【技术实现步骤摘要】
基于SVR算法的左心室收缩末期弹性预测方法及系统
本专利技术涉及生物医学工程技术和计算机科学领域，特别是涉及一种基于SVR算法的左心室收缩末期弹性预测方法及系统。
技术介绍
心脏移植是治疗终末期心力衰竭患者的金标准。离体心脏灌注(ESHP)是评价心脏移植前供体心脏活力的一项有前途的技术。该项技术能维持供体心脏在搏动状态下的正常代谢，为在移植前评估器官生存能力提供了机会。左心室收缩末期弹性(Ees)是衡量左心室收缩功能的有效方法，并且左心室收缩末期弹性Ees已被证明是一个对负载不敏感的收缩力指标。这使左心室收缩末期弹性Ees成为评估离体心脏灌注ESHP中供体心脏功能的理想参数。传统上，左心室收缩末期弹性Ees是通过改变左心室前负荷或后负荷条件来测量的，例如通过下腔静脉闭塞，并同时获得多个压力-容积环(PVloop)以建立收缩末期压力-容积关系(ESPVR)。然而，对于离体心脏灌注ESHP来说，传统的测量方法存在以下问题：首先，降低心脏血液输入会对供体心脏造成损害，例如组织缺氧、缺血性损伤和心律失常。其次，传统的测量方法...
【技术保护点】
1.一种基于SVR算法的左心室收缩末期弹性预测方法，其特征在于，包括：/n获取稳态下测量的单个当前压力-容积环；/n基于滤波器和支持向量机的特征递归清除算法，从所述当前压力-容积环的所有血流动力学特征中提取当前关键特征；所述当前关键特征包括收缩末期容积、舒张末期容积、舒张末期压力、压力-容积环的面积和收缩末期弹性势能；/n根据所述当前关键特征和训练好的左心室压力为零时的容积预测模型，确定当前左心室压力为零时的容积；所述训练好的左心室压力为零时的容积预测模型是根据多组历史当前关键特征以及每组所述历史当前关键特征对应的历史左心室压力为零时的容积，采用SVR算法训练得到的；所述训...
【技术特征摘要】 【专利技术属性】
1.一种基于SVR算法的左心室收缩末期弹性预测方法，其特征在于，包括：
获取稳态下测量的单个当前压力-容积环；
基于滤波器和支持向量机的特征递归清除算法，从所述当前压力-容积环的所有血流动力学特征中提取当前关键特征；所述当前关键特征包括收缩末期容积、舒张末期容积、舒张末期压力、压力-容积环的面积和收缩末期弹性势能；
根据所述当前关键特征和训练好的左心室压力为零时的容积预测模型，确定当前左心室压力为零时的容积；所述训练好的左心室压力为零时的容积预测模型是根据多组历史当前关键特征以及每组所述历史当前关键特征对应的历史左心室压力为零时的容积，采用SVR算法训练得到的；所述训练好的左心室压力为零时的容积预测模型表示关键特征与左心室压力为零时的容积的非线性映射关系；
根据所述当前左心室压力为零时的容积和已构建的左心室收缩末期弹性预测模型，计算当前左心室收缩末期弹性；所述左心室收缩末期弹性预测模型是根据左心室压力为零时的容积和单个压力-容积环上收缩末期的压力容积坐标构建得到的。
2.根据权利要求1所述的一种基于SVR算法的左心室收缩末期弹性预测方法，其特征在于，在执行基于滤波器和支持向量机的特征递归清除算法，从所述当前压力-容积环的所有血流动力学特征中提取当前关键特征之前，还包括：
采用IOXsoftware软件提取所述当前压力-容积环上的所有血流动力学特征。
3.根据权利要求1所述的一种基于SVR算法的左心室收缩末期弹性预测方法，其特征在于，所述基于滤波器和支持向量机的特征递归清除算法，从所述当前压力-容积环的所有血流动力学特征中提取当前关键特征，具体包括：
根据组内一致性指标，从所有所述血流动力学特征中提取稳定性大于第一设定阈值的特征，并存储在第一集合中；
根据相关系数，从所述第一集合中剔除冗余度大于第二设定阈值的特征，并将剩余特征存储在第二集合中；
基于滤波器和支持向量机的特征递归清除算法，从所述第二集合中提取当前关键特征。
4.根据权利要求1所述的一种基于SVR算法的左心室收缩末期弹性预测方法，其特征在于，所述根据所述当前左心室压力为零时的容积和已构建的左心室收缩末期弹性预测模型，计算当前左心室收缩末期弹性，具体包括：
根据公式计算当前左心室收缩末期弹性；
其中，Ees表示当前左心室收缩末期弹性；V0表示当前左心室压力为零时的容积；压力-容积环上收缩末期的压力容积坐标为(Ves，Pes)，Ves表示收缩末期容积，Pes表示收缩末期压力。
技术研发人员：肖伟平，辛立明，孙钰，米特什·巴迪瓦拉，郑树森，李兰娟，彭艳，罗均，谢少荣，蒲华燕，郑杰，李建辉，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。