CN116370819A - 一种心室辅助装置的泵血流量估测方法及装置 - Google Patents
一种心室辅助装置的泵血流量估测方法及装置 Download PDFInfo
- Publication number
- CN116370819A CN116370819A CN202310413520.4A CN202310413520A CN116370819A CN 116370819 A CN116370819 A CN 116370819A CN 202310413520 A CN202310413520 A CN 202310413520A CN 116370819 A CN116370819 A CN 116370819A
- Authority
- CN
- China
- Prior art keywords
- blood flow
- pump blood
- ventricular assist
- assist device
- parameter item
- 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.)
- Granted
Links
- 230000017531 blood circulation Effects 0.000 title claims abstract description 294
- 230000002861 ventricular Effects 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000008280 blood Substances 0.000 claims abstract description 16
- 210000004369 blood Anatomy 0.000 claims abstract description 16
- 230000036772 blood pressure Effects 0.000 claims abstract description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 8
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 8
- 239000001301 oxygen Substances 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000005240 left ventricle Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 206010019280 Heart failures Diseases 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000004962 physiological condition Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 210000000709 aorta Anatomy 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
- A61M60/50—Details relating to control
- A61M60/508—Electronic control means, e.g. for feedback regulation
- A61M60/515—Regulation using real-time patient data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
- A61M60/50—Details relating to control
- A61M60/508—Electronic control means, e.g. for feedback regulation
- A61M60/515—Regulation using real-time patient data
- A61M60/523—Regulation using real-time patient data using blood flow data, e.g. from blood flow transducers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
- A61M60/50—Details relating to control
- A61M60/508—Electronic control means, e.g. for feedback regulation
- A61M60/515—Regulation using real-time patient data
- A61M60/531—Regulation using real-time patient data using blood pressure data, e.g. from blood pressure sensors
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Hematology (AREA)
- Cardiology (AREA)
- Mechanical Engineering (AREA)
- Anesthesiology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- External Artificial Organs (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明实施例提供了一种心室辅助装置的泵血流量估测方法及装置,涉及医疗器械技术领域,上述方法包括:在心室辅助装置运行于患者体内时,获取连续数据采集周期中每一周期内患者的生理参数项的生理数据以及历史泵血流量,其中,所述生理参数项包括以下参数项中的至少一种:血液流速、血压、血液温度、血液中的氧气含量;对生理数据与历史泵血流量进行非线性拟合,基于第一权重以及第二权重,对拟合结果进行泵血流量估测,得到所述心室辅助装置的泵血流量,其中,所述第一权重用于表征非线性拟合关系中全局非线性变化的显著性,所述第二权重用于表征非线性拟合关系中局部线性变化的显著性。应用本实施例提供的方案,能够准确地进行泵血流量估测。
Description
技术领域
本发明涉及医疗器械技术领域,特别是涉及一种心室辅助装置的泵血流量估测方法及装置。
背景技术
心室辅助装置可以辅助心衰患者进行心室泵血。心室辅助装置的泵血流量是指心室辅助装置进行泵血时所输送的血液血液流量,心室辅助装置的泵血流量能够衡量心室辅助装置当前的工作性能。因此,在由心室辅助装置进行辅助泵血时,需要对心室辅助装置的泵血流量进行准确估测,以及时了解心室辅助装置当前的工作性能。
发明内容
本发明实施例的目的在于提供一种心室辅助装置的泵血流量估测方法及装置,以对心室辅助装置的泵血流量进行准确估测。具体技术方案如下:
第一方面,本发明实施例提供了一种心室辅助装置的泵血流量估测方法,所述方法包括:
在心室辅助装置运行于患者体内时,获取连续数据采集周期中每一周期内所述患者的生理参数项的生理数据以及历史泵血流量,其中,所述生理参数项包括以下参数项中的至少一种:血液流速、血压、血液温度、血液中的氧气含量;
对生理数据与历史泵血流量进行非线性拟合,基于第一权重以及第二权重,对拟合结果进行泵血流量估测,得到所述心室辅助装置的泵血流量,其中,所述第一权重用于表征非线性拟合关系中全局非线性变化的显著性,所述第二权重用于表征非线性拟合关系中局部线性变化的显著性。
本发明的一个实施例中,上述方法还包括:
预先构建耦合所述第一权重与第二权重的神经网络模型,作为泵血流量估测模型;
所述对生理数据与历史泵血流量进行非线性拟合,基于第一权重以及第二权重,对拟合结果进行泵血流量估测,得到所述心室辅助装置的泵血流量,包括:
将生理数据与历史泵血流量输入所述泵血流量估测模型,得到所述泵血流量估测模型输出的泵血流量。
本发明的一个实施例中,上述泵血流量估测模型为预先按照以下方式构建的模型:
以测试对象的生理参数项的样本生理数据以及样本历史泵血流量作为输入向量,以测试对象的估测泵血流量作为输出向量,生成包含目标权重参数项的非线性时间序列模型,作为泵血流量估测模型的模型结构,其中,所述目标权重参数项包括第一权重的参数项以及第二权重的参数项;
针对目标权重参数项的每一备选值集合,在所述模型结构的目标权重参数项的取值为该备选值集合所包含备选值的情况下,将所述样本生理数据、样本历史泵血流量输入所述模型结构,得到所述模型结构输出的估测值,基于估测值与实际泵血流量,计算该备选值集合的置信度,其中,所述备选值集合中包括每一目标权重参数项的一个备选值;
将置信度最大的目标备选值集合所包含的备选值确定为所述模型结构的目标权重参数项的取值,基于所述模型结构以及所确定的目标权重参数项的目标值,生成泵血流量估测模型。
本发明的一个实施例中,上述方法还包括:
判断所预测的泵血流量是否与预设期望泵血流量相等;
若为否,计算所述泵血流量相较于预设期望泵血流量的偏差值,基于所述偏差值,计算所述心室辅助装置的转速的调整量,基于所计算的调整量更新所述心室辅助装置的转速,以使得所述心室辅助装置的泵血流量达到所述预设期望泵血流量。
第二方面,本发明实施例提供了一种心室辅助装置的泵血流量估测装置,所述装置包括:
数据获取模块,用于在心室辅助装置运行于患者体内时,获取连续数据采集周期中每一周期内所述患者的生理参数项的生理数据以及历史泵血流量,其中,所述生理参数项包括以下参数项中的至少一种:血液流速、血压、血液温度、血液中的氧气含量;
流量估测模块,用于对生理数据与历史泵血流量进行非线性拟合,基于第一权重以及第二权重,对拟合结果进行泵血流量估测,得到所述心室辅助装置的泵血流量,其中,所述第一权重用于表征非线性拟合关系中全局非线性变化的显著性,所述第二权重用于表征非线性拟合关系中局部线性变化的显著性。
本发明的一个实施例中,上述装置还包括模型构建模块,所述模型构建模块,用于预先构建耦合所述第一权重与第二权重的神经网络模型,作为泵血流量估测模型;
所述流量估测模块,具体用于将生理数据与历史泵血流量输入所述泵血流量估测模型,得到所述泵血流量估测模型输出的泵血流量。
本发明的一个实施例中,上述模型构建模块,包括:
模型结构构建子模块,用于以测试对象的生理参数项的样本生理数据以及样本历史泵血流量作为输入向量,以测试对象的估测泵血流量作为输出向量,生成包含目标权重参数项的非线性时间序列模型,作为泵血流量估测模型的模型结构,其中,所述目标权重参数项包括第一权重的参数项以及第二权重的参数项;
置信度计算子模块,用于针对目标权重参数项的每一备选值集合,在所述模型结构的目标权重参数项的取值为该备选值集合所包含备选值的情况下,将所述样本生理数据、样本历史泵血流量输入所述模型结构,得到所述模型结构输出的估测值,基于估测值与实际泵血流量,计算该备选值集合的置信度,其中,所述备选值集合中包括每一目标权重参数项的一个备选值;
模型构建子模块,用于将置信度最大的目标备选值集合所包含的备选值确定为所述模型结构的目标权重参数项的取值,基于所述模型结构以及所确定的目标权重参数项的目标值,生成泵血流量估测模型。
本发明的一个实施例中,上述装置还包括转速控制模块,所述转速控制模块,用于判断所预测的泵血流量是否与预设期望泵血流量相等;若为否,计算所述泵血流量相较于预设期望泵血流量的偏差值,基于所述偏差值,计算所述心室辅助装置的转速的调整量,基于所计算的调整量更新所述心室辅助装置的转速,以使得所述心室辅助装置的泵血流量达到所述预设期望泵血流量。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面所述的方法步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法步骤。
由以上可见,应用本发明实施例提供的方案进行泵血流量估测时,由于第一权重是表征非线性拟合关系中全局非线性变化的显著性,第二权重是表征非线性拟合关系中局部线性变化的显著性,又由于拟合结果是生理数据与历史泵血流量进行非线性拟合所得到的拟合结果,拟合结果是以非线性变化关系为主,所以,第一权重能够反映上述拟合结果的全局非线性变化关系,即基本变化信息,第二权重能够将上述全局非线性变化关系细分为多段局部线性关系,从而反映上述拟合结果的局部线性变化关系,即深度挖掘上述拟合结果的深层次信息,这样综合两个方面,对非线性拟合结果进行全面分析,从而实现准确地泵血流量估测。
另外,由于是基于每一数据采集周期内的生理数据以及历史泵血流量进行泵血流量估测。一方面,所估测得到的泵血流量既与患者的生理数据相关,又与历史泵血流量相关,患者的生理数据能够反映患者的生理状况,历史泵血流量则表征心室辅助装置历史的泵血流量情况,这样使得所估测的泵血流量准确度高;另一方面,由于是基于连续数据采集周期的生理数据以及历史泵血流量进行估测的,上述生理数据以及历史泵血流量均具有时间相关性,这样,基于上述具有时间相关性的数据进行泵血流量估测,能够从时间维度上考虑生理数据以及历史泵血流量的变化情况,从而更加准确地进行泵血流量估测。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的一种介入式心室导管泵植入心脏的示意图;
图2为本发明实施例提供的一种心室辅助装置的泵血流量估测方法的流程示意图;
图3为本发明实施例提供的一种心室辅助装置的泵血流量估测装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
心力衰竭是一种全球性的疾病,是各种心血管疾病发展的终末期阶段,也是各种心血管疾病的主要致死原因之一。目前在临床上心脏移植是治疗终末期心力衰竭的主要手段之一,但是受限于心脏供体数量的不足,临床患者的需求仍有较大的缺口,因此心室辅助装置逐渐成为心衰的主要手段。
心室辅助装置是一种机械循环装置,其可以辅助或代替衰竭心脏泵血。心室辅助装置可以分为左心室辅助装置、右心室辅助装置、介入式心室辅助装置和双心室辅助装置。其中,左心室辅助装置为临床应用中最为广泛的设备。在本发明中,心室辅助装置可以为左心室辅助装置。
左心室辅助装置是在左心室不能满足系统灌注需要时,给心室循环系统提供支持的辅助装置。介入式心室导管泵为临床应用最为广泛的左心室辅助装置。介入式心室导管泵利用微创手术经血管植入人体,导管泵流入口置于左心室,流出口置于主动脉,从而辅助左心室将血液从左心室输送至主动脉。以图1为例,图1示出了介入式心室导管泵植入心脏的示意图,其中,图1箭头指向的设备为介入式心室导管泵,左侧表示介入式心室导管泵植入心脏的仿真图,其中,介入式心室导管泵的流入口置于左心室,流出口置于主动脉。
心室辅助装置在植入患者体内时,心室辅助装置的控制位于患者体外,该控制器可以监测心室辅助装置的运行情况,并且控制心室辅助装置的运行,同时在检测到心室辅助装置出现异常时发出报警。基于此,本发明实施例的执行主体可以为心室辅助装置所连接的控制器。
参见图2,图2为本发明实施例提供的一种心室辅助装置的泵血流量估测方法的流程示意图,上述方法包括以下步骤S201-S202。
步骤S201:在心室辅助装置运行于患者体内时,获取连续数据采集周期内每一周期内患者的生理参数项的生理数据以及历史泵血流量。
上述生理参数项包括以下参数项中的至少一种:血液流速、血压、血液温度、血液中的氧气含量。上述生理数据的数据形式可以为信号形式,如血压信号、温度信号、血液流速信号等。
心室辅助装置在运行于患者体内时,需要实时对患者进行监测。上述实时监测依赖于针对当前运行数据的持续监测。具体的,可以预先设置数据采集周期,在每一周期内采集当前的运行数据,将每一周期内所采集的数据存储于存储器内,控制器从而可以从上述存储器内读取连续数据采集周期所采集的生理数据以及历史泵血流量。
心室辅助装置上可设置多种传感器,在心室辅助装置运行于患者体内时,心室辅助装置上所设置的传感器可以进行实时数据采集。基于此,上述生理数据可以通过传感器采集得到的,如心室辅助装置上可以集成血流速度传感器、血压传感器、温度传感器以及氧气传感器等。
上述历史泵血流量可以是在每一数据采集周期,基于所采集的生理数据以及之前所估算的泵血流量进行估测得到的泵血流量。
步骤S202:对生理数据与历史泵血流量进行非线性拟合,基于第一权重以及第二权重,对拟合结果进行泵血流量估测,得到心室辅助装置的泵血流量。
进行非线性拟合的对象是连续数据采集周期的生理数据以及历史泵血流量,也就是多个生理数据以及多个历史泵血流量是具有时间相关性的。因此,所估测的泵血流量能够考虑时间维度上历史数据的变化情况,从而提高了泵血流量预测准确度。
上述第一权重用于表征非线性拟合关系中全局非线性变化的显著性,第二权重用于表征非线性拟合关系中局部线性变化的显著性。当权重越大,表示显著性越高,当权重越小,表示显著性越低。
由于第一权重是表征非线性拟合关系中全局非线性变化的显著性,非线性拟合关系是以非线性变化关系为主,第一权重所反映的是上述非线性拟合关系的基础信息;第二权重是表征非线性拟合关系中局部线性变化的显著性,局部线性变化性是非线性拟合关系中的隐藏信息,即深层次信息,这样综合两个方面,全面对非线性拟合结果进行分析、挖掘,能够准确地进行泵血流量估测。
在进行泵血流量估测时,第一种实施方式中,在进行非线性拟合时,可以采用预设的非线性拟合函数,非线性拟合函数中包含第一权重以及第二权重,利用上述非线性拟合函数对生理数据以及历史泵血流量进行非线性拟合,得到上述非线性拟合结果。进而可以基于当前的生理数据以及上述非线性拟合结果,估测得到泵血流量。
第二种实施方式中,可以预先构建耦合第一权重与第二权重的神经网络模型,作为泵血流量估测模型,基于此,可以将生理数据与历史泵血流量输入泵血流量估测模型,得到泵血流量估测模型输出的泵血流量。
上述泵血流量估测模型是预先训练的模型,利用测试对象的生理参数项的样本生理数据以及样本历史泵血流量,对初始神经网络模型进行训练得到的,用于对泵血流量进行估测的模型。上述初始神经网络模型可以为RBF(Radial Basis Function, 径向基函数)神经网络,具体的,可以利用RBF神经网络作为ARX(Auto-Regressive with Extra Inputs,有源自回归)自回归模型的模型系数,即得到RBF-ARX模型,作为泵血流量估测模型。
由于泵血流量估测模型已经学习到利用生理数据以及泵血流量进行当前泵血流量估测的规律,这样,将生理数据与历史泵血流量输入泵血流量估测模型,泵血流量估测模型能够准确地估测泵血流量。
由以上可见,应用本实施例提供的方案进行泵血流量估测时,由于第一权重是表征非线性拟合关系中全局非线性变化的显著性,第二权重是表征非线性拟合关系中局部线性变化的显著性,又由于拟合结果是生理数据与历史泵血流量进行非线性拟合所得到的拟合结果,拟合结果是以非线性变化关系为主,所以,第一权重能够反映上述拟合结果的全局非线性变化关系,即基本变化信息,第二权重能够将上述全局非线性变化关系细分为多段局部线性关系,从而反映上述拟合结果的局部线性变化关系,即深度挖掘上述拟合结果的深层次信息,这样综合两个方面,对非线性拟合结果进行全面分析,从而实现准确地泵血流量估测。
另外,由于是基于每一数据采集周期内的生理数据以及历史泵血流量进行泵血流量估测。一方面,所估测得到的泵血流量既与患者的生理数据相关,又与历史泵血流量相关,患者的生理数据能够反映患者的生理状况,历史泵血流量则表征心室辅助装置历史的泵血流量情况,这样使得所估测的泵血流量准确度高;另一方面,由于是基于连续数据采集周期的生理数据以及历史泵血流量进行估测的,上述生理数据以及历史泵血流量均具有时间相关性,这样,基于上述具有时间相关性的数据进行泵血流量估测,能够从时间维度上考虑生理数据以及历史泵血流量的变化情况,从而更加准确地进行泵血流量估测。
本发明的一个实施例中,在前述图2对应实施例的步骤S202中,提及泵血流量估测模型,上述泵血流量估测模型为预先按照以下步骤A-步骤C构建的模型。
步骤A:以测试对象的生理参数项的样本生理数据以及样本历史泵血流量作为输入向量,以测试对象的估测泵血流量作为输出向量,生成包含目标权重参数项的非线性时间序列模型,作为泵血流量估测模型的模型结构。
目标权重参数项包括第一权重的参数项以及第二权重的参数项。
上述非线性时间序列模型可以为非线性ARX模型。
上述模型结构可以理解为泵血流量估测模型的模型框架,在这一框架下,需要确定模型系数取值,从而得到最终的泵血流量估测模型。
上述模型结构的输出向量为测试对象的实际泵血流量,输入向量为样本生理数据以及样本历史泵血流量,目标权重参数项包括第一权重的参数项以及第二权重的参数项。例如,上述模型结构的表达式可以为:
其中,为输出向量,i表示数据序列编号,k表示数据总量,/>表示样本生理数据的输入向量,/>表示样本历史泵血流量的输入向量,/>、/>表示目标权重参数项,/>表示预设的向量幂乘和叉乘函数,/>表示预设的白噪声信号序列。
步骤B:针对目标权重参数项的每一备选值集合,在模型结构的目标权重参数项的取值为该备选值集合所包含备选值的情况下,将样本生理数据、样本历史泵血流量输入模型结构,得到模型结构输出的估测值,基于估测值与实际泵血流量,计算该备选值集合的置信度。
备选值集合中包括每一目标权重参数项的一个备选值。
将样本生理数据以及样本历史泵血流量作为模型结构的输入向量的取值,以备选值集合中每一备选值作为模型结构相对应的目标权重参数项的取值,计算得到估测泵血流量,即上述估测值。具体的,当模型结构为上述步骤A中的计算公式时,将公式中变量替换为相对应的取值,从而可以计算得到输出向量的值,即为估测值。
估测值与实际泵血流量之间的差距反映目标权重参数项的当前取值的优劣程度,因为在模型实现目标功能依赖于目标权重参数项的取值。因此,当估测值越靠近实际泵血流量,则表示当前取值的质量较好,当估测值越部靠近实际泵血流量,则表示当前取值的质量较差。基于此,一种实施方式中,可以计算估测值与实际泵血流量之间均方根误差,当均方根误差越接近零,表示置信度较好,当均方根误差越不接近零,表示置信度较差,可以利用预设确定的均方根误差与置信度之间的对应关系,确定当前计算的均方根误差所对应的置信度。
步骤C:将置信度最大的目标备选值集合所包含的备选值确定为模型结构的目标权重参数项的取值,基于模型结构以及所确定的目标权重参数项的取值,生成泵血流量估测模型。
目标备选值集合可以理解为:该备选值集合所包含的每一备选值作为模型结构的目标权重参数项的取值时,能够使得模型更好实现目标功能。
将模型结构中目标权重参数项的取值确定为目标备选值集合所包含的备选值时,这样模型结构中不存在未知取值的权重系数,从而得到泵血流量估测模型。
可以看到,首先确定泵血流量估测模型的模型结构,然后基于估测值与实际泵血流量,确定备选值集合的置信度,进而基于置信度选择目标备选值集合所包含的备选值确定为模型结构的目标权重参数项的取值,从而能够使得所得到的模型能够更好实现泵血流量估测功能。
在前述图1对应实施例的步骤S104后,若所预测的泵血流量出现异常,则需要对心室辅助装置进行控制,基于此,本发明的一个实施例中,可以判断所预测的泵血流量是否与预设期望泵血流量相等,若为否,计算泵血流量相较于预设期望泵血流量的偏差值,基于偏差值,计算心室辅助装置的转速的调整量,基于所计算的调整量更新心室辅助装置的转速,以使得心室辅助装置的泵血流量达到预设期望泵血流量。
当预测的泵血流量与预设期望泵血流量相等时,结束流程,保持心室辅助装置的当前转速。
上述预设期望泵血流量是指期望心室辅助装置能够达到的泵血流量,当心室辅助装置的实际泵血流量达到预设期望泵血流量,表示心室辅助装置当前工作未出现异常;当心室辅助装置的实际泵血流量与预设期望泵血流量差距较大,表示心室辅助装置当前工作出现异常。基于此,一种实施方式中,在计算偏差值后,可以判断偏差值是否位于预设偏差正常范围内,若为是,基于偏差值,计算心室辅助装置的转速的调整量,基于所计算的调整量更新心室辅助装置的转速,以使得心室辅助装置的泵血流量达到预设期望泵血流量。若为否,结束流程,即保持心室辅助装置的当前转速。
具体的,可以预先确定泵血流量的偏差值与转速调整量之间的对应关系,基于此,可以基于所计算的泵血流量的偏差值,从上述对应关系中确定转速调整量。基于转速调整量,更新心室辅助装置当前的转速。由于调整量是基于泵血流量偏差值确定的,因此,心室辅助装置在按照更新后的转速工作时,能够使得心室辅助装置的泵血流量近可能接近预设期望泵血流量。
可以看到,在确定所预测的泵血流量出现异常时,及时调整心室辅助装置的转速,以提前避免异常情况的出现,从而保证心室辅助装置运行的稳定性。
与上述心室辅助装置的泵血流量估测方法相对应,本发明实施例还提供了一种心室辅助装置的泵血流量估测装置。
参见图3,图3为本发明实施例提供的一种心室辅助装置的泵血流量估测装置的结构示意图,上述装置包括以下模块301-302。
数据获取模块301,用于在心室辅助装置运行于患者体内时,获取连续数据采集周期中每一周期内所述患者的生理参数项的生理数据以及历史泵血流量,其中,所述生理参数项包括以下参数项中的至少一种:血液流速、血压、血液温度、血液中的氧气含量;
流量估测模块302,用于对生理数据与历史泵血流量进行非线性拟合,基于第一权重以及第二权重,对拟合结果进行泵血流量估测,得到所述心室辅助装置的泵血流量,其中,所述第一权重用于表征非线性拟合关系中全局非线性变化的显著性,所述第二权重用于表征非线性拟合关系中局部线性变化的显著性。
由以上可见,应用本实施例提供的方案进行泵血流量估测时,由于第一权重是表征非线性拟合关系中全局非线性变化的显著性,第二权重是表征非线性拟合关系中局部线性变化的显著性,又由于拟合结果是生理数据与历史泵血流量进行非线性拟合所得到的拟合结果,拟合结果是以非线性变化关系为主,所以,第一权重能够反映上述拟合结果的全局非线性变化关系,即基本变化信息,第二权重能够将上述全局非线性变化关系细分为多段局部线性关系,从而反映上述拟合结果的局部线性变化关系,即深度挖掘上述拟合结果的深层次信息,这样综合两个方面,对非线性拟合结果进行全面分析,从而实现准确地泵血流量估测。
另外,由于是基于每一数据采集周期内的生理数据以及历史泵血流量进行泵血流量估测。一方面,所估测得到的泵血流量既与患者的生理数据相关,又与历史泵血流量相关,患者的生理数据能够反映患者的生理状况,历史泵血流量则表征心室辅助装置历史的泵血流量情况,这样使得所估测的泵血流量准确度高;另一方面,由于是基于连续数据采集周期的生理数据以及历史泵血流量进行估测的,上述生理数据以及历史泵血流量均具有时间相关性,这样,基于上述具有时间相关性的数据进行泵血流量估测,能够从时间维度上考虑生理数据以及历史泵血流量的变化情况,从而更加准确地进行泵血流量估测。
本发明的一个实施例中,上述装置还包括模型构建模块,
所述模型构建模块,用于预先构建耦合所述第一权重与第二权重的神经网络模型,作为泵血流量估测模型;
所述流量估测模块302,具体用于将生理数据与历史泵血流量输入所述泵血流量估测模型,得到所述泵血流量估测模型输出的泵血流量。
由于泵血流量估测模型已经学习到利用生理数据以及泵血流量进行当前泵血流量估测的规律,这样,将生理数据与历史泵血流量输入泵血流量估测模型,泵血流量估测模型能够准确地估测泵血流量。
本发明的一个实施例中,上述模型构建模块,包括:
模型结构构建子模块,用于以测试对象的生理参数项的样本生理数据以及样本历史泵血流量作为输入向量,以测试对象的估测泵血流量作为输出向量,生成包含目标权重参数项的非线性时间序列模型,作为泵血流量估测模型的模型结构,其中,所述目标权重参数项包括第一权重的参数项以及第二权重的参数项;
置信度计算子模块,用于针对目标权重参数项的每一备选值集合,在所述模型结构的目标权重参数项的取值为该备选值集合所包含备选值的情况下,将所述样本生理数据、样本历史泵血流量输入所述模型结构,得到所述模型结构输出的估测值,基于估测值与实际泵血流量,计算该备选值集合的置信度,其中,所述备选值集合中包括每一目标权重参数项的一个备选值;
模型构建子模块,用于将置信度最大的目标备选值集合所包含的备选值确定为所述模型结构的目标权重参数项的取值,基于所述模型结构以及所确定的目标权重参数项的目标值,生成泵血流量估测模型。
可以看到,首先确定泵血流量估测模型的模型结构,然后基于估测值与实际泵血流量,确定备选值集合的置信度,进而基于置信度选择目标备选值集合所包含的备选值确定为模型结构的目标权重参数项的取值,从而能够使得所得到的模型能够更好实现泵血流量估测功能。
本发明的一个实施例中,上述装置还包括转速控制模块,
所述转速控制模块,用于判断所预测的泵血流量是否与预设期望泵血流量相等;若为否,计算所述泵血流量相较于预设期望泵血流量的偏差值,基于所述偏差值,计算所述心室辅助装置的转速的调整量,基于所计算的调整量更新所述心室辅助装置的转速,以使得所述心室辅助装置的泵血流量达到所述预设期望泵血流量。
可以看到,在确定所预测的泵血流量出现异常时,及时调整心室辅助装置的转速,以提前避免异常情况的出现,从而保证心室辅助装置运行的稳定性。
与上述心室辅助装置的泵血流量估测方法相对应,本发明实施例还提供了一种电子设备。
参见图4,图4为本发明实施例提供的一种电子设备的结构示意图,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信,
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现本发明实施例提供的心室辅助装置的泵血流量估测方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例提供的心室辅助装置的泵血流量估测方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行时实现本发明实施例提供的心室辅助装置的泵血流量估测方法。
由以上可见,应用本实施例提供的方案进行泵血流量估测时,由于第一权重是表征非线性拟合关系中全局非线性变化的显著性,第二权重是表征非线性拟合关系中局部线性变化的显著性,又由于拟合结果是生理数据与历史泵血流量进行非线性拟合所得到的拟合结果,拟合结果是以非线性变化关系为主,所以,第一权重能够反映上述拟合结果的全局非线性变化关系,即基本变化信息,第二权重能够将上述全局非线性变化关系细分为多段局部线性关系,从而反映上述拟合结果的局部线性变化关系,即深度挖掘上述拟合结果的深层次信息,这样综合两个方面,对非线性拟合结果进行全面分析,从而实现准确地泵血流量估测。
另外,由于是基于每一数据采集周期内的生理数据以及历史泵血流量进行泵血流量估测。一方面,所估测得到的泵血流量既与患者的生理数据相关,又与历史泵血流量相关,患者的生理数据能够反映患者的生理状况,历史泵血流量则表征心室辅助装置历史的泵血流量情况,这样使得所估测的泵血流量准确度高;另一方面,由于是基于连续数据采集周期的生理数据以及历史泵血流量进行估测的,上述生理数据以及历史泵血流量均具有时间相关性,这样,基于上述具有时间相关性的数据进行泵血流量估测,能够从时间维度上考虑生理数据以及历史泵血流量的变化情况,从而更加准确地进行泵血流量估测。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如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。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (10)
1.一种心室辅助装置的泵血流量估测方法,其特征在于,所述方法包括:
在心室辅助装置运行于患者体内时,获取连续数据采集周期中每一周期内所述患者的生理参数项的生理数据以及历史泵血流量,其中,所述生理参数项包括以下参数项中的至少一种:血液流速、血压、血液温度、血液中的氧气含量;
对生理数据与历史泵血流量进行非线性拟合,基于第一权重以及第二权重,对拟合结果进行泵血流量估测,得到所述心室辅助装置的泵血流量,其中,所述第一权重用于表征非线性拟合关系中全局非线性变化的显著性,所述第二权重用于表征非线性拟合关系中局部线性变化的显著性。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
预先构建耦合所述第一权重与第二权重的神经网络模型,作为泵血流量估测模型;
所述对生理数据与历史泵血流量进行非线性拟合,基于第一权重以及第二权重,对拟合结果进行泵血流量估测,得到所述心室辅助装置的泵血流量,包括:
将生理数据与历史泵血流量输入所述泵血流量估测模型,得到所述泵血流量估测模型输出的泵血流量。
3.根据权利要求2所述的方法,其特征在于,所述泵血流量估测模型为预先按照以下方式构建的模型:
以测试对象的生理参数项的样本生理数据以及样本历史泵血流量作为输入向量,以测试对象的估测泵血流量作为输出向量,生成包含目标权重参数项的非线性时间序列模型,作为泵血流量估测模型的模型结构,其中,所述目标权重参数项包括第一权重的参数项以及第二权重的参数项;
针对目标权重参数项的每一备选值集合,在所述模型结构的目标权重参数项的取值为该备选值集合所包含备选值的情况下,将所述样本生理数据、样本历史泵血流量输入所述模型结构,得到所述模型结构输出的估测值,基于估测值与实际泵血流量,计算该备选值集合的置信度,其中,所述备选值集合中包括每一目标权重参数项的一个备选值;
将置信度最大的目标备选值集合所包含的备选值确定为所述模型结构的目标权重参数项的取值,基于所述模型结构以及所确定的目标权重参数项的目标值,生成泵血流量估测模型。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述方法还包括:
判断所预测的泵血流量是否与预设期望泵血流量相等;
若为否,计算所述泵血流量相较于预设期望泵血流量的偏差值,基于所述偏差值,计算所述心室辅助装置的转速的调整量,基于所计算的调整量更新所述心室辅助装置的转速,以使得所述心室辅助装置的泵血流量达到所述预设期望泵血流量。
5.一种心室辅助装置的泵血流量估测装置,其特征在于,所述装置包括:
数据获取模块,用于在心室辅助装置运行于患者体内时,获取连续数据采集周期中每一周期内所述患者的生理参数项的生理数据以及历史泵血流量,其中,所述生理参数项包括以下参数项中的至少一种:血液流速、血压、血液温度、血液中的氧气含量;
流量估测模块,用于对生理数据与历史泵血流量进行非线性拟合,基于第一权重以及第二权重,对拟合结果进行泵血流量估测,得到所述心室辅助装置的泵血流量,其中,所述第一权重用于表征非线性拟合关系中全局非线性变化的显著性,所述第二权重用于表征非线性拟合关系中局部线性变化的显著性。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括模型构建模块,所述模型构建模块,用于预先构建耦合所述第一权重与第二权重的神经网络模型,作为泵血流量估测模型;
所述流量估测模块,具体用于将生理数据与历史泵血流量输入所述泵血流量估测模型,得到所述泵血流量估测模型输出的泵血流量。
7.根据权利要求6所述的装置,其特征在于,所述模型构建模块,包括:
模型结构构建子模块,用于以测试对象的生理参数项的样本生理数据以及样本历史泵血流量作为输入向量,以测试对象的估测泵血流量作为输出向量,生成包含目标权重参数项的非线性时间序列模型,作为泵血流量估测模型的模型结构,其中,所述目标权重参数项包括第一权重的参数项以及第二权重的参数项;
置信度计算子模块,用于针对目标权重参数项的每一备选值集合,在所述模型结构的目标权重参数项的取值为该备选值集合所包含备选值的情况下,将所述样本生理数据、样本历史泵血流量输入所述模型结构,得到所述模型结构输出的估测值,基于估测值与实际泵血流量,计算该备选值集合的置信度,其中,所述备选值集合中包括每一目标权重参数项的一个备选值;
模型构建子模块,用于将置信度最大的目标备选值集合所包含的备选值确定为所述模型结构的目标权重参数项的取值,基于所述模型结构以及所确定的目标权重参数项的目标值,生成泵血流量估测模型。
8.根据权利要求5-7中任一项所述的装置,其特征在于,所述装置还包括转速控制模块,所述转速控制模块,用于判断所预测的泵血流量是否与预设期望泵血流量相等;若为否,计算所述泵血流量相较于预设期望泵血流量的偏差值,基于所述偏差值,计算所述心室辅助装置的转速的调整量,基于所计算的调整量更新所述心室辅助装置的转速,以使得所述心室辅助装置的泵血流量达到所述预设期望泵血流量。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310413520.4A CN116370819B (zh) | 2023-04-18 | 2023-04-18 | 一种心室辅助装置的泵血流量估测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310413520.4A CN116370819B (zh) | 2023-04-18 | 2023-04-18 | 一种心室辅助装置的泵血流量估测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116370819A true CN116370819A (zh) | 2023-07-04 |
CN116370819B CN116370819B (zh) | 2024-03-12 |
Family
ID=86973148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310413520.4A Active CN116370819B (zh) | 2023-04-18 | 2023-04-18 | 一种心室辅助装置的泵血流量估测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116370819B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628577A (zh) * | 2023-07-26 | 2023-08-22 | 安徽通灵仿生科技有限公司 | 一种心室辅助设备的不良事件检测方法及装置 |
CN116803447A (zh) * | 2023-08-04 | 2023-09-26 | 萱闱(北京)生物科技有限公司 | 模型构建方法、参数配置方法以及相关装置 |
CN116870357A (zh) * | 2023-07-10 | 2023-10-13 | 上海玮启医疗器械有限公司 | 一种智能左心室辅助系统 |
CN116994739A (zh) * | 2023-09-27 | 2023-11-03 | 深圳核心医疗科技股份有限公司 | 心室辅助装置的工况偏离确定方法及装置 |
CN117258138A (zh) * | 2023-11-21 | 2023-12-22 | 安徽通灵仿生科技有限公司 | 一种心室辅助系统的冲洗设备的控制方法及装置 |
CN117282017A (zh) * | 2023-10-07 | 2023-12-26 | 心擎医疗(苏州)股份有限公司 | 介入泵流量估算方法、装置、设备及心室辅助装置 |
CN117717704A (zh) * | 2024-02-18 | 2024-03-19 | 安徽通灵仿生科技有限公司 | 一种基于心室导管泵的泵血流量估测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050267322A1 (en) * | 2004-05-25 | 2005-12-01 | Larose Jeffrey A | Sensorless flow estimation for implanted ventricle assist device |
JP2006280572A (ja) * | 2005-03-31 | 2006-10-19 | Terumo Corp | 血液ポンプ装置 |
WO2022142574A1 (zh) * | 2020-12-28 | 2022-07-07 | 京东城市(北京)数字科技有限公司 | 流量预测模型的训练方法、装置和电子设备 |
CN115600046A (zh) * | 2022-12-01 | 2023-01-13 | 深圳核心医疗科技有限公司(Cn) | 流体的流量估计方法及装置 |
-
2023
- 2023-04-18 CN CN202310413520.4A patent/CN116370819B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050267322A1 (en) * | 2004-05-25 | 2005-12-01 | Larose Jeffrey A | Sensorless flow estimation for implanted ventricle assist device |
JP2006280572A (ja) * | 2005-03-31 | 2006-10-19 | Terumo Corp | 血液ポンプ装置 |
WO2022142574A1 (zh) * | 2020-12-28 | 2022-07-07 | 京东城市(北京)数字科技有限公司 | 流量预测模型的训练方法、装置和电子设备 |
CN115600046A (zh) * | 2022-12-01 | 2023-01-13 | 深圳核心医疗科技有限公司(Cn) | 流体的流量估计方法及装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116870357A (zh) * | 2023-07-10 | 2023-10-13 | 上海玮启医疗器械有限公司 | 一种智能左心室辅助系统 |
CN116870357B (zh) * | 2023-07-10 | 2024-03-08 | 上海玮启医疗器械有限公司 | 一种智能左心室辅助系统 |
CN116628577A (zh) * | 2023-07-26 | 2023-08-22 | 安徽通灵仿生科技有限公司 | 一种心室辅助设备的不良事件检测方法及装置 |
CN116628577B (zh) * | 2023-07-26 | 2023-10-31 | 安徽通灵仿生科技有限公司 | 一种心室辅助设备的不良事件检测方法及装置 |
CN116803447A (zh) * | 2023-08-04 | 2023-09-26 | 萱闱(北京)生物科技有限公司 | 模型构建方法、参数配置方法以及相关装置 |
CN116994739A (zh) * | 2023-09-27 | 2023-11-03 | 深圳核心医疗科技股份有限公司 | 心室辅助装置的工况偏离确定方法及装置 |
CN116994739B (zh) * | 2023-09-27 | 2024-01-30 | 深圳核心医疗科技股份有限公司 | 心室辅助装置的工况偏离确定方法及装置 |
CN117282017A (zh) * | 2023-10-07 | 2023-12-26 | 心擎医疗(苏州)股份有限公司 | 介入泵流量估算方法、装置、设备及心室辅助装置 |
CN117258138A (zh) * | 2023-11-21 | 2023-12-22 | 安徽通灵仿生科技有限公司 | 一种心室辅助系统的冲洗设备的控制方法及装置 |
CN117258138B (zh) * | 2023-11-21 | 2024-03-12 | 安徽通灵仿生科技有限公司 | 一种心室辅助系统的冲洗设备的控制方法及装置 |
CN117717704A (zh) * | 2024-02-18 | 2024-03-19 | 安徽通灵仿生科技有限公司 | 一种基于心室导管泵的泵血流量估测系统及方法 |
CN117717704B (zh) * | 2024-02-18 | 2024-05-14 | 安徽通灵仿生科技有限公司 | 一种基于心室导管泵的泵血流量估测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116370819B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116370819B (zh) | 一种心室辅助装置的泵血流量估测方法及装置 | |
AU2020244586A1 (en) | Method and system for sensitivity analysis in modeling blood flow characteristics | |
US10398386B2 (en) | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology | |
RU2717885C1 (ru) | Оценка потока, сопротивления или давления на основании измерений давления или потока и ангиографии | |
US11694813B2 (en) | Left ventricular volume and cardiac output estimation using machine learning model | |
JP2017529146A (ja) | 心筋ブリッジ及び患者に及ぼす影響を自動的に判定するためのシステム及び方法 | |
CN115995291B (zh) | 一种介入式心室导管泵的控制系统及方法 | |
CN108471970B (zh) | 用于估计动脉脉搏波速度的系统和方法 | |
CN112446866B (zh) | 血流参数的计算方法、装置、设备及存储介质 | |
WO2015134247A1 (en) | Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry | |
Zhu et al. | Blood glucose prediction in type 1 diabetes using deep learning on the edge | |
CN115845248B (zh) | 一种心室导管泵的定位方法及装置 | |
Bjørdalsbakke et al. | Parameter estimation for closed-loop lumped parameter models of the systemic circulation using synthetic data | |
CN116492588A (zh) | 一种心室导管泵的位置检测方法及装置 | |
CN116943015A (zh) | 一种心室辅助设备的控制方法及装置 | |
CN115905960B (zh) | 一种基于心室辅助装置的不良事件检测方法及装置 | |
CN115985491B (zh) | 一种介入式心室导管泵的医学信息处理系统 | |
CN117323558A (zh) | 一种心室辅助设备的自适应控制方法及装置 | |
CN116850445A (zh) | 一种心脏泵控制方法、装置、设备和存储介质 | |
US20220107256A1 (en) | Method and apparatus for predicting fluid flow through a subject conduit | |
CN116486211A (zh) | 一种模型训练方法、血流储备分数计算方法、装置及设备 | |
CN116999689A (zh) | 流量确定方法、流量检测模型的训练方法、设备及介质 | |
EP3438989A1 (en) | Method and apparatus for predicting fluid flow through a subject conduit | |
CN112419308B (zh) | 斑块评估方法、装置、电子设备及存储介质 | |
Acosta et al. | An effective model of blood flow in capillary beds |
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 |