CN117899351B - 流量预测方法、装置、电子设备及存储介质 - Google Patents
流量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117899351B CN117899351B CN202410295209.9A CN202410295209A CN117899351B CN 117899351 B CN117899351 B CN 117899351B CN 202410295209 A CN202410295209 A CN 202410295209A CN 117899351 B CN117899351 B CN 117899351B
- Authority
- CN
- China
- Prior art keywords
- target
- sample
- state
- flow
- pumping
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005086 pumping Methods 0.000 claims abstract description 134
- 238000011084 recovery Methods 0.000 claims abstract description 114
- 230000002861 ventricular Effects 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 41
- 238000010801 machine learning Methods 0.000 claims description 40
- 238000012937 correction Methods 0.000 claims description 32
- 238000013507 mapping Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 230000004217 heart function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 14
- 230000000747 cardiac effect Effects 0.000 description 13
- 239000008280 blood Substances 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 8
- 239000012530 fluid Substances 0.000 description 4
- 210000005240 left ventricle Anatomy 0.000 description 4
- 210000000709 aorta Anatomy 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 210000001765 aortic valve Anatomy 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- External Artificial Organs (AREA)
Abstract
本公开关于流量预测方法、装置、电子设备及存储介质,包括:获取当前时间信息、目标对象对应的目标睡眠状态数据和目标对象对应的目标心脏状态数据;将当前时间信息和目标睡眠状态数据输入至目标状态分析模型进行状态分析,得到目标对象对应的当前对象状态;基于当前对象状态,确定目标对象对应的泵送流量范围;将目标心脏状态数据输入至目标恢复预测模型进行功能恢复预测,得到目标对象对应的功能恢复指标数据;基于功能恢复指标数据,对泵送流量范围进行修正处理,得到目标流量范围;基于目标流量范围,对目标对象进行泵送流量预测,得到目标对象对应的目标泵送流量。利用本公开实施例可以提高心室辅助装置的装置性能和使用安全性。
Description
技术领域
本公开涉及心室辅助装置技术领域,尤其涉及一种流量预测方法、装置、电子设备及存储介质。
背景技术
心室辅助装置(Ventricular Assist Device,VAD)可以用于支持心脏衰弱患者的心脏功能和血流。具体的,可以经由患者血管探入到患者心脏,并设置于心脏瓣膜,以便心室辅助装置能够将心室内的血液泵送至动脉血管内。在现有技术中,医生可以通过调节心室辅助装置的档位来控制泵送流量。但是,上述方案存在泵送流量调节的滞后性以及准确度不足的问题,进而可能对患者造成损伤。
发明内容
有鉴于上述存在的技术问题,本公开提出了一种流量预测方法、装置、电子设备及存储介质。
根据本公开实施例的一方面,提供一种流量预测方法,包括:
获取当前时间信息、目标对象对应的目标睡眠状态数据和所述目标对象对应的目标心脏状态数据;
将所述当前时间信息和所述目标睡眠状态数据输入至目标状态分析模型进行状态分析,得到所述目标对象对应的当前对象状态;
基于所述当前对象状态,确定所述目标对象对应的泵送流量范围;
将所述目标心脏状态数据输入至目标恢复预测模型进行功能恢复预测,得到所述目标对象对应的功能恢复指标数据;所述功能恢复指标数据表征所述目标对象的心脏功能恢复情况;
基于所述功能恢复指标数据,对所述泵送流量范围进行修正处理,得到目标流量范围;
基于所述目标流量范围,对所述目标对象进行泵送流量预测,得到所述目标对象对应的目标泵送流量。
可选的,所述基于所述功能恢复指标数据,对所述泵送流量范围进行修正处理,得到目标流量范围,包括:
基于所述功能恢复指标数据,对所述目标对象进行介入比例分析,得到修正指标数据;
基于所述修正指标数据,对所述泵送流量范围进行修正处理,得到所述目标流量范围。
可选的,所述方法还包括:
获取第一样本训练集,所述第一样本训练集包括多个样本对象各自对应的样本睡眠状态数据、所述多个样本对象各自对应的样本时间信息,以及所述多个样本对象各自对应的标签对象状态;
基于所述样本睡眠状态数据、所述样本时间信息和第一预设机器学习模型,对每个样本对象进行状态分析,得到所述每个样本对象对应的样本状态预测信息,所述每个样本对象对应的样本状态预测信息表征所述每个样本对象处于多个预设对象状态中每个预设对象状态的概率;
基于所述每个样本对象对应的样本状态预测信息和所述每个样本对象对应的标签对象状态,确定第一损失信息;
基于所述第一损失信息,对所述第一预设机器学习模型进行训练,得到所述目标状态分析模型。
可选的,所述方法还包括:
获取第二样本训练集,所述第二样本训练集包括多个样本心脏状态数据和每个样本心脏状态数据各自对应的标签恢复指标数据;
将所述每个样本心脏状态数据输入至第二预设机器学习模型进行功能恢复预测,得到所述每个样本心脏状态数据对应的样本恢复指标数据;
基于所述每个样本心脏状态数据对应的样本恢复指标数据和所述每个样本心脏状态数据对应的标签恢复指标数据,确定第二损失信息;
基于所述第二损失信息,对所述第二预设机器学习模型进行训练,得到所述目标恢复预测模型。
可选的,所述基于所述当前对象状态,确定所述目标对象对应的泵送流量范围,包括:
在预设映射关系中查找所述当前对象状态,所述预设映射关系为多个预设对象状态与多个预设流量范围之间的映射关系;
将查找到的当前对象状态对应的预设流量范围,作为所述泵送流量范围。
可选的,所述基于所述目标流量范围,对所述目标对象进行泵送流量预测,得到所述目标对象对应的目标泵送流量,包括:
基于所述目标流量范围,确定目标选择流量;所述目标选择流量为第一选择流量或第二选择流量,所述第一选择流量为从所述目标流量范围中随机选取得到的,所述第二选择流量为所述目标流量范围对应的中间值;
将所述目标选择流量,作为所述目标泵送流量。
可选的,所述方法还包括:
基于所述目标泵送流量,对所述目标对象进行泵送转速分析,得到所述目标对象对应的目标泵送转速;
基于所述目标泵送转速,控制目标心室辅助装置的泵送马达运行。
根据本公开实施例的另一方面,提供一种流量预测装置,包括:
数据获取模块,用于获取当前时间信息、目标对象对应的目标睡眠状态数据和所述目标对象对应的目标心脏状态数据;
状态分析模块,用于将所述当前时间信息和所述目标睡眠状态数据输入至目标状态分析模型进行状态分析,得到所述目标对象对应的当前对象状态;
泵送范围确定模块,用于基于所述当前对象状态,确定所述目标对象对应的泵送流量范围;
恢复预测模块,用于将所述目标心脏状态数据输入至目标恢复预测模型进行功能恢复预测,得到所述目标对象对应的功能恢复指标数据;所述功能恢复指标数据表征所述目标对象的心脏功能恢复情况;
修正处理模块,用于基于所述功能恢复指标数据,对所述泵送流量范围进行修正处理,得到目标流量范围;
目标流量预测模块,用于基于所述目标流量范围,对所述目标对象进行泵送流量预测,得到所述目标对象对应的目标泵送流量。
可选的,所述修正处理模块包括:
介入比例分析模块,用于基于所述功能恢复指标数据,对所述目标对象进行介入比例分析,得到修正指标数据;
范围修正模块,用于基于所述修正指标数据,对所述泵送流量范围进行修正处理,得到所述目标流量范围。
可选的,所述装置还包括:
第一训练集获取模块,用于获取第一样本训练集,所述第一样本训练集包括多个样本对象各自对应的样本睡眠状态数据、所述多个样本对象各自对应的样本时间信息,以及所述多个样本对象各自对应的标签对象状态;
样本状态分析模块,用于基于所述样本睡眠状态数据、所述样本时间信息和第一预设机器学习模型,对每个样本对象进行状态分析,得到所述每个样本对象对应的样本状态预测信息,所述每个样本对象对应的样本状态预测信息表征所述每个样本对象处于多个预设对象状态中每个预设对象状态的概率;
第一损失确定模块,用于基于所述每个样本对象对应的样本状态预测信息和所述每个样本对象对应的标签对象状态,确定第一损失信息;
第一训练模块,用于基于所述第一损失信息,对所述第一预设机器学习模型进行训练,得到所述目标状态分析模型。
可选的,所述装置还包括:
第二训练集获取模块,用于获取第二样本训练集,所述第二样本训练集包括多个样本心脏状态数据和每个样本心脏状态数据各自对应的标签恢复指标数据;
样本恢复预测模块,用于将所述每个样本心脏状态数据输入至第二预设机器学习模型进行功能恢复预测,得到所述每个样本心脏状态数据对应的样本恢复指标数据;
第二损失确定模块,用于基于所述每个样本心脏状态数据对应的样本恢复指标数据和所述每个样本心脏状态数据对应的标签恢复指标数据,确定第二损失信息;
第二训练模块,用于基于所述第二损失信息,对所述第二预设机器学习模型进行训练,得到所述目标恢复预测模型。
可选的,所述泵送范围确定模块包括:
查找模块,用于在预设映射关系中查找所述当前对象状态,所述预设映射关系为多个预设对象状态与多个预设流量范围之间的映射关系;
范围生成模块,用于将查找到的当前对象状态对应的预设流量范围,作为所述泵送流量范围。
可选的,所述目标流量预测模块包括:
选择流量确定模块,用于基于所述目标流量范围,确定目标选择流量;所述目标选择流量为第一选择流量或第二选择流量,所述第一选择流量为从所述目标流量范围中随机选取得到的,所述第二选择流量为所述目标流量范围对应的中间值;
目标流量生成模块,用于将所述目标选择流量,作为所述目标泵送流量。
可选的,所述装置还包括:
泵送转速分析模块,用于基于所述目标泵送流量,对所述目标对象进行泵送转速分析,得到所述目标对象对应的目标泵送转速;
执行模块,用于基于所述目标泵送转速,控制目标心室辅助装置的泵送马达运行。
根据本公开实施例的另一方面,提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现上述流量预测方法。
根据本公开实施例的另一方面,提供一种计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行上述流量预测方法。
根据本公开实施例的另一方面,提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述流量预测方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
通过获取当前时间信息、目标对象对应的目标睡眠状态数据和目标对象对应的目标心脏状态数据,将当前时间信息和目标睡眠状态数据输入至目标状态分析模型进行状态分析,得到目标对象对应的当前对象状态,可以实现目标对象当前的对象状态分析,再结合当前对象状态,确定目标对象对应的泵送流量范围,可以实现目标对象当前的泵送流量范围的确定,其次,将目标心脏状态数据输入至目标恢复预测模型进行功能恢复预测,得到目标对象对应的功能恢复指标数据,可以实现目标对象的心脏功能恢复情况的准确预测,接着,结合功能恢复指标数据,对泵送流量范围进行修正处理,得到目标流量范围,可以实现泵送流量范围的准确修正,进而提高流量范围预测的准确性,然后,结合目标流量范围,对目标对象进行泵送流量预测,得到目标对象对应的目标泵送流量,可以实现目标对象当前的目标泵送流量的准确预测,并提高泵送流量调节的效率,提高时效性,进而提高心室辅助装置的装置性能和使用安全性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种心室辅助系统的系统示意图;
图2是根据一示例性实施例示出的心室辅助装置作为左心辅助时的示意图;
图3是根据一示例性实施例示出的心室辅助装置的结构示意图;
图4是根据一示例性实施例示出的一种流量预测方法的流程图;
图5是根据一示例性实施例示出的一种流量预测装置的框图;
图6是根据一示例性实施例示出的一种用于预测目标泵送流量的电子设备的框图;
图7是根据一示例性实施例示出的另一种用于预测目标泵送流量的电子设备的框图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
图1是根据一示例性实施例示出的一种心室辅助系统的系统示意图;图2是根据一示例性实施例示出的心室辅助装置作为左心辅助时的示意图;图3是根据一示例性实施例示出的心室辅助装置的结构示意图。具体的,如图1所示,心室辅助系统可以包括心室辅助装置、控制器、睡眠数据采集装置和心脏数据采集装置。
其中,在一种示意性的应用场景中,心室辅助装置可以为左心室辅助装置,用于将左心室内的血液泵送至动脉血管内。如图2和图3所示,心室辅助装置1000包括导管100和连接至导管100远端的泵组件900,泵组件900包括具有血液入口420和血液出口410的流体插管400、设于流体插管400内的叶轮300、用于驱动叶轮300旋转的泵送马达200、设于流体插管400远端的保护结构800。泵组件900可采用塞丁格(Seldinger)术插入目标对象(例如,患者)体内,在目标对象的主动脉中被导管100向前推送,直至泵组件900的远端穿过主动脉瓣AV进入到左心室LV,并使流体插管400处于横跨主动脉瓣AV的位置,血液入口420位于左心室LV,血液出口410位于升主动脉AAO。泵送马达200可以用于驱动叶轮300旋转,将左心室LV中的血液泵送至升主动脉AAO中,以辅助心脏的泵血功能,减轻心脏负担。
值得注意的是,上述举例的被用作为左心室辅助仅是心室辅助装置1000一种可行的适用场景。在其他可行且不可被明确排除的场景中,心室辅助装置1000也可以用作为右心室辅助,泵组件900可被介入至右心室中,泵组件900运转时将静脉中的血液泵送至右心室中。当然,心室辅助装置1000还可以适用于对肾脏的辅助,作为肾泵。下文主要以本心室辅助装置1000用作左心室辅助为主述场景来阐述的。但基于上文描述可知,本发明实施例的保护范围并不因此而受到限定。
睡眠数据采集装置可以用于采集目标对象的目标睡眠状态数据。心脏数据采集装置可以用于采集目标对象的目标心脏状态数据。控制器可以用于生成目标泵送流量并基于目标泵送流量控制泵送马达的运行。
具体地,图4是根据一示例性实施例示出的一种流量预测方法的流程图。如图4所示,该流量预测方法可以用于终端或服务器等电子设备中,具体可以包括以下步骤:
S401:获取当前时间信息、目标对象对应的目标睡眠状态数据和目标对象对应的目标心脏状态数据。
在一个具体的实施例中,目标对象可以是指当前需要调整心室辅助装置的流量的患者。
在一个具体的实施例中,当前时间信息可以表征当前时刻。具体的,可以从心室辅助系统中的时间更新模块读取当前时间信息。其中,上述时间更新模块可以用于实现当前时间的更新。
在一个具体的实施例中,目标睡眠状态数据可以用于表征目标对象当前是否处于睡眠状态。目标睡眠状态数据可以包括目标对象的脑电图数据、目标对象的呼吸数据和目标对象的肌电图数据等。
在一个具体的实施例中,目标心脏状态数据可以用于表征目标对象的心脏功能当前的状态。目标心脏状态数据可以包括心室压力差异数据、血压数据、血液检测结果或心率数据等。其中,心脏功能的状态可以包括功能减弱状态和正常功能状态等。具体的,可以通过心脏数据采集装置对目标对象进行心脏状态数据采集得到目标对象对应的目标心脏状态数据。
在一个具体的实施例中,可以通过睡眠数据采集装置采集目标对象的目标睡眠状态数据。或者,可以通过向外部数据采集设备发送数据获取请求,以获取目标对象的目标睡眠状态数据。其中,上述外部数据采集设备可以用于采集目标对象的睡眠状态数据。
S403:将当前时间信息和目标睡眠状态数据输入至目标状态分析模型进行状态分析,得到目标对象对应的当前对象状态。
在一个具体的实施例中,目标状态分析模型可以用于实现目标对象的状态分析。目标状态分析模型可以包括状态概率预测模块和状态确定模块。
在一个具体的实施例中,目标对象对应的当前对象状态可以用于表征目标对象当前的运动状态。当前对象状态可以包括睡眠状态或非睡眠状态。具体的,非睡眠状态可以包括静止状态和轻度运动状态等。
在一个具体的实施例中,上述方法还可以包括:
获取第一样本训练集;
基于样本睡眠状态数据、样本时间信息和第一预设机器学习模型,对每个样本对象进行状态分析,得到每个样本对象对应的样本状态预测信息;
基于每个样本对象对应的样本状态预测信息和每个样本对象对应的标签对象状态,确定第一损失信息;
基于第一损失信息,对第一预设机器学习模型进行训练,得到目标状态分析模型。
在一个具体的实施例中,第一样本训练集可以包括多个样本对象各自对应的样本睡眠状态数据、多个样本对象各自对应的样本时间信息,以及多个样本对象各自对应的标签对象状态。其中,任一样本对象对应的样本睡眠状态数据可以包括样本对象的脑电图数据、样本对象的呼吸数据和样本对象的肌电图数据等。标签对象状态可以用于作为训练目标状态分析模型的参考。
在一个具体的实施例中,第一预设机器学习模型可以是指待训练的目标状态分析模型。
在一个具体的实施例中,每个样本对象对应的样本状态预测信息可以表征每个样本对象处于多个预设对象状态中每个预设对象状态的概率。任一样本对象对应的样本状态预测信息可以包括多个预设对象状态各自对应的样本状态预测概率。其中,任一预设对象状态对应的样本状态预测概率可以表征样本对象当前处于上述预设对象状态的概率。
在一个具体的实施例中,可以将多个样本对象各自对应的样本睡眠状态数据和多个样本对象各自对应的样本时间信息输入至第一预设机器学习模型进行状态分析,得到多个样本对象各自对应的样本状态预测信息。
在一个具体的实施例中,第一损失信息可以表征第一预设机器学习模型进行状态分析得到的分析结果指示的状态与标签对象状态之间的差异程度。
在一个具体的实施例中,基于每个样本对象对应的标签对象状态,在上述每个样本对象对应的样本状态预测信息中,查找上述每个样本对象对应的标签对象状态,将查找到的标签对象状态对应的样本状态预测概率,作为上述每个样本对象对应的标签状态预测概率。相应的,可以结合每个样本对象对应的标签状态预测概率,确定第一损失信息。其中,每个样本对象对应的标签状态预测概率可以是指预测得到的上述样本对象属于对应的标签对象状态的概率。具体的,第一损失信息可以根据以下公式得到:
其中,L 1为第一损失信息;P1i为第i个样本对象对应的标签状态预测概率;n为多个样本对象的数量。
在一个具体的实施例中,可以基于第一损失信息,对上述第一预设机器学习模型进行更新,得到更新后的第一预设机器学习模型;基于上述更新后的第一预设机器学习模型,可以重复上述获取第一样本训练集至上述基于第一损失信息,对上述第一预设机器学习模型进行更新的模型训练步骤,直至满足第一预设收敛条件,并将满足上述第一预设收敛条件时的第一预设机器学习模型,作为目标状态分析模型。具体的,可以基于第一损失信息,确定第一更新梯度;基于上述第一更新梯度,可以对第一预设机器学习模型中的模型参数进行更新,得到更新后的第一预设机器学习模型。具体的,第一预设收敛条件可以是根据实际应用需要进行设定,本公开不作限定。可选的,第一预设收敛条件可以包括当前迭代次数满足预设次数,或者第一损失信息小于预设损失信息等。
在一个具体的实施例中,目标状态分析模型可以包括状态概率预测模块和状态确定模块。具体的,将当前时间信息和目标睡眠状态数据输入至目标状态分析模型中的状态概率预测模块进行状态概率预测,可以得到多个预设对象状态各自对应的目标状态预测概率。相应的,状态确定模块可以从上述多个目标状态预测概率中,选出最大的目标状态预测概率,并将上述最大的目标状态预测概率对应的预设对象状态,作为上述当前对象状态。
S405:基于当前对象状态,确定目标对象对应的泵送流量范围。
在一个具体的实施例中,目标对象对应的泵送流量范围可以是指预测的目标对象当前心脏所需泵送的流量范围。泵送流量范围可以包括对应的两个泵送流量范围端值。其中,上述两个泵送流量范围端值可以包括最小流量范围端值和最大流量范围端值。
在一个具体的实施例中,上述步骤S405可以包括:
在预设映射关系中查找当前对象状态;
将查找到的当前对象状态对应的预设流量范围,作为泵送流量范围。
在一个具体的实施例中,预设映射关系可以用于查找当前对象状态对应的泵送流量范围。预设映射关系可以为多个预设对象状态与多个预设流量范围之间的映射关系。示例性的,在预设对象状态为睡眠状态的情况下,上述睡眠状态对应的预设流量范围可以是3.5~4.1L/min;在预设对象状态为非睡眠状态的情况下,上述非睡眠状态对应的预设流量范围可以是3.5~5.5L/min。
在一个具体的实施例中,在预设映射关系中包含的多个预设对象状态中查找当前对象状态,在查找到当前对象状态的情况下,可以将查找到的当前对象状态对应的预设流量范围,作为泵送流量范围。
S407:将目标心脏状态数据输入至目标恢复预测模型进行功能恢复预测,得到目标对象对应的功能恢复指标数据。
在一个具体的实施例中,功能恢复指标数据可以表征目标对象的心脏功能恢复情况。功能恢复指标数据的表现形式可以是数值。示例性的,功能恢复指标数据可以是取值范围为0-100中的任意一个数值,也可以是取值范围为0-1中的任意一个数值。
在一个具体的实施例中,目标恢复预测模型可以用于对目标对象进行功能恢复预测。
在一个具体的实施例中,上述方法还可以包括:
获取第二样本训练集;
将每个样本心脏状态数据输入至第二预设机器学习模型进行功能恢复预测,得到每个样本心脏状态数据对应的样本恢复指标数据;
基于每个样本心脏状态数据对应的样本恢复指标数据和每个样本心脏状态数据对应的标签恢复指标数据,确定第二损失信息;
基于第二损失信息,对第二预设机器学习模型进行训练,得到目标恢复预测模型。
在一个具体的实施例中,第二样本训练集可以包括多个样本心脏状态数据和每个样本心脏状态数据各自对应的标签恢复指标数据。其中,标签恢复指标数据可以用于作为训练目标恢复预测模型的参考。多个样本心脏状态数据可以包括多个样本对象各自对应的样本心脏状态数据。任一样本心脏状态数据各自对应的标签恢复指标数据可以是上述任一样本对象对应的标签恢复指标数据。
在一个具体的实施例中,第二预设机器学习模型可以是指待训练的目标恢复预测模型。
在一个具体的实施例中,将任一样本对象对应的样本心脏状态数据输入至第二预设机器学习模型,第二预设机器学习模型可以对上述任一样本对象进行功能恢复预测,得到上述任一样本对象对应的样本恢复指标数据。
在一个具体的实施例中,第二损失信息可以表征上述多个样本对象对应的样本恢复指标数据和上述多个样本对象对应的标签恢复指标数据之间的差异程度。
在一个具体的实施例中,可以对每个样本对象对应的样本恢复指标数据和上述每个样本对象对应的标签恢复指标数据进行差异分析,得到每个样本对象对应的恢复指标差异数据。接着,可以对多个样本对象各自对应的恢复指标差异数据进行均值处理,得到上述第二损失信息。其中,任一样本对象对应的恢复指标差异数据可以表征上述任一样本对象对应的样本恢复指标数据和上述任一样本对象对应的标签恢复指标数据之间的差异程度。
在一个具体的实施例中,可以基于第二损失信息,对第二预设机器学习模型进行更新,得到更新后的第二预设机器学习模型;接着,可以基于更新后的第二预设机器学习模型,重复上述获取第二样本训练集至上述基于第二损失信息,对第二预设机器学习模型进行更新的模型训练步骤,直至满足第二预设收敛条件;相应的,可以将满足第二预设收敛条件时得到的第二预设机器学习模型,作为目标恢复预测模型。具体的,可以基于第二损失信息,确定第二更新梯度;可以基于第二更新梯度,对第二预设机器学习模型中的模型参数进行更新,得到更新后的第二预设机器学习模型。具体的,第二预设收敛条件可以是根据实际应用需要进行设定,本公开不作限定。可选的,第二预设收敛条件可以包括当前迭代次数满足预设次数,或者第二损失信息小于预设损失信息等。
S409:基于功能恢复指标数据,对泵送流量范围进行修正处理,得到目标流量范围。
在一个具体的实施例中,目标流量范围可以是指修正后的泵送流量范围。目标流量范围可以包括最大目标流量端值和最小目标流量端值。
在一个具体的实施例中,上述步骤S409可以包括:
基于功能恢复指标数据,对目标对象进行介入比例分析,得到修正指标数据;
基于修正指标数据,对泵送流量范围进行修正处理,得到目标流量范围。
在一个具体的实施例中,修正指标数据可以用于表征泵送流量范围所需修正程度。示例性的,修正指标数据可以是取值范围0-1中的任意一个数值。
在一个具体的实施例中,修正指标数据可以通过以下公式得到:
其中,K为修正指标数据;softmax为归一化函数;a为预设系数;M为最大恢复指标数据;q为目标对象对应的功能恢复指标数据。具体的,预设系数可以根据实际应用需要进行设定,本公开不作限定。
在一个具体的实施例中,可以将泵送流量范围中的两个泵送流量范围端值分别乘以上述修正指标数据,可以得到目标流量范围。具体的,可以将最小流量范围端值乘以修正指标数据,得到最小目标流量端值;可以将最大流量范围端值乘以修正指标数据,得到最大目标流量端值;相应的,可以基于上述最大目标流量端值和最小目标流量端值,生成目标流量范围。
S411:基于目标流量范围,对目标对象进行泵送流量预测,得到目标对象对应的目标泵送流量。
在一个具体的实施例中,目标泵送流量可以是指预测的针对目标对象的当前泵送的流量。
在一个具体的实施例中,上述步骤S411可以包括:
基于目标流量范围,确定目标选择流量;
将目标选择流量,作为目标泵送流量。
在一个具体的实施例中,目标选择流量可以为第一选择流量或第二选择流量。其中,第一选择流量可以为从目标流量范围中随机选取得到的。第二选择流量可以为目标流量范围对应的中间值。
在一个具体的实施例中,可以从目标流量范围中随机选取任意一个数值,作为第一选择流量。
在一个具体的实施例中,可以对最大目标流量端值和最小目标流量端值进行均值处理,得到上述第二选择流量。
在一个具体的实施例中,上述方法还可以包括:
基于目标泵送流量,对目标对象进行泵送转速分析,得到目标对象对应的目标泵送转速;
基于目标泵送转速,控制目标心室辅助装置的泵送马达运行。
在一个具体的实施例中,目标泵送转速可以用于指示目标心室辅助装置中的泵送马达的运转。具体的,可以基于预设的泵送流量和泵送转速之间的对应关系,确定目标泵送流量对应的目标泵送转速。
在上述实施例中,通过获取当前时间信息、目标对象对应的目标睡眠状态数据和目标对象对应的目标心脏状态数据,将当前时间信息和目标睡眠状态数据输入至目标状态分析模型进行状态分析,得到目标对象对应的当前对象状态,可以实现目标对象当前的对象状态分析,再结合当前对象状态,确定目标对象对应的泵送流量范围,可以实现目标对象当前的泵送流量范围的确定,其次,将目标心脏状态数据输入至目标恢复预测模型进行功能恢复预测,得到目标对象对应的功能恢复指标数据,可以实现目标对象的心脏功能恢复情况的准确预测,接着,结合功能恢复指标数据,对泵送流量范围进行修正处理,得到目标流量范围,可以实现泵送流量范围的准确修正,进而提高流量范围预测的准确性,然后,结合目标流量范围,对目标对象进行泵送流量预测,得到目标对象对应的目标泵送流量,可以实现目标对象当前的目标泵送流量的准确预测,并提高泵送流量调节的效率,提高时效性,进而提高心室辅助装置的装置性能和使用安全性。
图5是根据一示例性实施例示出的一种流量预测装置的框图。如图5所示,该装置可以包括:
数据获取模块510,可以用于获取当前时间信息、目标对象对应的目标睡眠状态数据和目标对象对应的目标心脏状态数据;
状态分析模块520,可以用于将当前时间信息和目标睡眠状态数据输入至目标状态分析模型进行状态分析,得到目标对象对应的当前对象状态;
泵送范围确定模块530,用于基于当前对象状态,确定目标对象对应的泵送流量范围;
恢复预测模块540,用于将目标心脏状态数据输入至目标恢复预测模型进行功能恢复预测,得到目标对象对应的功能恢复指标数据;功能恢复指标数据表征目标对象的心脏功能恢复情况;
修正处理模块550,用于基于功能恢复指标数据,对泵送流量范围进行修正处理,得到目标流量范围;
目标流量预测模块560,用于基于目标流量范围,对目标对象进行泵送流量预测,得到目标对象对应的目标泵送流量。
在一个具体的实施例中,上述修正处理模块550可以包括:
介入比例分析模块,可以用于基于功能恢复指标数据,对目标对象进行介入比例分析,得到修正指标数据;
范围修正模块,可以用于基于修正指标数据,对泵送流量范围进行修正处理,得到目标流量范围。
在一个具体的实施例中,上述装置还可以包括:
第一训练集获取模块,可以用于获取第一样本训练集,第一样本训练集包括多个样本对象各自对应的样本睡眠状态数据、多个样本对象各自对应的样本时间信息,以及多个样本对象各自对应的标签对象状态;
样本状态分析模块,可以用于基于样本睡眠状态数据、样本时间信息和第一预设机器学习模型,对每个样本对象进行状态分析,得到每个样本对象对应的样本状态预测信息,每个样本对象对应的样本状态预测信息表征每个样本对象处于多个预设对象状态中每个预设对象状态的概率;
第一损失确定模块,可以用于基于每个样本对象对应的样本状态预测信息和每个样本对象对应的标签对象状态,确定第一损失信息;
第一训练模块,可以用于基于第一损失信息,对第一预设机器学习模型进行训练,得到目标状态分析模型。
在一个具体的实施例中,上述装置还可以包括:
第二训练集获取模块,可以用于获取第二样本训练集,第二样本训练集包括多个样本心脏状态数据和每个样本心脏状态数据各自对应的标签恢复指标数据;
样本恢复预测模块,可以用于将每个样本心脏状态数据输入至第二预设机器学习模型进行功能恢复预测,得到每个样本心脏状态数据对应的样本恢复指标数据;
第二损失确定模块,可以用于基于每个样本心脏状态数据对应的样本恢复指标数据和每个样本心脏状态数据对应的标签恢复指标数据,确定第二损失信息;
第二训练模块,可以用于基于第二损失信息,对第二预设机器学习模型进行训练,得到目标恢复预测模型。
在一个具体的实施例中,上述泵送范围确定模块530可以包括:
查找模块,可以用于在预设映射关系中查找当前对象状态,预设映射关系为多个预设对象状态与多个预设流量范围之间的映射关系;
范围生成模块,可以用于将查找到的当前对象状态对应的预设流量范围,作为泵送流量范围。
在一个具体的实施例中,上述目标流量预测模块560可以包括:
选择流量确定模块,可以用于基于目标流量范围,确定目标选择流量;目标选择流量为第一选择流量或第二选择流量,第一选择流量为从目标流量范围中随机选取得到的,第二选择流量为目标流量范围对应的中间值;
目标流量生成模块,可以用于将目标选择流量,作为目标泵送流量。
在一个具体的实施例中,上述装置还可以包括:
泵送转速分析模块,可以用于基于目标泵送流量,对目标对象进行泵送转速分析,得到目标对象对应的目标泵送转速;
执行模块,可以用于基于目标泵送转速,控制目标心室辅助装置的泵送马达运行。
关于上述实施例中的装置,其中各个模块和单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种用于预测目标泵送流量的电子设备的框图,该电子设备可以是服务器,其内部结构图可以如图6所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种流量预测方法。
图7是根据一示例性实施例示出的另一种用于预测目标泵送流量的电子设备的框图,该电子设备可以是终端,其内部结构图可以如图7所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种流量预测方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6或图7中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在示例性实施例中,还提供了一种电子设备,包括:处理器;用于存储该处理器可执行指令的存储器;其中,该处理器被配置为执行该指令,以实现如本公开实施例中的流量预测方法。
在示例性实施例中,还提供了一种计算机可读存储介质,当该存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行本公开实施例中的流量预测方法。
在示例性实施例中,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,使得计算机执行本公开实施例中的流量预测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种流量预测方法,其特征在于,所述方法包括:
获取当前时间信息、目标对象对应的目标睡眠状态数据和所述目标对象对应的目标心脏状态数据;
将所述当前时间信息和所述目标睡眠状态数据输入至目标状态分析模型进行状态分析,得到所述目标对象对应的当前对象状态;
基于所述当前对象状态,确定所述目标对象对应的泵送流量范围;
将所述目标心脏状态数据输入至目标恢复预测模型进行功能恢复预测,得到所述目标对象对应的功能恢复指标数据;所述功能恢复指标数据表征所述目标对象的心脏功能恢复情况;
基于所述功能恢复指标数据,对所述泵送流量范围进行修正处理,得到目标流量范围;
基于所述目标流量范围,对所述目标对象进行泵送流量预测,得到所述目标对象对应的目标泵送流量。
2.根据权利要求1所述的方法,其特征在于,所述基于所述功能恢复指标数据,对所述泵送流量范围进行修正处理,得到目标流量范围,包括:
基于所述功能恢复指标数据,对所述目标对象进行介入比例分析,得到修正指标数据;
基于所述修正指标数据,对所述泵送流量范围进行修正处理,得到所述目标流量范围。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第一样本训练集,所述第一样本训练集包括多个样本对象各自对应的样本睡眠状态数据、所述多个样本对象各自对应的样本时间信息,以及所述多个样本对象各自对应的标签对象状态;
基于所述样本睡眠状态数据、所述样本时间信息和第一预设机器学习模型,对每个样本对象进行状态分析,得到所述每个样本对象对应的样本状态预测信息,所述每个样本对象对应的样本状态预测信息表征所述每个样本对象处于多个预设对象状态中每个预设对象状态的概率;
基于所述每个样本对象对应的样本状态预测信息和所述每个样本对象对应的标签对象状态,确定第一损失信息;
基于所述第一损失信息,对所述第一预设机器学习模型进行训练,得到所述目标状态分析模型。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第二样本训练集,所述第二样本训练集包括多个样本心脏状态数据和每个样本心脏状态数据各自对应的标签恢复指标数据;
将所述每个样本心脏状态数据输入至第二预设机器学习模型进行功能恢复预测,得到所述每个样本心脏状态数据对应的样本恢复指标数据;
基于所述每个样本心脏状态数据对应的样本恢复指标数据和所述每个样本心脏状态数据对应的标签恢复指标数据,确定第二损失信息;
基于所述第二损失信息,对所述第二预设机器学习模型进行训练,得到所述目标恢复预测模型。
5.根据权利要求1所述的方法,其特征在于,所述基于所述当前对象状态,确定所述目标对象对应的泵送流量范围,包括:
在预设映射关系中查找所述当前对象状态,所述预设映射关系为多个预设对象状态与多个预设流量范围之间的映射关系;
将查找到的当前对象状态对应的预设流量范围,作为所述泵送流量范围。
6.根据权利要求1所述的方法,其特征在于,所述基于所述目标流量范围,对所述目标对象进行泵送流量预测,得到所述目标对象对应的目标泵送流量,包括:
基于所述目标流量范围,确定目标选择流量;所述目标选择流量为第一选择流量或第二选择流量,所述第一选择流量为从所述目标流量范围中随机选取得到的,所述第二选择流量为所述目标流量范围对应的中间值;
将所述目标选择流量,作为所述目标泵送流量。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述目标泵送流量,对所述目标对象进行泵送转速分析,得到所述目标对象对应的目标泵送转速;
基于所述目标泵送转速,控制目标心室辅助装置的泵送马达运行。
8.一种流量预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取当前时间信息、目标对象对应的目标睡眠状态数据和所述目标对象对应的目标心脏状态数据;
状态分析模块,用于将所述当前时间信息和所述目标睡眠状态数据输入至目标状态分析模型进行状态分析,得到所述目标对象对应的当前对象状态;
泵送范围确定模块,用于基于所述当前对象状态,确定所述目标对象对应的泵送流量范围;
恢复预测模块,用于将所述目标心脏状态数据输入至目标恢复预测模型进行功能恢复预测,得到所述目标对象对应的功能恢复指标数据;所述功能恢复指标数据表征所述目标对象的心脏功能恢复情况;
修正处理模块,用于基于所述功能恢复指标数据,对所述泵送流量范围进行修正处理,得到目标流量范围;
目标流量预测模块,用于基于所述目标流量范围,对所述目标对象进行泵送流量预测,得到所述目标对象对应的目标泵送流量。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令以实现权利要求1至7中任意一项所述的流量预测方法。
10.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410295209.9A CN117899351B (zh) | 2024-03-14 | 2024-03-14 | 流量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410295209.9A CN117899351B (zh) | 2024-03-14 | 2024-03-14 | 流量预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117899351A CN117899351A (zh) | 2024-04-19 |
CN117899351B true CN117899351B (zh) | 2024-05-14 |
Family
ID=90692696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410295209.9A Active CN117899351B (zh) | 2024-03-14 | 2024-03-14 | 流量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117899351B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112657050A (zh) * | 2020-12-01 | 2021-04-16 | 北京工业大学 | 一种基于物联网边缘计算的人工心脏控制系统及运行方法 |
CN112957018A (zh) * | 2021-03-23 | 2021-06-15 | 童心堂健康科技(北京)有限公司 | 基于人工智能的心脏状态检测方法和装置 |
CN116726378A (zh) * | 2023-06-13 | 2023-09-12 | 心擎医疗(苏州)股份有限公司 | 流量确定方法、流量检测模型的训练方法、设备及介质 |
CN116889684A (zh) * | 2023-08-04 | 2023-10-17 | 萱闱(北京)生物科技有限公司 | 供血驱动装置的参数配置方法、系统以及相关装置 |
CN116999689A (zh) * | 2023-06-13 | 2023-11-07 | 心擎医疗(苏州)股份有限公司 | 流量确定方法、流量检测模型的训练方法、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6949066B2 (en) * | 2002-08-21 | 2005-09-27 | World Heart Corporation | Rotary blood pump diagnostics and cardiac output controller |
US7591777B2 (en) * | 2004-05-25 | 2009-09-22 | Heartware Inc. | Sensorless flow estimation for implanted ventricle assist device |
-
2024
- 2024-03-14 CN CN202410295209.9A patent/CN117899351B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112657050A (zh) * | 2020-12-01 | 2021-04-16 | 北京工业大学 | 一种基于物联网边缘计算的人工心脏控制系统及运行方法 |
CN112957018A (zh) * | 2021-03-23 | 2021-06-15 | 童心堂健康科技(北京)有限公司 | 基于人工智能的心脏状态检测方法和装置 |
CN116726378A (zh) * | 2023-06-13 | 2023-09-12 | 心擎医疗(苏州)股份有限公司 | 流量确定方法、流量检测模型的训练方法、设备及介质 |
CN116999689A (zh) * | 2023-06-13 | 2023-11-07 | 心擎医疗(苏州)股份有限公司 | 流量确定方法、流量检测模型的训练方法、设备及介质 |
CN116889684A (zh) * | 2023-08-04 | 2023-10-17 | 萱闱(北京)生物科技有限公司 | 供血驱动装置的参数配置方法、系统以及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117899351A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365987B (zh) | 诊断数据异常检测方法、装置、计算机设备及存储介质 | |
CN116370819B (zh) | 一种心室辅助装置的泵血流量估测方法及装置 | |
CN109887596A (zh) | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 | |
CN110232678B (zh) | 一种图像不确定度预测方法、装置、设备及存储介质 | |
CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
WO2021151302A1 (zh) | 基于机器学习的药品质控分析方法、装置、设备及介质 | |
CN116453706B (zh) | 一种基于强化学习的血液透析方案制定方法及系统 | |
CN116726378B (zh) | 流量确定方法、流量检测模型的训练方法、设备及介质 | |
CN115845248A (zh) | 一种心室导管泵的定位方法及装置 | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
CN117899351B (zh) | 流量预测方法、装置、电子设备及存储介质 | |
US20240006069A1 (en) | Medical Event Prediction Using a Personalized Dual-Channel Combiner Network | |
CN110808095A (zh) | 诊断结果识别、模型训练的方法、计算机设备及存储介质 | |
CN112017788B (zh) | 基于强化学习模型的疾病排序方法、装置、设备及介质 | |
Portela et al. | Real-time Intelligent decision support in intensive medicine | |
CN116631614A (zh) | 治疗方案生成方法、装置、电子设备及存储介质 | |
CN116999689A (zh) | 流量确定方法、流量检测模型的训练方法、设备及介质 | |
US20210350933A1 (en) | General and personal patient risk prediction | |
CN115887906A (zh) | 一种心室导管泵的抽吸事件检测方法及装置 | |
CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
CN115463336A (zh) | 一种心室导管泵的监测方法及装置 | |
CN117899349B (zh) | 一种心室辅助装置控制方法、装置、电子设备及存储介质 | |
CN113782192A (zh) | 基于因果推断的分群模型构建方法和医疗数据处理方法 | |
CN114169467A (zh) | 图像标注方法、电子设备及存储介质 | |
CN113499033A (zh) | 一种医疗数据方法及系统 |
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 |