监测脑血流自动调节功能、训练模型的方法及装置制造方法及图纸

本申请公开了一种监测脑血流自动调节功能、训练模型的方法及装置，属于智能医学技术领域。所述方法包括：基于目标个体的动脉血压信号和脑血流信号，确定用于表示目标个体的脑血流自动调节CA功能当前状态的第一传递函数分析TFA变量，第一TFA变量包括频域特征和时域特征。基于频域特征和时域特征，通过目标多尺度融合感知模型，确定目标个体的CA功能是否损伤，目标多尺度融合感知模型能够基于任意个体的CA功能对应的频域特征和时域特征确定任意个体的CA功能是否损伤。本申请可以提高检测结果的准确性。果的准确性。果的准确性。

【技术实现步骤摘要】
监测脑血流自动调节功能、训练模型的方法及装置


[0001]本申请涉及智能医学
，特别涉及一种监测脑血流自动调节功能、训练模型的方法及装置。

技术介绍

[0002]脑血流自动调节(Cerebral Autoregulation，CA)功能是一种重要的血流动力学生理保护机制，能够在人体的动脉血压(Arterial blood pressure，ABP)发生波动的情况下，维持人体的脑血流速度(Cerebral blood flow，CBFV)在一个相对稳定的水平。由于受损的CA功能会增加继发性脑损伤的风险，所以，通常会有监测CA功能的需求，以确定CA功能是否损伤。
[0003]在相关技术中，一般是基于CA功能对应的ABP信号和CBFV信号，确定各固定频带内的传递函数分析(Transfer Function Analysis，TFA)变量(一般包括相位、增益、相关性信息)的均值，以通过各固定频带内的TFA变量的均值来表征CA功能的状态，然后，利用逻辑回归模型对各固定频带内的TFA变量的均值进行拟合，以确定TFA变量差异性，从而根据TFA变量差异性对CA功能进行监测。
[0004]然而，由于逻辑回归模型的复杂性不足，所以容易存在欠拟合的情况，从而导致监测结果不准确。

技术实现思路

[0005]本申请实施例提供了一种监测脑血流自动调节功能、训练模型的方法及装置，可以解决相关技术中监测结果不准确的问题。所述技术方案如下：
[0006]第一方面，提供了一种监测脑血流自动调节功能的方法，所述方法包括：
[0007]基于目标个体的动脉血压信号和脑血流信号，确定用于表示所述目标个体的脑血流自动调节CA功能当前状态的第一传递函数分析TFA变量，所述第一TFA变量包括频域特征和时域特征；
[0008]基于所述频域特征和所述时域特征，通过目标多尺度融合感知模型，确定所述目标个体的CA功能是否损伤，所述目标多尺度融合感知模型能够基于任意个体的CA功能对应的频域特征和时域特征确定所述任意个体的CA功能是否损伤。
[0009]第二方面，提供了一种训练模型的方法，所述方法包括：
[0010]基于第一样本数据集，对第一频域模块和第一时域模块分别进行迭代训练，所述第一样本数据集中的第一样本数据包括无标签样本信号对应的第一样本频域特征和第一样本时域特征，所述第一频域模块和所述第一时域模块是相互独立的模块，且均具有特征提取功能；
[0011]根据迭代训练后的第一频域模块构建第二频域模块，以及根据迭代训练后的第一时域模块构建第二时域模块，所述第二频域模块和所述第二时域模块均具有特征提取功能和分类功能；
[0012]基于第二样本数据集、所述第二频域模块、所述第二时域模块，确定目标多尺度融合感知模型，所述第二样本数据集中的第二样本数据是有标签样本信号对应的第二样本频域特征和第二样本时域特征；
[0013]其中，所述目标多尺度融合感知模型能够基于任意个体的CA功能对应的频域特征和时域特征确定所述任意个体的CA功能是否损伤。
[0014]第三方面，提供了一种检测脑血流自动调节功能的装置，所述装置包括：
[0015]第一确定模块，用于基于目标个体的动脉血压信号和脑血流信号，确定用于表示所述目标个体的脑血流自动调节CA功能当前状态的第一传递函数分析TFA变量，所述第一TFA变量包括频域特征和时域特征；
[0016]第二确定模块，用于基于所述频域特征和所述时域特征，通过目标多尺度融合感知模型，确定所述目标个体的CA功能是否损伤，所述目标多尺度融合感知模型能够基于任意个体的CA功能对应的频域特征和时域特征确定所述任意个体的CA功能是否损伤。
[0017]第四方面，提供了一种训练模型的装置，所述装置包括：
[0018]第一训练模块，用于基于第一样本数据集，对第一频域模块和第一时域模块分别进行迭代训练，所述第一样本数据集中的第一样本数据包括无标签样本信号对应的第一样本频域特征和第一样本时域特征，所述第一频域模块和所述第一时域模块是相互独立的模块，且均具有特征提取功能；
[0019]构建模块，用于根据迭代训练后的第一频域模块构建第二频域模块，以及根据迭代训练后的第一时域模块构建第二时域模块，所述第二频域模块和所述第二时域模块均具有特征提取功能和分类功能；
[0020]第二训练模块，用于基于第二样本数据集、所述第二频域模块、所述第二时域模块，确定目标多尺度融合感知模型，所述第二样本数据集中的第二样本数据是有标签样本信号对应的第二样本频域特征和第二样本时域特征；
[0021]其中，所述目标多尺度融合感知模型能够基于任意个体的CA功能对应的频域特征和时域特征确定所述任意个体的CA功能是否损伤。
[0022]第五方面，提供了一种电子设备，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述第一方面或第二方面所述的方法。
[0023]第六方面，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上存储有指令，所述指令被处理器执行时实现上述第一方面或第二方面所述的方法。
[0024]第七方面，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，使得计算机执行上述第一方面或第二方面所述的方法。
[0025]本申请实施例提供的技术方案带来的有益效果是：
[0026]基于第一样本数据集，对第一频域模块和第一时域模块分别进行迭代训练。第一样本数据集中的第一样本数据包括无标签样本信号对应的第一样本频域特征和第一样本时域特征，第一频域模块和第一时域模块是独立的模块，且均具有特征提取功能。根据迭代训练后的第一频域模块构建第二频域模块，以及根据迭代训练后的第一时域模块构建第二时域模块。基于第二样本数据集、第二频域模块、第二时域模块，确定目标多尺度融合感知模型，第二样本数据集中的第二样本数据是有标签样本信号对应的第二样本频域特征和第
二样本时域特征。得到的目标多尺度融合感知模型能够基于任意个体的CA功能对应的频域特征和时域特征确定任意个体的CA功能是否损伤，也即是，可以通过目标多尺度融合感知模型对目标个体的CA功能进行监测，相比于逻辑回归模型，目标多尺度融合感知模型更具有鲁棒性，可以提高检测结果的准确性。
附图说明
[0027]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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，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。
[0028]图1是根据一示例性实施例示出的一种训练模型的方法流程图；
[0029]图2是根据另一示例性实施例示出的一种训练模型的方法流程图；
[0030]图3是根据一示例性实施例示出的一种第一频域模块的示意图；
[0031]图4是根据一示例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种监测脑血流自动调节功能的方法，其特征在于，所述方法包括：基于目标个体的动脉血压信号和脑血流信号，确定用于表示所述目标个体的脑血流自动调节CA功能当前状态的第一传递函数分析TFA变量，所述第一TFA变量包括频域特征和时域特征；基于所述频域特征和所述时域特征，通过目标多尺度融合感知模型，确定所述目标个体的CA功能是否损伤，所述目标多尺度融合感知模型能够基于任意个体的CA功能对应的频域特征和时域特征确定所述任意个体的CA功能是否损伤。2.一种训练模型的方法，其特征在于，所述方法包括：基于第一样本数据集，对第一频域模块和第一时域模块分别进行迭代训练，所述第一样本数据集中的第一样本数据包括无标签样本信号对应的第一样本频域特征和第一样本时域特征，所述第一频域模块和所述第一时域模块是相互独立的模块，且均具有特征提取功能；根据迭代训练后的第一频域模块构建第二频域模块，以及根据迭代训练后的第一时域模块构建第二时域模块，所述第二频域模块和所述第二时域模块均具有特征提取功能和分类功能；基于第二样本数据集、所述第二频域模块、所述第二时域模块，确定目标多尺度融合感知模型，所述第二样本数据集中的第二样本数据是有标签样本信号对应的第二样本频域特征和第二样本时域特征；其中，所述目标多尺度融合感知模型能够基于任意个体的CA功能对应的频域特征和时域特征确定所述任意个体的CA功能是否损伤。3.如权利要求2所述的方法，其特征在于，所述第一频域模块包括相互独立的第一K分支卷积自编码器、K个第一单分支卷积自编码器、以及第二K分支卷积自编码器，所述第二K分支卷积自编码器的模型结构与所述第一K分支卷积自编码器和所述K个第一单分支卷积自编码器合并后的模型结构相同，所述K个第一单分支卷积自编码器与所述第一K分支卷积自编码器中的K个分支一一对应，所述K为大于1的整数；基于所述第一样本数据集，对所述第一频域模块进行迭代训练，包括：针对所述第一样本数据集包括的每个第一样本数据，获取所述每个第一样本数据中的第一样本频域特征，得到多个第一样本频域特征；基于所述多个第一样本频域特征，对所述第一K分支卷积自编码器进行迭代训练；分别提取迭代训练后的第一K分支卷积自编码器中各个分支的隐藏层的特征，得到K个分支的隐藏层特征；针对所述K个分支中的每个分支的隐藏层特征，基于所述每个分支的隐藏层特征，对与所述每个分支对应的第一单分支卷积自编码器进行迭代训练；将迭代训练后的第一K分支卷积自编码器的权重、迭代训练后的每个第一单分支卷积自编码器的权重，同步为所述第二K分支卷积自编码器的权重；基于所述多个第一样本频域特征，对同步后的第二K分支卷积自编码器进行迭代训练。4.如权利要求3所述的方法，其特征在于，所述根据迭代训练后的第一频域模块构建第二频域模块，包括：移除迭代训练后的第二K分支卷积自编码器中的解码器部分；
在移除处理后的第二K分支卷积自编码器之后依次接入第一池化层、第一全连接层以及第一分类器，得到所述第二频域模块。5.如权利要求4所述的方法，其特征在于，所述第一时域模块为第二单分支卷积自编码器，基于所述第一样本数据集，对所述第一时域模块进行迭代训练，包括：针对所述第一样本数据集包括的每个第一样本数据，获取所述每个第一样本数据中的第一样本时域特征，得到多个第一样本时域特征；将所述多个第一样本时域特征作为所述第二单分支卷积自编码器的输入特征，对所述第二单分支卷积自编码器进行迭代训练。6.如权利要求5所述的方法，其特征在于，所述根据迭代训练后的第一时域模块构建第二时域模块，包括：移除迭代训练后的第二单分支卷积自编码器中的解...

【专利技术属性】
技术研发人员：吴栋，张攀登，刘嘉，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：