CN117999027A - 用于血流速度评估的传感器导管和信号处理 - Google Patents

Abstract

一种用于测量血管(100)中的流速的装置，包括：被配置为插入血管(100)中的导管(104)；耦合到导管(104)的多个流速传感器(106)；耦合到多个流速传感器(106)的传感器网络(108)；以及耦合到传感器网络(108)的处理器(110)；其中所述多个流速传感器(106)中的每一个被配置为感测血流的速度，其中传感器网络(108)的输出被配置为输入到存储在处理器(110)中的数学模型(152)中，并且其中数学模型(154)被配置为计算导管(104)所在的血管(100)中的流速。

Description

用于血流速度评估的传感器导管和信号处理

技术领域

概括地说，本发明涉及一种用于测量血管中流速的装置和相关方法。该装置包括导管、耦合到导管的多个流速传感器、耦合到多个流速传感器的传感器网络以及耦合到系统网络的处理器。

背景技术

有一类手术称为介入手术或微创手术，其包括在人体脉管系统内引入导管以测量诸如压力和血流速度等等的量。在一种常见的手术中，从血管的开口(例如，腹股沟或肱动脉)引入导管。通过该开口，导管然后通过血管前进到感兴趣的区域，通常前进到冠状动脉分支。然后在感兴趣的区域执行介入手术。导管通常测量的两个参数是压力和血流速度，然后对它们进行处理以计算两个指标，即血流储备分数(FFR)和冠状动脉血流储备(CFVR)。

将压力源性心肌血流储备分数(FFR)和冠状动脉血流储备(CFVR)评估为诱导性缺血的预测因子，通过无创压力测试进行测量，并指示支架置入后的不良事件。

将压力和流速合并为充血狭窄阻力指数，可以显著地提高无创缺血性测试评估的诊断准确性，尤其是在传统参数之间结果不一致的情况下。

远端冠状动脉速度和跨狭窄压力梯度之间的关系几乎完全由冠状动脉狭窄度决定，因此根据定义，其非常适合于评估其血液动力学严重程度。

在诸如支架植入和狭窄球囊扩张的所有血管手术中，例如冠状动脉或外周手术，流速测量和压力测量总是可以用作诊断工具或者用于监测手术的成功性。

超声波是测量血流速度及其衍生指标的常用技术。导管配备了压电晶体，当该压电晶体被激发时，可以发射超声波。然后自然血液散射对该超声波进行反射，并使用多普勒频移或往返时间的测量来导出流体的速度。

例如，为了描述血管中的流体流动，可能需要压力和流速。对压力和流速的准确了解可以获得流体流动的完整特征化，并定义诸如周围血管阻抗之类的重要诊断值。

例如，将血流速度和压力测量相结合，可以用作评估狭窄程度的导丝的一部分。

利用超声波/多普勒传感器进行的测量可以根据以下公式，受到超声波的入射角与血流速度的方向的影响：

其中：

f_d，＝频移

f_s＝源的频率

v：流体速度

c：声速

cosθ：速度方向和发出声音方向之间的角度

因此，测量结果高度依赖于血管内手术中无法控制的角度θ，即取决于导管位置的角度θ可以在0°到90°之间，从而给出完全不同的测量结果。

一个常见的问题是冠状动脉内腺苷的重复注射，这是因为不能以足够的精度来测量瞬时血流速度的信号，从而依赖于平均血流速度。

在WO 2019/149954A1中，描述了用于提供导管(在血管中)的对准信息的传感器布置。通过引用方式来并入WO 2019/149954A1的内容。

在本申请中，描述了一种在血管内提供传感器相对于偏航方向对准的方法(参见图1的z轴)。

在应用中，假设由于血管的径向对称性，可以忽略俯仰方向。仅识别偏航方向可能不足以表征空间中的流动，因为所提供的信息仅仅是关于传感器所识别的平面，并且缺少关于第三维度的信息。因此，滚动信息代表了必须考虑的重要自由度。

例如，导管可以处于传感器平面与流动对齐的最佳位置(图2，滚动＝0°)，或者处于将传感器放置在最小速度区域的倾斜位置(图3，滚动＝90°)(参见图4圆柱体周围的速度分布)。这些位置可以给出非常不同的流速读数。

这种问题的一种可能的解决方案可以是操作者的手动校正，其中操作者手动地旋转导管，因此能够将其与流量一起定位，并获得允许对流动进行最佳估计的测量值。

由于当在近端操作导管时，导管刚度不允许对远端尖端进行1:1的控制，因此这种操作并不总是可行的。结果将是粘滑型旋转，这可能不允许导管的最佳放置。此外，为了降低血管内斑块移位的风险，可以优选地使血管内的操作次数最小化。

此外，在图5中观察到圆柱形周围的流速分布，可以观察到在边界层中：

-面对流动的表面的速度非常低，因为在这个区域，圆柱体阻止了流动。

-在上面和下面的表面中，速度更高，因为圆柱体会加速流动。

-在圆柱体之后的表面，流速非常低，因为圆柱体本身进行了遮蔽

这意味着，对于放置在与流动不完全对齐的导管表面上的单个传感器，很难测量真实的血管流速，这是因为在任何情况下，流动中具有的不可忽略的几何形状都会加速或减速流速，这可能会产生变化的测量结果。

可能必须针对传感器在导管上的定位来优化布置。然而，期望形成能够实现更好的测量精度的装置。

因此，需要提供为导管配备传感器布置的概念，该传感器布置允许改进血流速度的测量，从而给出关于导管的正确定位的准确信息。

可以通过本发明的主题来满足这样的要求。

发明内容

在独立权利要求中阐述了本发明。在从属权利要求中概述了本发明的优选实施例。

根据第一方面，描述了一种用于测量血管中的流速的装置。该装置包括：被配置为插入血管中的导管、耦合到导管的多个流速传感器、耦合到多个流速传感器的传感器网络、以及耦合到传感器网络的处理器。所述多个流速传感器中的每一个被配置为感测血流的速度。传感器网络的输出被配置为输入到存储在处理器中的数学模型中。该数学模型被配置为计算导管所在的血管中的流速。

所述导管可以是被配置为插入血管中的任何商业上可获得的导管。所述导管可以包括任何合适的材料，例如PVC和/或橡胶和/或硅。所述导管可以优选地具有这样的设计，该设计允许多个流速传感器耦合到或布置在所述导管上。所述导管的横截面优选为圆柱形，但也可以是立方体、三角形或定制形状。在一些例子中，所述导管是细长的主体或元件，其可能不适合用作导管。在这里以及在本说明书中描述了血管。然而，导管/细长体或元件可以插入到流体(例如，空气和/或水和/或油)流动通过的任何通道中。

流速传感器可以是被配置为以矢量格式测量血流的速度的传感器。矢量格式优选地包括对应于传感器的x轴、y轴和z轴的三个分量。所述多个流速传感器可以耦合到传感器网络，从而形成传感器网络的一部分。换句话说，所述多个流速传感器可以被配置为传感器网络的组成部分。流速传感器可以与导管一起相对于血液流速倾斜(0>0°)。例如，当所述导管倾斜角度大于或小于0°时，两个测量值可能会相互影响，即一个传感器将与稍微加热的流体交换功率，然后两个测量值将不同。然后，可以将这些测量值单独地传输到传感器网络，或者可以在传输到传感器网之前进行组合。

传感器网络耦合到所述多个流速传感器，并且包括允许传输与流速有关的数据的部件。所述多个流速传感器可以经由有线耦合或无线耦合，耦合到传感器网络。如果该耦合是有线耦合，则有线耦合的部件优选地具有较小直径，从而不干扰来自流速传感器的读数。如果将来自流速传感器的数据单独地传输到传感器网络，则传感器网络可以对所接收的数据测量值进行组合。

处理器耦合到传感器网络，并且被配置为接收传感器网络传输的数据。处理器可以通过数学模型来计算流速。处理器可以耦合到存储器，存储器可以被配置为存储处理器的结果和/或存储处理器使用的数学模型。如果传感器网络不对从多个流速传感器接收的数据测量值进行组合，则处理器可以在模型中使用所述测量值之前组合这些测量值。在一些例子中，在模型中不使用所接收的测量值。在一些例子中，传感器网络还包括压力传感器，其中压力传感器被配置为感测血管内的压力。流速传感器和压力传感器的组合可以允许充血狭窄阻力的指数。压力传感器可以是基于Fabry-Perot干涉仪原理的压电压力传感器和/或光学压力传感器。来自压力传感器的信号可以用作本说明书中描述的数学模型的输入。如果将压力传感器的信号与流速传感器结合使用，这可以导致外周/血管阻力的测量，这在临床应用中可能是特别有利的。这转而可以显著地提高通过无创缺血检测评估的诊断准确性，尤其是在传统参数之间结果不一致的情况下。

在一些例子中，所述数学模型包括或是函数、多项式函数、回归模型、集总参数模型、决策树、随机森林、神经网络或数值模型，其中所述数学模型被配置为输出流速的速度矢量。可以基于流速传感器要测量的参数和/或导管所处的环境来选择数学函数。

在一些例子中，速度矢量与导管方向无关。这可以允许测量血流速度，而与流速传感器的方向无关。这可以允许对血流速度进行更精确的测量。

在一些例子中，感测到的参数的质量被配置为通过回归系数、相关系数或拟合系数中的至少一个来评估。这可以允许处理器将来自流速传感器的结果与来自数学模型的预期结果进行比较。然后，可以将结果的质量传输到用户可以看到的显示屏，然后可以允许用户基于指示的质量来改变导管的定位。

在一些例子中，所述数学模型包括关于导管的几何形状和/或导管对流动的影响的信息，其中该信息被配置为允许所述数学模型补偿导管的几何形状以及/或导管对于流动的影响。这可以允许对血流进行更精确的测量，因为可以减少由导管在血管中引起的对血流的破坏，并且可以在数学模型中进行解释。

在一些例子中，用信号向用户通知所述数学模型的输出。该信号可以经由LED系统和/或经由显示屏。所显示的输出可以是血管内的血流速度和/或压力。这可以允许更安全的操作，因为如果血流速度和/或压力落在预定参数之外，则用户可以中止该过程。

在一些例子中，所述数学模型被配置为针对不同的血管几何形状和流动条件进行定制。这可以允许对血流进行更精确的测量。具体地说，可以基于血管的直径(例如，主动脉或冠状动脉)和/或基于逆向血流的情况(例如，动脉血管与静脉血管)来改变数学模型。

在一些例子中，对所述数学模型进行调整以识别层流和/或转变和/或湍流状态。可以通过改变所使用的模型的参数和/或超参数来调整数学模型。可以通过实验方法来调整所述数学模型，其中进行一系列基准测试，然后使用这些测试的结果来调整所述数学模型。在一些例子中，将结果输入到回归算法中，并使用这些算法的结果来调整模型。另外地或替代地，可以通过实验方法来调整数学模型，其中可以运行不同的模拟，然后从这些模拟中提取参数。然后可以使用这些参数来调整模型。另外地或替代地，可以通过机器学习方法来调整所述数学模型。机器学习的使用是本领域普通技术人员众所周知的。这可以允许更精确的血流速度测量，和/或如果在介入手术期间存在问题，可以允许用户中止介入手术，从而获得更安全的介入手术。

在一些例子中，所述多个流速传感器是热线流速计传感器。在存在湍流的情况下，热线流速计传感器可能特别有用，它们还可以允许模拟输出，这可以为有条件采样的时域和频域分析和/或多组分流的测量提供机会。

在一些例子中，所述多个流速传感器中的每一个被配置为热影响所述多个流速传感器中的至少一个其它流速传感器。可以通过使用所述多个传感器之间的热串扰，来确定导管相对于血流的对准。例如，当导管与流速流准确地对齐时(即，相对于血流的角度为0°时)，所述多个传感器可以提供相同的测量结果。这可以允许更精确的血流速度测量。

在一些例子中，所述数学模型是数值模型，并且其中所述数学模型包括Navier-Stokes方程，其中将Navier-Stoke方程的输出与感测到的血流速度进行比较，并且其中品质因数被配置为基于该比较结果来计算。这可以允许特别针对粘性流体对数学模型进行建模，从而允许对血流速度进行更精确的测量。品质因数可以允许用户看到计算出的血流速度是否可靠，从而保持介入手术的安全性。

在一些例子中，所述数学模型是集总参数模型，其中该集中参数模型包括离散实体或者由离散实体组成，所述离散实体被配置为近似所述多个流速传感器的输出的行为，并且其中该集总参数模型由下式进行定义：

其中，Q是以焦耳为单位的热能，h是导管和血流之间的传热系数，A是传热的表面积，T是导管的表面的温度，Tenv是环境的温度，而AT(t)是环境和导管之间的时间相关的热梯度。这可以允许改进的血流速度测量和/或改进的用户安全性，因为可以容易地向用户显示计算结果。

在一些例子中，该装置还包括警报器，其中该警报器向用户指示血流速度是否落在预定范围之外。

这可以提高介入的安全性，因为如果介入手术存在问题，可以容易地通知用户。

根据第二方面，描述了一种通过装置来测量血管中的流速的方法。该装置包括被配置为插入血管中的导管、耦合到导管的多个流速传感器、耦合到所述多个流速传感器的传感器网络、以及耦合到传感器网络的处理器。该方法包括：通过所述多个流速传感器中的每一个感测血管的血流的速度，将传感器网络的输出输入到存储在处理器中的数学模型中，并通过数学模型来计算导管所在的血管中的流速。

所述导管可以是被配置为插入血管中的任何商业上可获得的导管。所述导管可以包括任何合适的材料，例如PVC和/或橡胶和/或硅。所述导管可以优选地具有允许多个流速传感器耦合到该导管的设计。所述导管的横截面优选为圆柱形，但也可以是立方体、三角形或定制形状。

所述流速传感器可以是被配置为以矢量格式来测量血流的速度的传感器。该矢量格式优选地包括对应于传感器的x轴、y轴和z轴的三个分量。所述多个流速传感器可以耦合到传感器网络以形成传感器网络的一部分。换言之，所述多个流速传感器可以被配置为传感器网络的组成部分。

传感器网络耦合到所述多个流速传感器，并且包括允许传输与流速有关的数据的部件。所述多个流速传感器可以经由有线耦合或无线耦合来耦合到传感器网络。如果该耦合是有线耦合，则有线耦合的部件优选地具有较小直径，从而不干扰来自流速传感器的读数。

处理器耦合到传感器网络，并且被配置为接收传感器网络传输的数据。处理器可以通过数学模型来计算流速。处理器可以耦合到存储器，存储器可以被配置为存储处理器的结果和/或存储处理器使用的数学模型。

在一些例子中，并非所有这些步骤都是必需的。在一些例子中，这些步骤可以具有不同的顺序。在一些例子中，这些步骤中的一些步骤同时发生。

本领域普通技术人员清楚的是，可以在使用硬件电路、软件方式或其组合的情况下实现本文所阐述的语句。软件方式可以与编程微处理器或通用计算机、ASIC(专用集成电路)和/或DSP(数字信号处理器)有关。例如，可以将处理单元至少部分地实现为计算机、逻辑电路、FPGA(现场可编程门阵列)、处理器(例如，微处理器、微控制器(μC)或阵列处理器)/核心/CPU(中央处理单元)、FPU(浮点单元)、NPU(数字处理单元)，ALU(算术逻辑单元)、协处理器(用于支持主处理器(CPU)的另一个微处理器)、GPGPU(图形处理单元上的通用计算)、多核处理器(用于并行计算，例如在多个主处理器和/或图形处理器上同时执行算术运算)或DSP。

本领域普通技术人员进一步清楚的是，即使将根据方法来描述本文所描述的细节，也可以在适当的设备、计算机处理器或连接到处理器的存储器中实现或实施这些细节，其中，当由处理器执行时，可以向存储器提供执行该方法的一个或多个程序。因此，可以部署交换和分页等方法。

附图说明

即使已经参考该装置描述了上述方面中的一些方面，这些方面也可以应用于方法，反之亦然。

现在将参考附图，仅通过示例的方式进一步描述本发明的这些和其它方面，其中相同的附图标记指代相同的部件，并且其中：

图1显示了根据现有技术的三轴几何形状；

图2显示了根据现有技术的导管的视图；

图3显示了根据现有技术的流速传感器的视图；

图4显示了根据现有技术的围绕圆柱体的速度分布；

图5显示了根据现有技术的围绕圆柱体的速度分布；

图6显示了根据本文所述实施例的导管和流速传感器的视图；

图7显示了根据本文所述实施例的导管、流速传感器和传感器网络的视图；

图8显示了根据本文所述实施例的数据流的流程图；

图9显示了根据本文所述实施例的导管的透视图；

图10显示了根据本文所述实施例的导管的剖视图；

图11显示了根据本文所述实施例的数据流的流程图；

图12显示了根据本文所述实施例的用于测量血管中的流速的方法的框图。

具体实施方式

图1显示了根据现有技术的三轴几何形状。

在现有技术中，血管内的血液流动主要沿着x轴。通过流速传感器相对于血管的偏航方向(即，关于z轴)来测量血流速度。由于血管的径向对称性，现有技术没有考虑俯仰方向(即，关于y轴的方向)。因此，滚动信息代表了必须考虑的重要自由度。

图2和图3显示了根据现有技术的导管和流速传感器的视图。

血管10包括与箭头12方向基本相同的血流方向。位于血管10内的是导管14，导管14上连接有单个流速传感器16。流速传感器16被配置为检测血管10内的血流的速度。

当滚动角度为0°时，导管14可以处于最佳方向，如图2中所示。在该最佳取向中，流速传感器16的主平面与血流对齐。或者，当滚动角度为90°时，导管14可能处于次优取向，如图3中所示。在这种次优取向中，流速传感器16的主平面位于最小速度区域，即隐藏在导管14后面。此外，由于流速传感器16位于导管14后面，所以流速传感器可能无法准确地测量血管10内的血流的速度。

图4和图5显示了根据现有技术的圆柱体周围的速度分布。

图4显示了导管14在血管10内时的速度场。

此外，在图5中可以观察到圆柱形周围的流速分布，可以观察到在边界层中：

-面对流动的表面20的速度非常低，因为在这个区域，圆柱体阻止了流动。

-在导管14上方和下方的表面22、24中，速度更高，因为导管14加速了流动。

-在导管14之后的表面26，流速非常低，因为导管14本身进行了遮蔽。

这种类型的流体动力学是本领域普通技术人员已知的。在上文中，这意味着对于放置在导管14的表面上的相对于流动不是完全对准的单个流速传感器16而言，难以测量实际流速。这是由于导管14在流动中具有不可忽略的几何形状，并且导管14在任何情况下都将由于流体动力学而使流速加速或减速。

图6显示了根据本文所述实施例的导管和流速传感器的视图。

图6显示了血管100，其中血管100内的血流沿与箭头102基本平行的方向移动。导管104位于血管100内。两个流速传感器106直接耦合到导管104。流速传感器106可以通过压力来感测血流的速度，其中由血流施加在流速传感器106上的压力可以允许计算流速。流速传感器106可以包括一个电子电路，该电子电路允许流速传感器106计算该传感器106感测到的流速。在该实施例中，两个流速传感器106在导管104的相对侧耦合到导管104，即传感器106彼此相距180°。在一些实施例中，流速传感器106不是彼此相距180°，并且可以是彼此相距任何合适的角度(例如，45°、90°或120°)。在一些实施例中，存在两个以上的流速传感器106。在具有两个以上流速传感器106的实施例中，流速传感器106可以彼此相等地间隔开。例如，如果有三个流速传感器106，则这些传感器106可以彼此间隔120°。替代地，可以将传感器106放置在彼此相距任何合适的距离处。

图7显示了根据本文所述实施例的导管、流速传感器和传感器网络的视图。

图7显示了耦合到导管上的流速传感器106的传感器网络108。流速传感器106和传感器网络108之间的耦合可以是有线耦合或无线耦合。在无线耦合中，每个流速传感器106可以包括发射器，该发射器被配置为将其感测到的读数发送到传感器网络108，并且传感器网络108被配置为接收所发送的读数。在该实施例中，传感器网络108可以位于计算机和/或处理器(参见图8)中，或者耦合到计算机和/或处理器，和/或位于云存储中。传感器网络108包括集成在传感器壳体内的两个或更多个传感器106(参见图9)。特别优选的是，传感器106以对称的方式位于导管104周围。例如，如果导管104具有三个传感器106，则优选地将传感器106相隔120°放置。这对于流速的测量是特别有利的。

在有线耦合中，传感器网络108可以包括耦合到每个流速传感器106的电线，其中该电线被配置为将流速传感器106感测到的读数传输到例如计算机和/或处理器。该电线也可以耦合到导管104，使得它们在血管100内不松动和/或允许导管周围的流体动力学的最小破坏。另外地或替代地，该电线可以位于导管104内。

传感器网络108还可以允许将来自多个流速传感器106的感测读数整理成单个三维速度矢量。在一些实施例中，传感器网络不核对感测到的读数，并将它们保持在单独的数据流中。

为了便于说明起见，图7显示了导管的剖视图。本领域普通技术人员应当理解，传感器网络108可以相对于流速传感器106和导管104处于任何合适的方位。

在一些例子中，可以存在另外的传感器。例如，可以存在感测与血管100的壁的碰撞的压力传感器和/或传感器，和/或被配置为辅助介入的任何其它合适的传感器。

图8显示了根据本文所述实施例的数据流的流程图。

图8显示了通过传感器网络108将来自流速传感器106的感测读数传输到处理器110，其中流速传感器106是传感器网络108的一部分。处理器110可以包括处理单元。处理器可以耦合到存储器单元和/或显示单元，如下面将进一步详细描述的。流速传感器106和传感器网络108之间的耦合可以是有线的或无线的，如上所述。传感器网络108和处理器110之间的耦合也可以是有线的或无线的。在有线耦合中，传感器网络108的电缆(如上所述)可以将感测到的读数直接发送到处理器110。在无线耦合中，传感器网络108可以包括被配置为发送流速传感器106的感测读数的发射器，而处理器110可以包括被配置为从传感器网络108接收感测的读数的接收器。

图9显示了根据本文所述实施例的导管的透视图。

图9显示了被配置为插入血管104的导管104。在导管上有多个流速传感器106和压力传感器107。这些压力传感器可以与上面所描述的压力传感器107相似。传感器106、107位于壳体112内，其中壳体112位于导管104的远端。传感器壳体112可以包括适合于在导管中使用的任何材料，例如塑料。壳体112优选是柔性的，以便允许导管104更容易地移动。传感器网络108优选地位于壳体112内。位于导管104的远端的是适于介入的尖端114。传感器网络108经由海波管116，将来自多个传感器106、107的测量数据发送到位于外部位置的处理器110。海波管116也可以是适用于传输数据和用作导管104的一部分的任何类型的管。导管104的上述未提及的其余部分是本领域普通技术人员已知的。

图10显示了根据本文所述实施例的导管的剖视图。

导管104优选地具有传感器106、107，其中传感器106、107位于导管104周围等距离的角度处。例如，如果导管104具有三个传感器106、107，则优选地将传感器106、107相隔120°放置。这对于流速的测量是特别有利的。在一些实施例中，导管104包括一个通道118。该通道118可以优选地用于将数据从传感器106、107传输到传感器网络108，然后传输到处理器110。该通道118也可用于介入手术期间可能需要使用的额外仪器，例如导丝。

图11显示了根据本文所述实施例的数据流的流程图。

在处理器110中，如上所述，处理器110经由传感器网络108，从流速传感器106接收测量感测数据150。处理器110在处理器110本身内或者经由存储器单元(没有示出)，接收数学模型152。数学模型152可以估计由流速传感器106感测到的预期流速，和/或可以将流速传感器106感测的流速输入到模型152本身中。

数学模型152可以具有不同的性质。例如，模型152可以是多项式函数，其中对系数进行调谐以提供精确的流量测量：

其中，f()是一个多项式函数

x…,Xn：是不同的测量输入

是速度矢量

该多项式函数输出的速度矢量是一个包括3个分量的矢量，其中每个分量与血管的不同轴(即，x轴、y轴和z轴)有关。在一些实施例中，该速度矢量仅具有少于三个分量。可以基于用户的意愿，来改变由该简化矢量表示的轴。

数学模型152可以是上面所描述的多项式函数，和/或可以包括以下数学模型152中的至少一个。在下面描述的所有数学模型152中，技术人员理解每个模型152的局限性，以及可以对所述模型152进行的可能改变：

-单变量回归

选择适当描述导管104的方位影响的特征，其中该特征是校正能够补偿导管104周围流体动力学的特征。例如，该特征可以是表示从传感器106、107接收的原始信号的量。该特征可以另外地或替代地是从传感器106、107接收的原始信号之间的比率。式1显示了用于说明导管104周围的流体动力学的单变量回归方程的一般表示，其中具有特征x、目标y和权重c，该方程可以用于估计流速。例如，目标可以是血管100内的流速，并且权重可以是模型参数。特征和目标(校正)的选择以及模型的阶数n是可能的超参数。该模型152的调整可能性非常小。

式1：

-多元线性回归

多元线性回归类似于单变量回归。式2显示了具有第i特征值x、目标y和权重c的多元线性回归的一般表示。目标(校正)、特征的数量m和这些特征的组成是可能的超参数。

式2：

-决策树

决策树算法包括节点、分支和叶子，或者由节点、分支和叶子组成。在模型152的拟合期间，可以为每个节点建立比较。根据给定的值，决策遵循两个分支中的一个分支到下一个节点。最后，当到达决策树底部的叶子时，做出决策。决策树是非常可调整的，并且可以提供各种可以调整的超参数，如下表1中所示。

表1：决策树的可用超参数概述

由于其可调整性和多功能性，决策树能够预测广泛的数据。此外，它们可以用于分类以及回归。然而，这会带来模型与数据过度拟合的风险。此外，对于具有较大深度和许多节点/叶子的大树来说，实现和预测时间可能会变得麻烦。本领域普通技术人员应当理解，各种参数可以是例如速度矢量的单个分量的血流速度，和/或增加或减小速度，和/或如果速度矢量的分量落在预定参数之外。

-随机森林

随机森林模型是一种集成方法，这意味着在最终估计时要考虑多个模型的估计。在随机森林的情况下，集成可以包括规定数量的决策树“n_估计器”，或者由规定数量的决策树“n_估计器”组成。在完整数据“max_samp les”的样本上，单独地定义每棵树。这两个参数是来自各个决策树的参数的附加超参数，并且可以用于调整模型152。最后，每个决策树进行预测，最终结果是决策树的各个估计的平均值。

-集中参数

集总参数物理模型将复杂的物理现象简化为一种拓扑结构，该拓扑结构包括离散实体或者由离散实体组成，这些离散实体近似于分布式系统的行为。该模型152可以由下式定义：

其中，Q是以焦耳为单位的热能，h是导管104和血流之间的传热系数，A是传热的表面积，T是导管104的表面的温度，Tenv是环境的温度，而△T(t)是环境和导管104之间的时间相关的热梯度。

-用于回归的深度神经网络

神经网络是以层为结构的连接节点或单元的集合。每个单元代表一个非线性函数，它将前一层的输出作为输入，并在应用非线性函数(即，激活函数)后提供加权和作为输出。最后一层是输出层，并放弃如前几层中所见的非线性函数，并输出其输入的加权和。

为了计算每个加权和的权重，通过处理输入输出示例来训练神经网络，以优化损失函数。神经网络使用基于梯度下降和反向传播的优化算法，来调整每一层中所有节点的权重。这可以实现特别精确的深度学习数学模型。

-递归神经网络

递归神经网络(RNN)是神经网络的一个子类，其通过具有隐藏状态来考虑先前的输出。因此，它表现出时间动态行为。

门控递归单元(GRU)和长短期记忆单元(LSTM)是处理梯度消失问题的RNN的子类型，从而使它们能够捕获长期依赖性。

对于这种网络的训练，在每个时间点进行反向传播(通过时间的反向传播)。因此，时间序列的所有点对每个单个单元的权重都具有影响。

由于改进了深度学习技术，这可以允许实现特别准确的模型。

-数值模型

使用用于描述导管104周围的流速分布的Navier-Stokes方程的数值解的结果，来比较流速传感器所执行的测量结果。可以产生用于评估测量值与定义三维流速矢量的模型152之间的拟合的品质因数。

除了上述内容之外，数学模型152还可以包括校正部件，该校正部件被配置为校正导管104周围的流体动力学和/或流速传感器106和/或导管104的未知方向的影响。该校正部件可以是以下中的至少一个：

-功率校正

观察偏航方向对传感器样本的功率-速度曲线的影响，可以允许补偿偏航方向的可能方式。可以通过根据流速传感器106和/或导管104的取向来调节传感器106的功率值，来补偿偏航方向，使得功率在独立于该取向的特定范围内。存在两种可能的方法来调整功率。首先，可以根据取向，通过增加/减小功率值来向上或向下偏移功率。其次，可以将功率缩放取决于该取向的因子。

通常，通过确定代表性的功率-速度曲线，并计算所需的偏移/因子来规定所需的校正，以将测量值移动到所确定的曲线。作为可能的代表性p-v曲线，可以考虑所选数据集的最小值、平均值和最大值。然而，由于p-v曲线的趋平行为，不认为最小值是一个好的选择，因为它带来了校正值可能超出有效范围的高风险。

最后，需要规定数据集的划分，在该划分上计算代表性曲线。因此，确定了两种主要方法。首先，单独考虑每个传感器样本。这意味着针对每个传感器样本来计算代表性曲线。优点在于，这忽略了传感器样本之间的差异。然而，需要对每个传感器106进行单独的校准以确定传感器的行为。第二，对于代表性曲线，考虑所有传感器106。优点在于，该校正可以很好地概括传感器106的行为。然而，如果不考虑样本之间的差异，可能导致精度下降。

-测量精度的评估

可以使用回归系数、相关指数和评价数据拟合到模型中的指标来评价数据的质量。这可以提供关于所收集的测量值的质量的信息。

通过这种方式，系统模型传感器网络108也将能够估计非最佳测量，例如，当传感器106接触血管100的壁时，由流量的非最佳暴露引起该非最佳测量。可以通过比较网络108中的不同测量值，并通过定义可能显示不良数据质量的指标(例如，与模型的相关性或函数的回归指数)，来推导该非最佳测量。

用户可以基于例如血管100的直径、导管104将位于的位置和/或血管100的逆向血流来选择模型152。用户可以通过耦合到处理器110的显示器进行这种改变。替代地，可以由处理器110以处理器110内的机器学习算法的形式，自动地完成模型152的改变。

在选择了模型152之后，感测读数150，然后在比较单元154中与模型152的结果进行比较。在进行比较之前，感测的读数150也可以通过模型152。

然后，比较单元154将与该比较有关的数据发送到质量测量单元156。质量测量单元156测量与模型152中估计的速度矢量相关的感测读数150的质量。然后，质量测量单元154对感测读数的质量150做出决定。然后，可以在耦合到处理器110的显示单元中显示该决定，以向用户指示读数150的质量。然后，用户可以基于读数150的质量，做出关于介入手术的决定。

在一些实施例中，处理器还包括报警单元158。报警单元158可以向用户指示血流的速度矢量的分量何时已超出预定范围和/或比较单元154何时发现模型152与感测读数150之间存在较大差异。该报警可以是音频报警和/或触觉报警和/或视觉报警。如果该报警是视觉警报，则这可以显示在耦合到处理器110的显示单元上。

图12显示了根据本文所述实施例的用于测量血管中的流速的方法的框图。

用于测量血管100中的流速的方法200包括四个主要步骤。

首先，通过多个流速传感器106中的每一个来感测血管100的血流速度(S210)。这可以允许精确地确定血管100的流速。

然后，将每个流速传感器106感测的速度发送到传感器网络108(S220)。这可以允许将感测的速度整理成一个读数。

随后，将传感器网络108的输出输入到存储在处理器100中的数学模型152中(S230)。这可以允许针对流体动力学不规则性来校正感测的速度150，和/或允许更准确地定义血管100内的血流速度。

然后，通过数学模型152计算导管104所在的血管中的流速(S240)。这可以允许精确地读取血流速度。

毫无疑问，本领域普通技术人员将发现许多其它有效的替代方案。应当理解，本发明并不限于所描述的实施例，并且涵盖对本领域普通技术人员来说显而易见的、并落入所附权利要求书的保护范围内的修改。

Claims (15)

1.一种用于测量血管(100)中的流速的装置，包括：

导管(104)，所述导管(104)被配置为插入血管(100)中；

耦合到所述导管(104)的多个流速传感器(106)；

耦合到所述多个流速传感器(106)的传感器网络(108)；

耦合到所述传感器网络(108)的处理器(110)；

其中所述多个流速传感器(106)中的每一个被配置为感测血流的速度，

其中所述传感器网络(108)的输出被配置为输入到存储在所述处理器(110)中的数学模型(152)中，以及

其中所述数学模型(152)被配置为计算所述导管(104)所在的血管(100)中的流速。

2.根据权利要求1所述的装置，其中，所述传感器网络(108)进一步包括压力传感器，其中所述压力传感器被配置为感测所述血管(100)内的压力。

3.根据权利要求1或2所述的装置，其中，所述数学模型(152)包括或者是函数、多项式函数、回归模型、集总参数模型、决策树、随机森林、神经网络或数值模型，其中所述数学模型(152)被配置为输出所述流速的速度矢量。

4.根据权利要求3所述的装置，其中，所述速度矢量与导管方向无关。

5.根据前述权利要求中的任何一项所述的装置，其中，所述感测参数(150)的质量被配置为借助于回归系数、相关系数或拟合系数中的至少一个来评估。

6.根据前述权利要求中的任何一项所述的装置，其中，所述数学模型(152)包括所述导管(152)的几何形状和/或所述导管(104)对所述流速的影响的信息，其中，将所述信息配置为允许所述数学模型(152)补偿所述导管(104)的所述几何形状和/或所述导管(104)对所述流速的所述影响。

7.根据前述权利要求中的任何一项所述的装置，其中，用信号向用户通知所述数学模型(152)的输出。

8.根据前述权利要求中的任何一项所述的装置，其中，所述数学模型(152)被配置为针对不同的血管(100)几何形状和流动条件进行定制。

9.根据前述权利要求中的任何一项所述的装置，其中，所述数学模型(152)被调整为识别所述血管(100)内的层流和/或转变和/或湍流状态。

10.根据前述权利要求中的任何一项所述的装置，其中，所述多个流速传感器(106)是热线流速计传感器。

11.根据权利要求10所述的装置，其中，所述多个流速传感器(106)中的每一个被配置为热影响所述多个流速传感器(106)中的至少一个其它流速传感器(106)。

12.根据前述权利要求中的任何一项所述的装置，当依赖于权利要求3时，其中所述数学模型(152)是数值模型，并且其中所述数学模型(152)包括Navier-Stokes方程，其中将所述Navier-Stokes方程的输出与所感测到的血流速度进行比较，并且其中，品质指数被配置为基于所述比较来计算。

13.根据前述权利要求中的任何一项所述的装置，当依赖于权利要求3时，其中所述数学模型(152)是集总参数模型，其中所述集总参数模型包括离散实体或者由离散实体组成，所述离散实体被配置为近似所述多个流速传感器的所述输出的行为，并且其中所述集总参数模型由下式进行定义：

其中，Q是以焦耳为单位的热能，h是所述导管(104)和所述血流之间的传热系数，A是所述传热的表面积，T是所述导管(104)的表面的温度，Tenv是所述环境的温度，而△T(t)是所述环境和所述导管(104)之间的时间相关的热梯度。

14.根据前述权利要求中的任何一项所述的装置，还包括警报器，其中所述警报器向用户指示所述血液速度是否落在预定范围之外。

15.一种用于通过装置测量血管中的流速的方法(200)，

其中所述装置包括：

导管，所述导管被配置为插入血管中；

耦合到所述导管的多个流速传感器；

耦合到所述多个流速传感器的传感器网络；以及

耦合到所述传感器网络的处理器，并且

其中所述方法包括：

通过所述多个流速传感器中的每一个感测(S210)所述血管的血流的速度；

将所述流速传感器中的每一个感测到的所述速度发送(S220)到所述传感器网络；

将所述传感器网络的输出输入(S230)到存储在所述处理器中的数学模型中；以及

通过所述数学模型计算(S240)所述导管所在的血管中的所述流速。