血管信息预测方法技术

本申请提供了一种血管信息预测方法

【技术实现步骤摘要】
血管信息预测方法、装置、设备及存储介质


[0001]本申请涉及生物医学
，具体而言，本申请涉及一种血管信息预测方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]心血管疾病
(cardiovascular disease)
是如今全世界致死数量最多的疾病种类之一
。
人体的血液动力学
(haemodynamics)
中包含许多有用的信息
。
这些信息通常可用于诊断和预防心血管疾病
。
人体动脉中的血液动力学通常可以用2个变量来建模，即动脉血压
(arterial blood pressure)
和血流速率
(blood flow rate)。
[0003]现有技术中，常常采取有创检测的方式获取血压和血流速率，该不仅存在着一定的风险性和对医生的临床水平或医疗设备的技术都有当高的要求
。
而且上述方式只能限制在特定场所
(
如医院
)
和借助专业设备，检测过程繁琐，效率低，难以长时间获取血压和血流速率的数据，限制了心血管疾病诊断和预防在日常生活中的推进
。

技术实现思路

[0004]本申请实施例提供了一种血管信息预测方法
、
装置
、
设备及存储介质，可以解决现有的血压
、
血流数据只能在特定场所获取，且不能长时间获取的问题
。<br/>为了实现该目的，本申请实施例提供了如下几个方案
。
[0005]根据本申请实施例的一个方面，提供了一种血管信息预测方法，该方法包括：
[0006]获取待预测数据，所述待预测数据包括生理信号以及目标血管的时空坐标，所述生理信号包括光电容积描记信号
、
心电图信号中的至少一种；
[0007]将所述待预测数据输入预测模型，获取所述目标血管的血管信息，所述血管信息包括血压波形
、
血流速率波形；
[0008]其中，所述预测模型通过以下步骤得到：
[0009]获取训练数据集及其对应的物理模型，所述训练数据集包括历史生理信号以及对应的血压波形数据或血流速率波形数据；
[0010]基于所述物理模型确定待训练的神经网络的损失函数；
[0011]根据所述损失函数
、
所述训练数据集进行神经网络训练得到所述预测模型
。
[0012]在一个可能的实现方式中，所述预测模型包括主干网络
、
分支网络，所述将所述待预测数据输入预测模型，获取所述目标血管的血管信息，包括：
[0013]将所述生理信号输入所述分支网络，并将目标血管中待预测位置对应的时空坐标输入所述主干网络，根据所述分支网络和所述主干网络的输出信息得到所述时空坐标对应的血管信息
。
[0014]在一个可能的实现方式中，所述主干网络包括设有多个全连接层的全连接神经网络，所述分支网络包括设有多个残差单元的残差神经网络，所述根据所述分支网络和所述主干网络的输出信息得到所述时空坐标对应的血管信息，包括：
[0015]获取所述分支网络输出的第一预测结果以及所述主干网络输出的第二预测结果，根据所述第一预测结果
、
第二预测结果得到所述待预测位置的血压波形
、
血流速率波形
。
[0016]在一个可能的实现方式中，所述获取训练数据集及其对应的物理模型，包括：
[0017]根据所述训练数据集中的样本组确定所述训练数据集对应的物理模型，所述物理模型包括血液动力学模型以及所述血液动力学模型相关的初始条件
、
边界条件
。
[0018]在一个可能的实现方式中，所述初始条件包括所述血压或血流速率的周期性变化的条件，其中，周期性变化对应的周期长度为根据所述历史生理信号所得的数据
。
[0019]所述边界条件包括狄利克雷边界条件
、
通过韦德克瑟尔模型指示的边界条件
、
诺伊曼边界条件
、
罗宾边界条件
、
反射边界条件中的至少一种
。
[0020]在一个可能的实现方式中，所述基于所述物理模型确定待训练的神经网络的损失函数，还包括：
[0021]获取所述待训练的神经网络的输出结果，根据所述输出结果
、
所述血液动力学模型获取所述血液动力学模型的残差项；
[0022]通过所述残差项修正所述神经网络的经验损失函数
。
[0023]在一个可能的实现方式中，所述根据所述损失函数
、
所述训练数据集进行神经网络训练得到所述预测模型，包括：
[0024]使用所述训练数据集训练所述神经网络，并通过预设迭代方法进行迭代操作，根据迭代结果获取所述预测模型，所述预设迭代方法包括随机梯度下降算法
。
[0025]本申请提供一种血管信息预测装置，所述装置，包括：
[0026]待预测数据获取模块，用于获取待预测数据，所述待预测数据包括生理信号以及目标血管的时空坐标，所述生理信号包括光电容积描记信号
、
心电图信号中的至少一种；
[0027]血管信息预测模块，用于将所述待预测数据输入预测模型，获取所述目标血管的血管信息，所述血管信息包括血压波形
、
血流速率波形；
[0028]其中，所述预测模型通过以下步骤得到：
[0029]获取训练数据集及其对应的物理模型，所述训练数据集包括历史生理信号以及对应的血压波形数据或血流速率波形数据；
[0030]基于所述物理模型确定待训练的神经网络的损失函数；
[0031]根据所述损失函数
、
所述训练数据集进行神经网络训练得到所述预测模型
。
[0032]本申请提供一种电子设备，包括存储器
、
处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如上所述方法的步骤
。
[0033]根据本申请实施例的再一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤
。
[0034]本申请实施例提供的技术方案带来的有益效果是：
[0035]本申请提供的血管信息预测方法中，在线下训练时，利用历史生理信号和对应的血压波形数据或血流速率波形数据作为预测模型的训练数据集，通过该训练数据集进行神经网络训练，并利用训练数据集对应的物理模型调整神经网络的损失函数，得到用于预测血管信息的预测模型
。
在预测血管信息时，获取包括生理信号
、
目标血管的时空坐标的待预测数据，将待预测数据输入预测模型，通过预测模型的输出结果得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种血管信息预测方法，其特征在于，包括：获取待预测数据，所述待预测数据包括生理信号以及目标血管的时空坐标，所述生理信号包括光电容积描记信号
、
心电图信号中的至少一种；将所述待预测数据输入预测模型，获取所述目标血管的血管信息，所述血管信息包括血压波形
、
血流速率波形；其中，所述预测模型通过以下步骤得到：获取训练数据集及其对应的物理模型，所述训练数据集包括历史生理信号以及对应的血压波形数据或血流速率波形数据；基于所述物理模型确定待训练的神经网络的损失函数；根据所述损失函数
、
所述训练数据集进行神经网络训练得到所述预测模型
。2.
根据权利要求1所述的方法，其特征在于，所述预测模型包括主干网络
、
分支网络，所述将所述待预测数据输入预测模型，获取所述目标血管的血管信息，包括：将所述生理信号输入所述分支网络，并将目标血管中待预测位置对应的时空坐标输入所述主干网络，根据所述分支网络和所述主干网络的输出信息得到所述时空坐标对应的血管信息
。3.
根据权利要求2所述的方法，其特征在于，所述主干网络包括设有多个全连接层的全连接神经网络，所述分支网络包括设有多个残差单元的残差神经网络，所述根据所述分支网络和所述主干网络的输出信息得到所述时空坐标对应的血管信息，包括：获取所述分支网络输出的第一预测结果以及所述主干网络输出的第二预测结果，根据所述第一预测结果
、
第二预测结果得到所述待预测位置的血压波形
、
血流速率波形
。4.
根据权利要求1所述的方法，其特征在于，所述获取训练数据集及其对应的物理模型，包括：根据所述训练数据集中的样本组确定所述训练数据集对应的物理模型，所述物理模型包括血液动力学模型以及所述血液动力学模型相关的初始条件
、
边界条件
。5.
根据权利要求4所述的方法，其特征在于，所述初始条件包括所述血压或血流速率的周期性变化的条件，其中，周期性变化对应的周期长度为根据所述历史生理信号所得的数据；所述边界条件包括狄利克...

【专利技术属性】
技术研发人员：李凌丰，台雪成，陈汉夫，张元亭，
申请(专利权)人：香港心脑血管健康工程研究中心有限公司，
类型：发明
国别省市：