一种基于元学习神经网络预测中心动脉压的方法技术

一种基于元学习神经网络预测中心动脉压的方法，涉及人工智能领域。包括以下步骤：S1.获取患者中心动脉压力波形及生理指标(性别、身高、体重、身体指数、年龄、心率、收缩压、舒张压、平均动脉压、心输出量)；S2.基于高斯函数叠加法进行波形分解，获取高斯特征参数(a

【技术实现步骤摘要】
一种基于元学习神经网络预测中心动脉压的方法


[0001]本专利技术涉及人工智能领域，是一种基于元学习神经网络预测中心动脉压的方法。

技术介绍

[0002]当心脏有节律的周期性收缩和舒张时，由心室射入主动脉的血液形成的冲击将以波的形式自主动脉根部出发沿动脉管系传播，即形成中心动脉压力波。中心动脉压力是指升主动脉根部的血压。研究表明，中心动脉压可以反映心脏、血管的状态，蕴含丰富的心血管系统状态的信息，可以被用来反映心血管系统的状态，预测和诊断心血管系统疾病，具有极高的临床应用价值。
[0003]目前，导管法仍是测量中心动脉压力波形的“金标准”，但由于它是有创测量，操作复杂、并发症多、费用昂贵，为了弥补有创方法的不足，人们先后提出了直接替代法、广义传递函数法和N点移动平均法等无创方法来估计中心主动脉压。尽管其成本低、风险低、操作简单，但仍然存在一些缺点，例如精度低、通用性差和成本高。因此，提高中心动脉压的估计精度和泛化能力具有重要意义。
[0004]由于环境、遗传和行为因素的影响，血压信号往往表现出高度的特异性和复杂性。由于这些复杂的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习神经网络预测中心动脉压的方法,其特征在于，包括以下步骤：S1：获取患者中心动脉压力波形及生理指标，生理指标包括性别、身高、体重、身体指数、年龄、心率、收缩压、舒张压、平均动脉压、心输出量；S2：基于高斯函数叠加法进行波形分解，获取高斯特征参数a
i
,b
i
,c
i
,i＝1,2,3,4；S3：探究患者生理指标与高斯特征参数之间的显著性关系，选择具有显著相关性的六个生理指标作为输入数据；六个生理指标分别为年龄AGE、平均动脉压MAP、心输出量CO、收缩压SBP、舒张压DBP、心率HR，S4：基于生理指标和高斯特征参数建立元学习数据集；S5：搭建神经网络，基于元学习算法预测高斯特征参数，进而获得中心动脉压，并将预测波形与临床实测波形进行对比验证。2.按照权利要求1所述的一种基于元学习神经网络预测中心动脉压的方法，其特征在于，步骤S1中所述特征，通过有创压力导丝采集264名患者的中心动脉压力波形，同时记录每名患者对应的性别、身高、体重、身体指数、年龄、心率、收缩压、舒张压、平均动脉压、心输出量十个生理指标。3.按照权利要求1所述的一种基于元学习神经网络预测中心动脉压的方法，其特征在于，步骤S2中所述特征，分别提取每名患者一个完整心动周期的中心动脉压力波形，通过MATLAB R2021a软件基于高斯函数叠加法使用四阶高斯函数进行波形分解，获取对应的12个高斯特征参数，每个分解波分别表征了主波、潮波、重搏波及收缩前波四个时期，四阶高斯函数公式可以表示为：公式中a
i
表示各高斯分解波的幅度，b
i
表示各高斯分解波的位置，c
i
表示各高斯分解波的宽度，t为时间。4.按照权利要求1所述的一种基于元学习神经网络预测中心动脉压的方法，其特征在于，步骤S4中所述特征，基于生理指标和高斯特征参数建立元学习数据集：将所有患者的生理指标和高斯特征参数按照4：1划分为训练集和元测试集。5.按照权利要求1所述的一种基于元学习神经网络预测中心动脉压的方法，其特征在于，步骤S5中所述特征，搭建神经网络，基于元学习算法预测高斯特征参数，具体实施包括以下步骤：步骤A1：建立全连接层、dropout层，设定全连接层的总层数、单个全连接层的神经元数，激活函数；使用三个全连接层，两个dropout层；输入为年龄AGE、平均动脉压MAP、心输出量CO、收缩压SBP、舒张压DBP、心率HR六个变量，输出为12个高斯特征参数(a
i
,b
i
,c
i
,i＝1,2,3,4)，步骤A2：选择Adam优化器、Loss函数；步骤S5中所述特征，按照MAML算法框架进行任务划分，具体实施包括以下步骤：步骤B1：设定超参数包括基础学习器学习率α、元学习器学习率β、迭代步数epochs；步骤B2：随机初始化模型参数θ，从任务T
i
中随机抽取一部分样本，通过搭建的网络计算损失，更新梯度，计算...

【专利技术属性】
技术研发人员：刘有军，马俊玲，李鲍，刘金城，李娜，王雪，陈明岩，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：