使得后续更好地对生理特征数据进行分析处理等操作。其生理特征数据具体的预处理过程可以参见相关技术中的具体实施方式，此处不再赘述。

在实际应用中，若医生需要对待评估目标进行颈部血流状态和脑灌注状态的确定时，基于第一获取模块101获取到的生理特征数据并不能直接评定待评估对象的颈部血流状态和脑灌注状态。其需要根据获取到的生理特征数据之后对生理特征数据进行计算得到可以直接对颈部血流状态和脑灌注状态进行评定的指标生理特征数据。因此，在第一获取模块101获取到生理特征数据之后，需要对生理特征数据进行处理，提取生理特征，以基于提取到的生理特征可以直接对待评估目标的颈部血流状态进行评定。

本申请实施例中的第一确定模块102，是用于对采集到生理特征数据进行分析、处理的设备,因此，可以基于第一确定模块提取生理特征。在一可选实施例中，第一获取模块101可以通过与数据采集设备进行通信连接，获得待评估目标的颈部血流数据和生理指标数据，然后第一确定模块102对生理特征数据进行处理，以提取对应的生理特征。

具体而言，对于任一评估目标，从生理指标数据中提取该评估目标的年龄、性别、血压、心率、体温、血氧饱和度。基于颈部血流数据计算出该评估目标对应的收缩峰值血流速度、舒张末期血流速度、平均血流速度、阻力指数、搏动指数、收缩/舒张比值。其上述生理特征都可以根据据具体的公式计算得到，实际应用中，上述评估参数可采用超声频谱图计算得到，具体计算方式可参考临床常用的计算方式。例如计算阻力指数RI可以采用如下公式计算，即：RI＝(PSV-EDV)/PSV，其中PSV为收缩期峰值颈部血流速度，EDV即舒张末期颈部血流速度。基于颈部血流数据可以得到周期、频率、极值、均值、方差等统计学参数。基于颈部动脉血管彩超可以得到颈动脉管内中膜厚度、颈动脉管壁弹性、血管狭窄程度、斑块位置和大小等血管参数。通过上述步骤计算处理得到的生理特征，可以用于作为确定颈部血流状态的颈部血流状态学习模型的输入特征。颈部血流状态学习模型的具体说明参见下文，此处暂不展开。

由于第一确定模块102提取到的生理特征数据包括多种数据，为了减少计算量，提高学习模型的训练过程，对获取到的生理特征进行过滤，以筛选出重要的生理特征。即在第一确定模块102提取到生理特征之后，需要对生理特征进行筛选处理。对生理特征进行筛选可以按照发散性或相关性对各个生理特征进行评分，设定阈值或者待选择阈值的个数进行特征选择，器具今天可以采用Pearson相关系数法、互信息法、方法选择法等来完成特征选择。其还可以根据目标函数(也即模型预测效果评分)，使用每一个待选的特征子集训练模型，根据目标函数的误差大小选择合适的特征子集，其具体可以使用前向搜索法、后向搜索法、双向搜索特征选择、递归特征消除法等方法来完成特征选择。其也可以根据每个特征在模型训练时的每次迭代中起到的作用来排列特征的重要性，其具体可以使用基于惩罚项的特征选择法、基于树模型的特征选择法等方法来完成特征选择。在实际应用中，也可以根据实际需求采用上述中的任意组合方法对生理特征进行过滤筛选。

在一可选实施例中，颈部血流特征的具体的筛选过程可以为：将颈部血流数据输入至特征选择模型中，利用特征选择模型对颈部血流数据进行特征筛选，以得到特征子集，并确定特征子集为颈部血流特征。其中特征子集包括多个预设特征，预设特征与颈部血流状态的关联度大于预设阈值，预设阈值可以根据实际情况进行提前设定，并且特征选择模型被训练为用于提取颈部血流特征。

在通过第一获取模块101获取到生理特征数据的基础上，第一确定模块102需要利用生理特征数据确定与其相对应的颈部血流状态。

可选地，在第一确定模块102确定与生理特征数据对应的颈部血流状态时，具体可以用于：在颈部血流数据中提取颈部血流特征，并将颈部血流特征和生理指标参数输入至预先训练的颈部血流状态学习模型，以利用颈部血流状态学习模型获得与颈部血流特征对应的颈部血流状态，其中，颈部血流状态学习模型被训练为用于获取颈部血流状态。另外，颈部血流状态学习模型进行学习训练时，可以建立第一机器学习模型，建立第一机器学习模型之后，可以利用第一机器学习模型对颈部血流特征和生理指标数据进行分析处理，从而可以获得与颈部血流特征相对应的颈部血流状态。

本实施例中，通过将颈部血流特征和生理指标参数输入至预先训练的颈部血流状态学习模型，以获得颈部血流状态，也就是说，基于颈部血流特征和生理特征共同确定的颈部血流状态，使得确定的颈部血流状态更具个性化，预测结果更具有针对性，进一步提高了该方法使用的稳定可靠性。

本申请实施例中的第一处理模块103，是用于对确定的颈部血流状态进行分析、处理的设备。并且第一获取模块101、第一确定模块102、第一处理模块103可以分别位于本地处理器，也可以分别位于远程服务器或服务器集群，还可以分别位于云端服务器中的虚拟处理器。可选地，第一获取模块101、第一确定模块102和第一处理模块103也可以位于同一处理器，或者位于同一远程服务器或服务器集群，还可以位于同一云端服务器中的虚拟处理器。

第一处理模块103具体用于根据颈部血流状态，确定与生理特征相对应的脑灌注状态。实际上，脑灌注状态是指脑部血流灌注状态。基于不同应用需求，脑灌注状态可分为多种类型。例如，脑灌注状态按照血流灌注情况分为脑血流量正常、脑血流量轻度偏高、脑血流量中高、脑血流量高、脑血流量轻度偏低、脑血流量中低、脑血流量低。

在第一处理模块103根据颈部血流状态，确定与生理特征数据相对应的脑灌注状态时，具体可以用于：将颈部血流状态输入至预先训练的关联模型，以利用关联模型基于颈部血流状态，获得颈部血流状态相对应的脑灌注状态，其中，关联模型被用于训练为用于获取颈部血流状态相对应的脑灌注状态。另外，在对关联模型进行学习训练时，可以建立机器学习模型，然后基于机器学习模型对颈部血流状态进行分析处理，从而获得颈部血流状态相对应的脑灌注状态。

关联模型可以直接根据颈部血流状态与脑灌注状态之间的相关关系模型来确定的，其具体可以通过相似度算法计算各个颈部血流状态和脑灌注状态之间的关联度，来判断两种状态之间相关关系的强度、方向和顺序使用特征进行关联度进行计算。颈部血流状态和脑灌注状态之间的关联度越大，则它们的关系越紧密，即该颈部血流状态对脑灌注状态的影响越大，反之亦然。关联模型也可以根据颈部血流特征参数与脑灌注参数特征之间的相关关系模型来确定的，具体可以通过相似度算法计算各个颈部血流特征参数序列和脑灌注状态序列之间的关联度，来判断特征参数之间相关关系的强度、方向和顺序使用特征进行关联度进行计算。相似度的计算算法包括但不限于皮尔逊相关系数、余弦相似度等相似性度量方法或距离度量方法。颈部血流特征参数序列和脑灌注状态序列之间的关联度越大，则它们的关系越紧密，即该特征序列对脑灌注状态的影响越大，反之亦然。

在确定与生理特征数据相对应的脑灌注状态之后，第一处理模块103还可以用于：获取用于对脑灌注状态进行分析处理的脑灌注状态标准，并基于脑灌注状态标准，判断脑灌注状态是否为异常状态。脑灌注状态标准可以根据实际需求进行设定，可以为多个生理特征指标的范围，基于多个生理特征指标划定的范围共同作为脑灌注状态标准。在得到脑灌注状态后，为了便于辅助辅助医师完成脑部检查评估，可以直接对脑灌注状态进行分析，并直接将脑灌注状态的判断结果进行显示，以便辅助医师快速完成脑部检查评估，并且由于脑灌注状态标准提前已经进行设定，那么通过该方法可以使得脑灌注状态异常情况的判定结果更准确。

在一可选实施例中，利用颈部血流状态学习模型，获得与颈部血流特征对应的颈部血流状态后，可以基于颈部血流状态标准，对确定的颈部血流状态进行判断，以便对待评估目标进行各项指标的评估。

在确定与生理特征数据对应的颈部血流状态之后，第一处理模块103还可以获取用于对颈部血流状态进行分析处理的颈部血流状态标准，并基于颈部血流状态标准，判断颈部血流状态是否为异常状态。颈部血流状态标准可以为多个生理特征参数范围，结合多个生理特征参数范围共同进行评定，其具体地颈部血流动态标准可以根据具体地应用需要和设计需求进行设置。例如：平均血流速度大于阈值A或小于阈值B时平均血流速度为异常状态，大于B小于A时是正常状态，其中A大于B。基于不同生理特征类型为其划分阈值，并采用二元化方法判定该生理特征此刻为正常状态还是为异常状态。对每一个生理特征参数都进行特征状态范围划分，结合多个特征参数进行判断。

由此可知，使用本申请实施例中的装置不仅可以得到与获取到的生理特征数据相对应的颈部血流状态、脑灌注状态，也可以对颈部血流状态和脑灌注状态进行判断，并将判断后的结果显示在终端设备上。

综上，该脑灌注状态预测模型装置在进行脑灌注状态预测时，首先第一获取模块101与数据采集设备进行通信获取生理特征数据，其生理特征数据包括颈部血流数据和生理指标数据。接着，第一确定模块102将生理特征输入到颈部血流状态学习模型之前，也可通过对生理特征数据进行特征提取，并对提取到的生理特征进行选择，以进一步提高颈部血流状态学习模型的学习训练效率以及学习模型预测准确性。然后利用颈部血流状态学习模型，确定与生理特征数据对应的颈部血流状态。最后，第一处理模块103将颈部血流状态输入至关联模型，以利用关联模型确定与生理特征相对应的脑灌注状态。并可以基于脑灌注状态标准对确定的与生理特征数据对应的脑灌注状态进行判断是否为异常情况，以便辅助医师进行脑功能状态的评估。

在上述装置中，基于获取的生理特征数据可以确定对应的颈部血流状态，再基于颈部血流状态可以确定与生理特征数据对应的脑灌注状态，实现了对脑灌注状态的预测。并且该脑灌注状态预测方法融合了更多的生理特征，提高了脑灌注状态预测结果的准确性，同时无需使用大型检查设备即可完成对脑灌注状态的预测，从而降低了脑灌注状态检查难度，使得脑灌注状态预测方法能够适用到各个应用场景，进一步提高了该预测方法的实用性。

如图2为本申请实施例提供的一种脑灌注状态预测方法的流程示意图。具体包括如下步骤：

201、获取生理特征数据，生理特征数据包括颈部血流数据、生理指标数据。

202、确定与生理特征数据对应的颈部血流状态。

203、根据颈部血流状态，确定与生理特征相对应的脑灌注状态。

其中，生理特征数据包括生理指标数据、颈部血流数据中的至少一种。

获取到生理特征数据之后，对生理特征数据进行分析处理，首先提取生理特征数据中的生理特征，包括：基于生理指标数据提取对应的年龄、性别、血压、心率、体温、血氧饱和度，基于颈部血流数据提取对应的收缩峰值血流速度、舒张末期血流速度、平均血流速度、阻力指数、搏动指数、收缩/舒张比值。然后基于提取出地生理特征进行特征选择，选出影响颈部血流状态与脑灌注状态的重要生理特征。

以生理指标数据、颈部血流数据中选择出的多种生理特征，作为颈部血流状态学习模型的输入特征。利用颈部血流状态学习模型，得到与生理特征数据对应的颈部血流状态。

最后，将颈部血流状态输入到关联模型，利用关联模型得到脑灌注状态。

在本申请实施例的方法中，通过获取到的生理特征数据可以得到颈部血流状态，再根据颈部血流状态可以确定与生理特征数据对应的脑灌注状态，以实现对脑灌注状态的预测。

值得说明的是，脑灌注状态预测方法与图1提供的脑灌注状态分类装置的实施方式类似，相似之处参见上文，此处不展开。

图3为本申请实施例提供的另一种脑灌注状态预测装置的结构示意图，如图3所示，所述装置包括如下模块：

获取模块301，用于获取当前时间段内的生理特征数据，生理特征数据包括颈部血流数据、生理指标数据。

预测模块302，用于确定生理特征数据的变化趋势。

确定模块303，用于确定与生理特征数据对应的颈部血流状态变化趋势。

处理模块304，用于根据颈部血流状态变化趋势，确定与生理特征数据相对应的脑灌注状态变化趋势。

由于获取到的生理特征数据为一个时序性数据，并且只能获取到当前时间段内的待评估目标的生理特征数据，那么可以根据当前的生理特征数据，预测接下来一段时间内的待评估目标的生理特征数据变化趋势，基于该变化趋势，可以预测其对应的颈部血流状态的变化趋势，并基于预测到的颈部血流状态的变化趋势，从而可以获得待评估目标的脑灌注状态的变化趋势，这样可以根据变化趋势，及时生成警示信息，以便医师基于该变化趋势及时做出调整。

进一步的，该装置还可能包括显示模块，用于输出处理模块304的处理结果。

脑灌注状态预测装置与图1提供的脑灌注状态预测装置的实施方式类似，相似之处参见上文，此处不展开。

图4为本申请实施例提供的另一种脑灌注状态预测方法的流程示意图；在上述任意实施例的基础上，继续参考附图4所示，本实施例中的方法可以包括：

401、获取当前时间段内的生理特征数据，生理特征数据包括颈部血流数据、生理指标数据。

402、确定生理特征数据的变化趋势。

403、确定与生理特征数据对应的颈部血流状态变化趋势。

404、根据颈部血流状态变化趋势，确定与生理特征数据相对应的脑灌注状态变化趋势。

脑灌注状态预测方法与图1提供的脑灌注状态预测装置的实施方式类似，相似之处参见上文，此处不展开。

为了便于理解，举例进行说明脑灌注状态预测装置的处理过程，具体的，在利用脑灌注状态预测方法对生理特征数据进行处理时，可以先构建机器学习模型，具体的构建过程可以包括：

一、构建颈部血流状态学习模型

在构建颈部血流状态学习模型时，可以先获取大量的颈部血流数据样本、生理指标数据样本以及颈部血流状态样本，具体的，可以通过预设数据库中搜索获得大量的数据样本。在获得大量数据样本之后，可以基于构建的机器学习模型对大量数据样本进行学习训练，进而可以构建颈部血流状态学习模型，该颈部血流状态学习模型可以基于任意的生理特征数据确定对应的颈部血流状态。

另外，为了能够保证颈部血流状态学习模型确定出的颈部血流状态的准确性，在构建颈部血流状态学习模型时，可以先获取多组生理特征数据以及与多组生理特征数据对应的多个颈部血流状态。而后，利用机器学习模型对多组生理特征数据进行处理，获得对应的颈部血流状态，之后确定获得的颈部血流状态与多个颈部血流状态样本的一致性，当训练结果的一致性大于预设阈值时，则可以停止利用机器学习模型进行学习训练，从而生成颈部血流状态学习模型。

二、构建关联模型

在构建关联模型时，可以先获得多个生理特征数据样本、与生理特征数据样本对应的颈部血流状态样本以及与生理特征数据样本对应的脑灌注状态样本。具体的，可以从预设数据库中搜索获得大量的数据样本。利用构建的机器学习模型对生理特征数据样本、与生理特征数据样本对应的颈部血流状态样本以及与生理特征数据样本对应的脑灌注状态样本进行学习训练，从而生成关联模型。该关联模型通过对大量的数据样本学习训练可以得到颈部血流状态与脑灌注状态之间的映射关系，利用映射关系根据颈部血流状态，可以获得对应的脑灌注状态。

另外，为了能够保证关联模型预测的脑灌注状态的准确性，在构建关联模型时，可以先获取多组生理特征数据、与多组生理特征数据对应的多个颈部血流状态以及与多组生理特征数据对应的多个脑灌注状态。而后，利用机器学习模型对多组数据样本进行处理，获得对应的脑灌注状态，之后确定获得的脑灌注状态与多个脑灌注状态样本的一致性，当训练结果的一致性大于预设阈值时，则可以停止利用机器学习模型进行学习训练，从而生成关联模型。

三、构建脑灌注状态学习模型

在利用上述的关联模型获得生理特征数据相对应的脑灌注状态时，为了直接得到与生理特征数据对应的脑灌注状态样本，并能直接根据生理特征数据确定与其对应的对脑灌注状态，可以在构建关联模型之前加入一个脑灌注状态学习模型。

在构建脑灌注状态学习模型时，可以先获取大量的脑部血流数据样本、生理指标数据样本以及脑灌注状态样本，具体的，可以通过预设数据库中搜索获得大量的数据样本。

本申请实施例中，脑部血流数据包括但不限于脑部磁共振数据。其中，脑部磁共振数据包括但不限于：动脉自旋标记示踪(Arterial Spin Labeling，ASL)数据、定量磁敏感成像(Quantitative Susceptibility Imaging，QSM)数据、定量血氧依赖水平(quantitative Blood Oxygen Level Dependent，qBOLD)数据。基于ASL数据以及QSM数据提取对应的脑部血流动力学参数，其依据该脑部血流动力学参数可以直接反映脑灌注状态。

其中，ASL数据是利用ASL技术获得的，主要用于反映(被测对象的)脑血流量。如ASL序列。其中，ASL是无需使用造影剂而获得脑灌注成像的方法，可以从不同角度反映脑组织的血流灌注信息。在ASL技术中，会采用饱和脉冲或反转序列在兴趣区的上游对血液中内源性质子进行标记，然后在兴趣区(比如重点观察的脑部区域)采集信号。从而，实现对脑血流动力学的无创研究。

由于ASL具有天然的可重复性，在较短时间内重复观察血流灌注变化，因此，可选地，采用ASL技术获取多组ASL序列作为脑部核共振样本，用于脑灌注状态学习模型的训练。例如，ASL平均时间序列样本。

其中，QSM数据主要用于评估脑氧代谢参数，如氧摄取分数(OEF)。QSM数据是基于梯度回波的一种新型磁共振成像技术，可量化生物组织内磁化率空间分布而成为能定量活体组织铁含量的重要方法。

其中，qBOLD数据主要用于反映(被测对象的)脑部血氧水平。具体地，qBOLD技术通过测量血流量和血氧合水平的变化，能够有效地反映被测对象在各种状态(如静息状态、负荷状态)下脑部血流和代谢活动等功能性变化，是研究大脑功能连接异常的有效手段。

因此，可以获取以上数据样本进行脑灌注状态学习模型的学习训练。

在获得大量数据样本之后，可以基于构建的机器学习模型对大量数据样本进行学习训练，进而可以构建脑灌注状态学习模型，该脑灌注状态学习模型可以基于任意的生理特征数据确定对应的脑灌注状态。

另外，为了能够保证脑灌注状态学习模型确定出的脑灌注状态的准确性，在构建脑灌注状态学习模型时，可以先获取多组生理特征数据以及与多组生理特征数据对应的多个脑灌注状态。而后，利用机器学习模型对多组生理特征数据进行处理，获得对应的脑灌注状态，之后确定获得的脑灌注状态与多个脑灌注状态样本的一致性，当训练结果的一致性大于预设阈值时，则可以停止利用机器学习模型进行学习训练，从而生成脑灌注状态学习模型。

基于上述所构建的颈部血流状态学习模型、关联模型和脑灌注状态学习模型，可以实现本应用实施例提供的脑灌注状态预测方法，具体的，方法可以包括：获取生理特征数据，生理特征数据包括颈部血流数据、生理指标数据；确定与生理特征数据对应的颈部血流状态；根据颈部血流状态，确定与生理特征相对应的脑灌注状态。

介绍完本申请可能使用到的网络模型及其用法后，下面介绍用于训练上述模型的训练数据的获取方式。例如，

首先，可以通过超声传感器采集目标检查对象的颈部血流数据。与上文介绍类似，将颈部血流数据转换为颈部血流特征序列，序列元素的个数根据颈部血流数据的采集数量决定。

其次，介绍脑部磁共振样本。脑部磁共振样本主要包括qBOLD样本、ASL样本、QSM样本。

例如，采用功能性磁共振成像(functional magnetic resonance imaging，fMRI)获取脑部磁共振图像作为脑部磁共振样本。可选地，对脑部磁共振图像进行时间片校正、头动校正、结构图像与功能图像配准、全局归一化、空间平衡、空间标准化等预处理操作得到大脑灰质图像，以该大脑灰质图像作为脑部磁共振样本。值得说明的是，fMRI是一种神经影像学方式，其原理是利用磁振造影来测量神经元活动所引发之血液动力的改变。

进而，从脑部磁共振样本中提取出qBOLD样本、ASL样本、QSM样本。

本申请中，qBOLD样本是通过qBOLD技术采集的连续周期数据。简单来说，就是在测量周期内可以采集预设数量的多个qBOLD数据样本。例如，在测量周期内采集200个qBOLD数据样本。因此，qBOLD数据能够反映出连续时间段内脑部血流和代谢活动等功能性变化，为敏感脑区的筛选提供依据。另外两种样本数据的采集方式类似，此处不再展开介绍，具体采集方式可参见相关技术。

对于任一评估目标，基于ASL数据、QSM数据、qBOLD数据计算出该评估目标对应的脑部血流动力学参数。其中，脑部血流动力学参数包括但不限于：脑血流量(CBF)、脑氧代谢参数。例如，利用ASL数据计算出脑血流量(CBF)。例如，采用QSM数据和qBOLD数据可以计算出脑氧代谢参数，例如氧摄取分数(OEF)。

在实际应用中，基于生理指标数据提取对应的年龄、性别、血压、心率、体温、血氧饱和度；基于颈部血流数据提取对应的收缩峰值血流速度、舒张末期血流速度、平均血流速度、阻力指数、搏动指数、收缩/舒张比值；基于颈部血流数据可以提取得到周期、频率、极值、均值、方差等统计学参数；基于颈部动脉血管彩超可以得到颈动脉管内中膜厚度、颈动脉管壁弹性、血管狭窄程度、斑块位置和大小等血管参数。基于ASL数据以及QSM数据提取对应的脑部血流动力学参数，将数据特征参数作为对应的机器学习模型的输入。

图5为本申请实施例提供的一种脑灌注状态预测模型训练装置的结构示意图。如图5所示，装置包括：第二获取模块31、第二提取模块32、第二确定模块33、第二处理模块34以及第二生成模块35；其中，

第二获取模块31，用于获取生理特征数据样本、与所述生理特征数据样本对应的颈部血流状态样本以及与所述生理特征数据样本对应脑灌注状态样本，所述生理特征数据包括颈部血流数据、生理指标数据。

第二提取模块32，用于提取所述生理特征数据样本中的生理特征样本。

第二确定模块33，用于确定与所述生理特征样本对应的颈部血流状态。

第二处理模块34，用于根据所述颈部血流状态，确定与所述生理特征样本对应的脑灌注状态。

第二生成模块35，用于判断所述脑灌注状态与所述脑灌注状态样本的一致性，在所述脑灌注状态与脑灌注状态样本的一致性大于或等于预设阈值时，则生成脑灌注状态预测模型。

通过上述步骤，在实际应用中，针对训练后的脑灌注状态预测模型，基于输入的多种生理特征，即可预测出这些生理特征对应的脑灌注状态，实现对脑灌注状态的预测。

进一步地，还可以基于脑灌注状态标准对脑灌注状态进行分析，判断脑灌注状态是否为异常状态。并可以将脑灌注状态判断结果进行展示，同时生成预警信息，以提示向使用者提示当前评估目标的脑灌注状态。

值得说明的是，上述装置训练得到的脑灌注状态预测模型的实现原理，与图1提供的脑灌注状态预测装置的实现原理类似，相似之处参见上文，此处不展开。

图6为本申请实施例提供的一种脑灌注状态分类模型训练方法的流程示意图。如图6所示，方法包括：

601、获取生理特征数据样本、与生理特征数据样本对应的颈部血流状态样本以及与生理特征数据样本对应脑灌注状态样本，生理特征数据包括颈部血流数据、生理指标数据。

602、提取生理特征数据样本中的生理特征样本。

603、确定与生理特征样本对应的颈部血流状态。

604、根据颈部血流状态，确定与生理特征样本对应的脑灌注状态。

605、判断脑灌注状态与脑灌注状态样本的一致性，在脑灌注状态与脑灌注状态样本的一致性大于或等于预设阈值时，则生成脑灌注状态预测模型。

值得说明的是，上述方法训练得到的脑灌注状态预测模型的实现原理，与图1提供的脑灌注状态预测装置的实现原理类似，相似之处参见上文，此处不展开。

图7为本申请实施例提供的电子设备的结构示意图。如图7所示，电子设备包括：存储器51以及处理器52；其中，

存储器51，用于存储程序；

处理器52，与存储器耦合，用于执行存储器中存储的程序，以用于：

获取生理特征数据，所述生理特征数据包括颈部血流数据、生理指标数据；

确定与所述生理特征数据对应的颈部血流状态；

根据所述颈部血流状态，确定与所述生理特征相对应的脑灌注状态。

上述存储器51可被配置为存储其它各种数据以支持在计算设备上的操作。这些数据的示例包括用于在计算设备上操作的任何应用程序或方法的指令。存储器51可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

上述处理器52在执行存储器51中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。

进一步，如图7所示，电子设备还包括：显示器53、电源组件54、通讯组件55等其它组件。图7中仅示意性给出部分组件，并不意味着该电子设备只包括图7所示组件。

相应的，本申请实施例还提供一种存储有计算机程序的可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的脑灌注状态预测方法的步骤或功能。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种脑灌注状态预测装置，其特征在于，所述装置包括：

第一获取模块，用于获取生理特征数据，所述生理特征数据包括颈部血流数据、生理指标数据，所述生理指标数据包括以下至少之一：年龄、性别、血压、心率、体温、血氧饱和度；

第一确定模块，用于在所述颈部血流数据中提取颈部血流特征，将所述颈部血流特征和生理指标数据输入至预先训练的颈部血流状态学习模型，以利用所述颈部血流状态学习模型获得与所述颈部血流特征对应的颈部血流状态，其中，所述颈部血流状态学习模型被训练为用于获取颈部血流状态；

第一处理模块，用于将所述颈部血流状态输入至预先训练的关联模型，以利用所述关联模型基于所述颈部血流状态，获得所述颈部血流状态相对应的脑灌注状态，其中，所述关联模型被用于训练为用于获取颈部血流状态相对应的脑灌注状态。

2.根据权利要求1所述的装置，其特征在于，所述第一确定模块在所述颈部血流数据中提取颈部血流特征时，具体用于：

将所述颈部血流数据输入至特征选择模型中；

利用所述特征选择模型对所述颈部血流数据进行特征筛选，以得到特征子集，所述特征子集包括多个预设特征，所述预设特征与颈部血流状态的关联度大于预设阈值；

确定所述特征子集为颈部血流特征；

其中，所述特征选择模型被训练为用于提取颈部血流特征。

3.根据权利要求1所述的装置，其特征在于，在确定与所述生理特征数据对应的颈部血流状态之后，所述第一处理模块还用于：

获取用于对颈部血流状态进行分析处理的颈部血流状态标准；

基于所述颈部血流状态标准，判断所述颈部血流状态是否为异常状态。

4.根据权利要求1所述的装置，其特征在于，在确定与所述生理特征数据相对应的脑灌注状态之后，所述第一处理模块还用于：

获取用于对脑灌注状态进行分析处理的脑灌注状态标准；

基于所述脑灌注状态标准，判断所述脑灌注状态是否为异常状态。

5.根据权利要求1所述的装置，其特征在于，所述颈部血流数据包括以下至少之一：颈部血流动力学参数、血管形态参数与血管壁力学参数。

6.一种脑灌注状态预测方法，其特征在于，包括：

获取生理特征数据，所述生理特征数据包括颈部血流数据、生理指标数据，所述生理指标数据包括以下至少之一：年龄、性别、血压、心率、体温、血氧饱和度；

在所述颈部血流数据中提取颈部血流特征，将所述颈部血流特征和生理指标数据输入至预先训练的颈部血流状态学习模型，以利用所述颈部血流状态学习模型获得与所述颈部血流特征对应的颈部血流状态，其中，所述颈部血流状态学习模型被训练为用于获取颈部血流状态；

将所述颈部血流状态输入至预先训练的关联模型，以利用所述关联模型基于所述颈部血流状态，获得所述颈部血流状态相对应的脑灌注状态，其中，所述关联模型被用于训练为用于获取颈部血流状态相对应的脑灌注状态。

7.一种脑灌注状态预测模型的训练装置，其特征在于，包括：

第二获取模块，用于获取生理特征数据样本、与所述生理特征数据样本对应的颈部血流状态样本以及与所述生理特征数据样本对应脑灌注状态样本，所述生理特征数据包括颈部血流数据、生理指标数据，所述生理指标数据包括以下至少之一：年龄、性别、血压、心率、体温、血氧饱和度；

第二提取模块，用于提取所述生理特征数据样本中的生理特征样本；

第二确定模块，用于在所述颈部血流数据中提取颈部血流特征，将所述颈部血流特征和生理指标数据输入至预先训练的颈部血流状态学习模型，以利用所述颈部血流状态学习模型获得与所述颈部血流特征对应的颈部血流状态，其中，所述颈部血流状态学习模型被训练为用于获取颈部血流状态；

第二处理模块，用于将所述颈部血流状态输入至预先训练的关联模型，以利用所述关联模型基于所述颈部血流状态，获得所述颈部血流状态相对应的脑灌注状态，其中，所述关联模型被用于训练为用于获取颈部血流状态相对应的脑灌注状态；

第二生成模块，用于判断所述脑灌注状态与所述脑灌注状态样本的一致性，在所述脑灌注状态与脑灌注状态样本的一致性大于或等于预设阈值时，则生成脑灌注状态预测模型。

8.一种脑灌注状态预测模型的训练方法，其特征在于，包括：

获取生理特征数据样本、与所述生理特征数据样本对应的颈部血流状态样本以及与所述生理特征数据样本对应脑灌注状态样本，所述生理特征数据包括颈部血流数据、生理指标数据，所述生理指标数据包括以下至少之一：年龄、性别、血压、心率、体温、血氧饱和度；

提取所述生理特征数据样本中的生理特征样本；

在所述颈部血流数据中提取颈部血流特征，将所述颈部血流特征和生理指标数据输入至预先训练的颈部血流状态学习模型，以利用所述颈部血流状态学习模型获得与所述颈部血流特征对应的颈部血流状态，其中，所述颈部血流状态学习模型被训练为用于获取颈部血流状态；

将所述颈部血流状态输入至预先训练的关联模型，以利用所述关联模型基于所述颈部血流状态，获得所述颈部血流状态相对应的脑灌注状态，其中，所述关联模型被用于训练为用于获取颈部血流状态相对应的脑灌注状态；

判断所述脑灌注状态与所述脑灌注状态样本的一致性，在所述脑灌注状态与脑灌注状态样本的一致性大于或等于预设阈值时，则生成脑灌注状态预测模型。

9.一种电子设备，其特征在于，包括：存储器及处理器；其中，

所述存储器，用于存储程序；

所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：

获取生理特征数据，所述生理特征数据包括颈部血流数据、生理指标数据，所述生理指标数据包括以下至少之一：年龄、性别、血压、心率、体温、血氧饱和度；

在所述颈部血流数据中提取颈部血流特征，将所述颈部血流特征和生理指标数据输入至预先训练的颈部血流状态学习模型，以利用所述颈部血流状态学习模型获得与所述颈部血流特征对应的颈部血流状态，其中，所述颈部血流状态学习模型被训练为用于获取颈部血流状态；

将所述颈部血流状态输入至预先训练的关联模型，以利用所述关联模型基于所述颈部血流状态，获得所述颈部血流状态相对应的脑灌注状态，其中，所述关联模型被用于训练为用于获取颈部血流状态相对应的脑灌注状态。

10.一种计算机存储介质，其特征在于，用于储存计算机程序，所述计算机程序使计算机执行时实现如下方法：

获取生理特征数据，所述生理特征数据包括颈部血流数据、生理指标数据，所述生理指标数据包括以下至少之一：年龄、性别、血压、心率、体温、血氧饱和度；

在所述颈部血流数据中提取颈部血流特征，将所述颈部血流特征和生理指标数据输入至预先训练的颈部血流状态学习模型，以利用所述颈部血流状态学习模型获得与所述颈部血流特征对应的颈部血流状态，其中，所述颈部血流状态学习模型被训练为用于获取颈部血流状态；

将所述颈部血流状态输入至预先训练的关联模型，以利用所述关联模型基于所述颈部血流状态，获得所述颈部血流状态相对应的脑灌注状态，其中，所述关联模型被用于训练为用于获取颈部血流状态相对应的脑灌注状态。

Images