AT502922A1 - Verfahren zur bestimmung des herzzeitvolumens - Google Patents
Verfahren zur bestimmung des herzzeitvolumens Download PDFInfo
- Publication number
- AT502922A1 AT502922A1 AT0181805A AT18182005A AT502922A1 AT 502922 A1 AT502922 A1 AT 502922A1 AT 0181805 A AT0181805 A AT 0181805A AT 18182005 A AT18182005 A AT 18182005A AT 502922 A1 AT502922 A1 AT 502922A1
- Authority
- AT
- Austria
- Prior art keywords
- blood pressure
- pressure curve
- neurons
- neural network
- artificial neural
- Prior art date
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/029—Measuring or recording blood output from the heart, e.g. minute volume
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Hematology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Vascular Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Description
( Die Erfindung betrifft ein Verfahren zur Bestimmung des Herzzeitvolumens aus einer an der Peripherie gemessenen arteriellen Blutdruckkurve, bei welchem die an der Peripherie gemessene Blutdruckkurve rechnerisch in die entsprechende zentrale Blutdruckkurve transformiert wird und aus der zentralen Blutdruckkurve das Herzzeitvolumen errechnet wird sowie eine entsprechende Vorrichtung. Es gibt eine Vielzahl von Möglichkeiten zur Bestimmung des Herzzeitvolumens. Eine invasive Methode zum Messen des Herzzeitvolumens wurde im Jahre 1870 vom deutschen Physiologen Adolf Fick beschrieben und beruht auf der Tatsache, dass sich der Blutfluss aus dem Quotienten der Menge einer zugeführten Substanz und dem Konzentrationsunterschied zwischen zu- und abführenden Gefässen errechnen lässt. Bei der Dilutionsmethode wird nach Injektion eines Farbstoffes die Konzentration distal gemessen. Durch die Änderung der Konzentration des Farbstoffs kann der Blutfluss bestimmt werden. Um daraus das Herzzeitvolumen zu bestimmen, wird mit Hilfe eines zentralvenösen und eines arteriellen Zugangs der Lungendurchfluss gemessen. Ausserdem sind noch regelmässige Blutentnahmen notwendig. Eine Weiterentwicklung lieferte der Swan-Ganz-Katheter und es entwickelte sich die Thermodilution, bei der die Kälte als Indikator gilt. Hierbei werden 5 bis 10 ml kalte isotonische Kochsalz- oder Dextroselösungen in den rechten Vorhof injiziert und die Temperaturschwankungen über einen Thermistor in der Pulmonalarterie erfasst. Das Herzzeitvolumen ist indirekt proportional zur Fläche unter der Kurve der Temperaturschwankungen. Weitere Methoden zur Bestimmung des Herzzeitvolumens sind die Doppier Ekocardiographie und die Impedanzmethode. Bei einem anderen Verfahren wird eine Pulskonturmethode verwendet, um das Schlagvolumen und das Herzzeitvolumen aus einem Drucksignal zu bestimmen, das in der menschlichen Aorta gemessen wird. Die Abhängigkeit des Herzzeitvolumens bzw. der mittleren Aortaströmung vom Aortadruck ist jedoch nicht linear, sodass der Berechnung relativ komplizierte Modelle zu Grunde gelegt werden müssen. Üblicher Weise wird ein sogenanntes Windkesselmodell angenommen, bei welchem die Tatsache berücksichtigt wird, dass die Aorta in Folge der Kontraktion des Herzens und des homogenen Strömungswiderstandes in den peripheren Abschnitten des Arteriensystems und der dadurch bewirkten Druckerhöhung im Inneren des Gefässes einer elastischen Dehnung unterworfen ist. Im Modell entspricht die Aorta einem Windkessel der zur Dämpfung der rhythmischen Druck- und Strömungsschwankungen dient. Das Blutvolumen, das vom Herz ausgestossen wird, wird im Wesentlichen in der Aorta bzw. im Windkessel aufgenommen und fliesst teilweise durch die peripheren vaskulären Regionen der verschiedenen Organe ab, die von der Aorta abzweigen. In der Periode, in der das Herz kein Blut ausstösst, d.h. in der diastolischen Periode, bewirkt die elastische Rückstellung der Aortawand eine AuswärtsStrömung der Aorta in die peripheren vaskulären Regionen, was wiederum der Funktionsweise eines Windkessels entspricht. Ausgehend von diesem Windkesselmodell wurde in der US 5,400,793 ein verbessertes Simulationsmodell vorgeschlagen, bei welchem der Aorta eine Übertragungsfunktion zugeordnet wird und wobei ergänzend eine arcustangens Funktion für die Abhängigkeit des Volumenstroms vom Druck in der Aorta angesetzt wurde. Bei all den bisher erwähnten Verfahren zur Bestimmung des Herzzeitvolumens sind invasive Eingriffe in den menschlichen Körper notwendig, sodass der Einsatz dieser Methoden aufwendig und unpraktisch ist und deshalb der Intensivmedizin vorbehalten ist. Zur Vermeidung einer Druckmessung in der Aorta ist in der US 5,400,793 bereits vorgeschlagen worden die Druckmessung nicht-invasiv in einem peripheren Bereich durchzuführen und beispielsweise den Druck in der Arteria radialis oder brachialis aufzuzeichnen. Allerdings ist der an der Peripherie gemessene arterielle Blutdruck im Vergleich zum Aortendruck verzerrt, sodass die periphere Blutdruckkurve auf eine entsprechende zentrale Blutdruckkurve, d.h. auf den äquivalenten Aortendruck, abgebildet werden muss. Eine derartige Transformation der Blutdruckkurve ist jedoch äusserst kompliziert, da eine Vielzahl von Parametern berücksichtigt werden muss, welche für die Verzerrung der in der Peripherie gemessenen Blutdruckkurve verantwortlich sind. Beispielsweise ist der Übertragungsweg zwischen der Aorta und der Peripherie durch seine Schmalbandnatur und durch Resonanzerscheinungen im nieder frequenten Bereich gekennzeichnet. In der US 5,400,793 ist in diesem Zusammenhang vorgeschlagen worden eine entsprechende Korrektur durch einen Antiresonanzfilter vorzunehmen. Eine derartige Korrektur nimmt jedoch nicht auf alle Fehlereinflüsse Rücksicht und führt darüber hinaus zu einem überaus komplizierten und rechenintensiven Verfahren. Die vorliegende Erfindung zielt nun darauf ab, ein Verfahren sowie eine entsprechende Vorrichtung zur Bestimmung des Herzzeitvolumens zu schaffen, welches es erlaubt auf Grundlage der an der Peripherie gemessenen arteriellen Blutdruckkurve eine präzise Ermittlung des Herzzeitvolumens zu gewährleisten, wobei der Rechenaufwand innerhalb vertretbarer Grenzen gehalten werden soll, um eine Integration in ein mobiles und entsprechend handliches Gerät zu erreichen. Ausserdem soll die Rückrechnung der an der Peripherie gemessenen Blutdruckkurve auf die zentrale Blutdruckkurve zuverlässig funktionieren und alle möglichen Verzerrungen, welche auf dem Übertragungsweg zwischen der Aorta und dem peripheren Bereich in von Patient zu Patient unterschiedlicher Weise auftreten, berücksichtigen. Zur Lösung dieser Aufgabe besteht die Erfindung im Wesentlichen darin, dass die Transformation der an der Peripherie gemessenen Blutdruckkurve in die entsprechende zentrale Blutdruckkurve mit Hilfe eines künstlichen neuronalen Netzes vorgenommen wird, dessen Gewichtungswerte durch Lernen bestimmt werden. Durch die Verwendung eines künstlichen neuronalen Netzes wird der Komplexität der erforderlichen Transformation in optimaler Weise Rechnung getragen und es konnte nachgewiesen werden, dass die durch die Transformation erhaltene zentrale Blutdruckkurve tatsächlich exakt der bei Probemessungen jeweils in der Aorta ermittelten Druckkurve entspricht. Die Verwendung eines künstlichen neuronalen Netzes liefert deshalb so exakte Ergebnisse, da das zu Grunde liegende Problem der Be rücksichtigung der individuellen Verzerrungen des Drucksignals bei der Rückrechnung der peripheren Blutdruckkurve auf die zentrale Blutdruckkurve sehr schlecht definiert und die Entwicklung einer algorithmischen Lösung schwer ist. Ein ausreichend genaues analytisches Modell ist im vorliegenden Fall unbekannt oder extrem kompliziert, sodass, wenn überhaupt möglich, eine rechnerische Bestimmung sehr aufwendig und rechenintensiv ist. Durch die Verwendung eines künstlichen neuronalen Netzes kann die Rechenzeit wesentlich verkürzt werden, sodass das erfindungsgemässe Verfahren mit Hilfe eines mobilen und somit ständig einsatzbereiten Geräts durchgeführt werden kann. Die entsprechende erfindungsgemässe Vorrichtung zur Bestimmung des Herzzeitvolumens aus der an der Peripherie gemessenen arteriellen Blutdruckkurve umfasst eine Messeinrichtung zur Erfassung der Blutdruckkurve an der Peripherie, eine Recheneinheit zur Transformation der gemessenen Blutdruckkurve in die entsprechende zentrale Blutdruckkurve und eine Recheneinheit zur Berechnung des Herzzeitvolumens aus der zentralen Blutdruckkurve, wobei die Recheneinheit zur Transformation der gemessenen Blutdruckkurve ein künstliches neuronales Netz aufweist, dessen Gewichtungswerte durch Lernen bestimmt wurden. Künstliche neuronale Netze bestehen aus mehreren Neuronen. Die Neuronen dienen dazu Informationen aus der Umwelt oder von anderen Neuronen aufzunehmen und an andere Neuronen oder die Umwelt weiterzuleiten. Man unterscheidet zwischen drei verschiedenen Arten von Neuronen: Input-Units, das sind Neuronen, die von der Aussenwelt Signale empfangen können. Hidden-Units , das sind Neuronen, die sich zwischen Input- und OutputNeuronen befinden und eine interne Repräsentation der Aussenwelt beinhalten. Output-Units, das sind Neuronen, die Signale an die Aussenwelt weitergeben. Die Neuronen sind untereinander durch Kanten verbunden, wobei die Stärke der Verbindung zwischen zwei Neuronen durch ein Gewicht ausgedrückt wird. Je grösser der Absolutbetrag des Gewichts ist, desto grösser ist der Einfluss eines Neurons auf das andere Neuron. Ein positives Gewicht bringt zum Ausdruck, dass ein Neuron auf ein ande res Neuron einen exzitatorischen, erregenden Einfluss ausübt. Ein negatives Gewicht bedeutet, dass der Einfluss inhibitorisch, also hemmender Natur ist. Ein Gewicht von 0 besagt, dass ein Neuron auf ein anderes Neuron derzeit keinen Einfluss ausübt. Das Wissen eines neuronalen Netzes ist in diesen Gewichten gespeichert, wobei Gewichtsveränderungen zwischen den Neuronen durch Trainieren des Netzes vorgenommen werden können. Im Rahmen der vorliegenden Erfindung kann derart vorgegangen werden, dass das künstliche neuronale Netz durch überwachtes Lernen trainiert wird. Hierbei wird das Netz, dessen Architektur festgelegt wurde und dessen Gewichte zufällig initialisiert wurden, während des Lernprozesses mit Eingangsdaten gespeist. Die Ausgabe des Netzes wird mit dem Sollwert verglichen und anschliessend werden die Gewichte des Netzes korrigiert. Dabei sind die Ein- und Ausgabepaare im Vorhinein bekannt. Damit das künstliche neuronale Netz eine möglichst exakte Transformation der peripheren Blutdruckkurve zur zentralen Blutdruckkurve vornimmt, ist es wichtig, dass beim Trainieren Eingabedaten verwendet werden, die ein breites Spektrum von möglichen Eingabewerten abdecken, damit es nicht zu einer Spezialisierung des Netzes kommt. Deshalb sollten zum Trainieren Datensätze verwendet werden, die die Bandbreite der möglichen Eigenschaften abdecken, um eine Generalisierung des trainierten Netzes zu ermöglichen. Im Rahmen der vorliegenden Erfindung wird bevorzugt daher so vorgegangen, dass zum Trainieren des künstlichen neuronalen Netzes jeweils zusammengehörige Blutdruckkurvenpaare verwendet werden, welche tatsächlich durch Messungen in der Peripherie bzw. in der Aorta ermittelt wurden. Dabei ist weiters entscheidend, dass Messdaten von Patienten unterschiedlichen Alters, Geschlechts, Konstitutionstyps, Gesundheitszustand und dgl. herangezogen werden. Im Rahmen der vorliegenden Erfindung wird weiters bevorzugt derart vorgegangen, dass die Gewichtungswerte des künstlichen neuronalen Netzes beim überwachten Lernen ("supervised learning" ) mit Hilfe des Backpropagation-Algorithmus ermittelt werden. Der Backpropagation-Algorithmus ist ein numerisches Lernverfahren, das auf der Optimierung des mittleren quadratischen Fehlers beruht. Es soll eine möglichst genaue Abbildung von in das neuronale Netz eingegebenen Eingangsdaten auf die gewünschten Ausgabedaten erreicht werden. Dazu wird die Qualität der Abbildung durch eine Fehlerfunktion beschrieben, die meist durch den quadratischen Fehler definiert wird. Der Backpropagation-Algorithmus läuft hierbei in folgenden Phasen ab: Zunächst wird ein Eingabemuster angelegt und vorwärts durch das Netz propagiert. Die Ausgabe des Netzes wird mit der gewünschten Ausgabe verglichen, wobei die Differenz der beiden Werte als Fehler des Netzes erachtet wird. Schliesslich wird der Fehler über die Ausgabe- zur Eingabeschicht zurück propagiert, wobei die Gewichtungen der Neuronenverbindungen abhängig von ihrem Einfluss auf den Fehler geändert werden. Dies garantiert bei einem erneuten Anlegen des Eingabemusters eine Annäherung an die gewünschte Ausgabe. Wie bereits erwähnt, bestehen künstliche neuronale Netze aus Neuronen, die in verschiedenen Schichten angeordnet sind. Zwischen der Ein- und der Ausgabeschicht befinden sich die verborgenen Schichten, wobei die benötigte Anzahl der verborgenen Schichten durch die Problemstellung beschränkt ist. Neuronale Netze werden nach ihrer Topologie klassifiziert, wobei das wichtigste Unterscheidungsmerkmal die Rückkoppelungen sind. Netze ohne Rückkoppelung werden Feedforward-Netze genannt und Netze mit Rückkoppelung rekurrente Netze. Bei Feeforward-Netzen existiert kein Pfad, der von einem Neuron direkt oder über zwischengeschaltete Neuronen wieder zurück zu diesem Neuron führt. Die Daten werden also nur in eine Richtung weitergegeben. Im Rahmen des erfindungsgemässen Verfahrens wird bevorzugt derart vorgegangen, dass als künstliches neuronales Netz ein Feedforward-Netz , insbesondere ein vollständig verbundenes Feedforward-Netz, gewählt wird. Dadurch ergibt sich eine besonders einfache Netzstruktur, wobei man von einem vollständig verbundenen Netz dann spricht, wenn jedes Neuron einer bestimmten Schicht mit jedem Neuron der darauf folgenden Schicht verbunden ist. Besonders bevorzugt ist hierbei eine Ausbildung, bei welcher das künstliche neuronale Netz aus wenigstens drei Schichten besteht, wobei im Falle von drei Schichten die Anzahl der in der ersten und dritten Schicht enthaltenen Neuronen jeweils wenigstens dem dreifachen, vorzugsweise wenigstens dem Fünffachen, besonders bevorzugt dem Zehnfachen der Anzahl der in der zweiten, mittleren Schicht enthaltenen Neuronen gewählt wird. Im Rahmen der vorliegenden Erfindung ist eine besonders bevorzugte Topologie derart gestaltet, dass im Fall von drei Schichten die erste und die letzte Schicht des Netzes aus jeweils wenigstens 100 Neuronen und die zweite, mittlere Schicht aus wenigstens 10 Neuronen zusammengesetzt ist. Die Erfindung wird nachfolgend anhand eines in der Zeichnung schematisch dargestellten Ausführungsbeispieles näher erläutert. In dieser zeigt Fig. 1 eine schematische Darstellung der erfindungsgemässen Vorrichtung, Fig.2 eine Darstellung der Struktur des Berechnungsprogramms und Fig.3 eine schematische Darstellung des zum Einsatz gelangenden künstlichen neuronalen Netzes. In Fig.l ist die erfindungsgemässe Vorrichtung mit 1 bezeichnet und ist mit einer Messeinrichtung 2 verbunden, welche der Ermittlung des peripheren Blutdruckkurve dient. Die Messeinrichtung 2 wird von einer Manschette gebildet, welche beispielsweise an den Oberarm angelegt werden kann, um die dort herrschende periphere Blutdruckkurve aufzuzeichnen. Die entsprechenden Messwerte werden über eine Leitung 3 der Vorrichtung 1 zugeführt und dort gespeichert und ausgewertet. Die Vorrichtung 1 weist wenigstens eine Recheneinheit auf, in welcher die von der Messeinrichtung 2 gelieferten Druckwerte einer Berechnung unterworfen werden, wie sie schematisch in Fig.2 dargestellt ist. Die Vorrichtung 1 weist weiters eine optische Anzeigevorrichtung 4 sowie ein Eingabefeld 5 sowie gegebenenfalls weitere Tasten 6 auf. In Fig.2 ist der Ablauf der rechnerischen Ermittlung des Herzzeitvolumens dargestellt. Ausgehend von der von der Messeinrichtung 2 erfassten peripheren Blutdruckkurve 7 wird mit Hilfe eines künstlichen neuronalen Netzes 8 eine zentrale Blutdruckkurve 9 errechnet. Aus der zentralen Blutdruckkurve 9 wird anschliessend unter Zuhilfenahme eines Optimierungsmodells 10 das Herzzeitvolumen 11 errechnet. Gegebenenfalls kann zusätzlich mit Hilfe einer Spline-Interpolation 12 auch der Augmentationsindex 13 errechnet werden. In Fig.3 ist die Struktur des neuronalen Netzes 8 dargestellt und es ist ersichtlich, dass das neuronale Netz 8 aus drei Schichten 14,15,16 besteht, von denen die erste Schicht 14 und die letzte Schicht 16 jeweils aus 100 Neuronen 17 und die mittlere Schicht 15 aus 10 Neuronen 17 mit linearer Übertragungsfunktion zusammengesetzt ist. Bei den letzten zwei Schichten 15 und 16 wird jeweils ein Bias addiert, der vor allem zur Glättung der zentralen Pulskurve dient. Das künstliche neuronale Netz kann mittels Software implementiert werden oder es kann eine hardwarebasierte Lösung herangezogen werden. Im vorliegenden Fall wurde eine Softwareimplementierung gewählt. Es handelt sich um ein vollständig verbundenes FeedforwardNetz ohne jegliche Shortcuts. Die Gewichte und der Bias für die letzten beiden Schichten 15 und 16 werden durch überwachtes Lernen ermittelt, wobei der Bias der ersten Schicht dem Nullvektor entspricht. Ausgehend von der durch das neuronale Netz ermittelten zentralen Blutdruckkurve wird, wie bereits erwähnt, mit Hilfe des Optimierungsmodells 10 das Herzzeitvolumen ermittelt. Im vorliegenden Beispiel basiert die Ermittlung des Herzzeitvolumens auf einer nicht trivialen Lösung der Windkesselgleichungen. Die grundlegende Idee des Modells ist, dass die Auswurfarbeit des linken Herzventrikels einem definierten Gütefunktional folgt. Ausgegangen wird von einem offenen dynamischen System, dessen Systemdynamik durch die Windkesselgleichung beschrieben wird: (1) <EMI ID=8.1> wobei q(t) die Aortenwurzelstromung, x ( t ) der Gesamtblutström durch die Peripherie des Gefässsystems, Rpder periphere Widerstand und CAder Compliance des Arteriensystems ist. Dabei sind <EMI ID=8.1> folgende Rand- und Zusatzbedingungen zu erfüllen: Der Gesamtblutstrom durch die Peripherie des Gefässsystems wird bei bekannter Periodendauer (tp) und bei bekannter Systolendauer (ts) periodisch angenommen: <EMI ID=9.1> (2) (3) (4) Für die Aortenwurzelstromung wird verlangt, dass sie am Ende der Systole Null wird: (5) <EMI ID=9.4> Darüber hinaus wird gefordert, dass ein bestimmtes Schlagvolumen (Vs) gefördert wird und folgende Beziehung erfüllt wird: (6) (7) <EMI ID=9.2> Das annähernd exponentielle Abfallen, das durch das Abströmen des Blutes aus dem arteriellen Windkessel verursacht wird, wird durch die Exponentialfunktion <EMI ID=9.3> (8) angenähert. Mit Hilfe eines Optimierungsmodells hinsichtlich der Auswurfarbeit des linken Ventrikels soll aus der zentralen Druckkurve und mit Schrankenschätzungen für die Parameter, an denen man interessiert ist, diese und das Schlagvolumen berechnet werden. Diese Berechnung soll dabei so erfolgen, dass ein Abweichungsmass für die Anpassung der Modelldruckkurve an die vorgegebene Druckkurve minimiert wird. Der Algorithmus zur Berechnung der Parameter und des Schlagvolumens kann wie in Algorithmus ( 1 ) beschrieben werden. Implementiert wird der Algorithmus ohne Variation des Parameters Rc, um die Rechenzeit zu senken und für den Parameter wird der Wert 0 , 01 angenommen. Diese Vereinfachung ist auf Grund der erhaltenen Ergebnisse vertretbar. Berechnung der Parameter Rp, Rc( effektive arterielle Widerstand ) und CAund des Schlagvolumens Vs: <EMI ID=10.1>
Claims (13)
1. Verfahren zur Bestimmung des Herzzeitvolumens aus einer an der Peripherie gemessenen arteriellen Blutdruckkurve, bei welchem die an der Peripherie gemessene Blutdruckkurve rechnerisch in die entsprechende zentrale Blutdruckkurve transformiert wird und aus der zentralen Blutdruckkurve das Herzzeitvolumen errechnet wird, dadurch gekennzeichnet, dass die Transformation der an der Peripherie gemessenen Blutdruckkurve in die entsprechende zentrale Blutdruckkurve mit Hilfe eines künstlichen neuronalen Netzes vorgenommen wird, dessen Gewichtungswerte durch Lernen bestimmt werden.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das künstliche neuronale Netz als Feedforward-Netz , insbesondere als vollständig verbundenes Feedforward-Netz, ausgebildet ist.
3. Verfahren nach Anspruch 1 oder 2 , dadurch gekennzeichnet, dass das künstliche neuronale Netz aus wenigstens 3 Schichten besteht.
4. Verfahren nach Anspruch 1, 2 oder 3, dadurch gekennzeichnet, dass im Fall von 3 Schichten die Anzahl der in der ersten und dritten Schicht enthaltenen Neuronen jeweils wenigstens dem Dreifachen, vorzugsweise wenigstens dem Fünffachen, besonders bevorzugt wenigstens dem Zehnfachen der Anzahl der in der zweiten, mittleren Schicht enthaltenen Neuronen gewählt wird.
5. Verfahren nach einem der Ansprüche 1 bis 4 , dadurch gekennzeichnet, dass im Fall von 3 Schichten die erste und die letzte Schicht des künstlichen neuronalen Netzes aus jeweils wenigstens 100 Neuronen und die zweite, mittlere Schicht aus wenigstens 10 Neuronen zusammengesetzt ist.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass das Lernen durch supervised learning vorgenommen wird und die Gewichtungswerte mit Hilfe des Backpropagation-Algorithmus ermittelt werden.
7. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass die Ermittlung des Herzzeitvolumens aus
gehend von einer durch die Windkesselgleichung beschriebenen Systemdynamik hinsichtlich der Optimierung der Auswurfrate des linken Ventrikels durch Anwendung einer Variationsrechnung erfolgt.
8. Vorrichtung zur Bestimmung des Herzzeitvolumens aus der an der Peripherie gemessenen arteriellen Blutdruckkurve, umfassend eine Messeinrichtung (2) zur Erfassung der Blutdruckkurve an der Peripherie, eine Recheneinheit zur Transformation der gemessenen Blutdruckkurve (7) in die entsprechende zentral Blutdruckkurve (9) und eine Recheneinheit zur Berechnung des Herzzeitvolumens (11) aus der zentralen Blutdruckkurve (9), dadurch gekennzeichnet, dass die Recheneinheit zur Transformation der gemessenen Blutdruckkurve ( 7 ) ein künstliches neuronales Netz (8) aufweist, dessen Gewichtungswerte durch Lernen bestimmt wurden.
9. Vorrichtung nach Anspruch 8, dadurch gekennzeichnet, dass das künstliche neuronale Netz (8) als Feedforward-Netz, insbesondere als vollständig verbundenes Feedforward-Netz, ausgebildet ist.
10. Vorrichtung nach Anspruch 8 oder 9, dadurch gekennzeichnet, dass das künstliche neuronale Netz (8) aus wenigstens 3 Schichten (14,15,16) besteht.
11. Vorrichtung nach Anspruch 8, 9 oder 10, dadurch gekennzeichnet, dass im Fall von 3 Schichten die Anzahl der in der ersten (14) und dritten (16) Schicht enthaltenen Neuronen (17) jeweils wenigstens dem Dreifachen, vorzugsweise wenigstens dem Fünffachen, besonders bevorzugt wenigstens dem Zehnfachen der Anzahl der in der zweiten, mittleren Schicht (15) enthaltenen Neuronen entspricht.
12. Vorrichtung nach einem der Ansprüche 8 bis 11, dadurch gekennzeichnet, dass im Fall von 3 Schichten die erste (14) und die letzte (16) Schicht des künstlichen neuronalen Netzes (8) aus jeweils wenigstens 100 Neuronen (17) und die zweite, mittlere Schicht (15) aus wenigstens 10 Neuronen (17) zusammengesetzt ist.
13. Vorrichtung nach einem der Ansprüche 8 bis 12, dadurch gekennzeichnet, dass die Recheneinheit zur Berechnung
des Herzzeitvolumens Mittel zur Durchführung einer Variationsrechnung aufweist, sodass das Herzzeitvolumen ausgehend von einer durch die Windkesselgleichung beschriebenen Systemdynamik hinsichtlich der Optimierung der Auswurfrate des linken Ventrikels durch Anwendung einer Variationsrechnung errechnet wird.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AT0181805A AT502922B1 (de) | 2005-11-08 | 2005-11-08 | Verfahren und vorrichtung zur bestimmung des herzzeitvolumens |
PCT/AT2006/000457 WO2007053868A2 (de) | 2005-11-08 | 2006-11-08 | Verfahren zur bestimmung des herzzeitvolumens |
EP06804383A EP1955228A2 (de) | 2005-11-08 | 2006-11-08 | Verfahren zur bestimmung des herzzeitvolumens |
US12/084,668 US8920327B2 (en) | 2005-11-08 | 2006-11-08 | Method for determining cardiac output |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AT0181805A AT502922B1 (de) | 2005-11-08 | 2005-11-08 | Verfahren und vorrichtung zur bestimmung des herzzeitvolumens |
Publications (2)
Publication Number | Publication Date |
---|---|
AT502922A1 true AT502922A1 (de) | 2007-06-15 |
AT502922B1 AT502922B1 (de) | 2011-07-15 |
Family
ID=38023611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
AT0181805A AT502922B1 (de) | 2005-11-08 | 2005-11-08 | Verfahren und vorrichtung zur bestimmung des herzzeitvolumens |
Country Status (4)
Country | Link |
---|---|
US (1) | US8920327B2 (de) |
EP (1) | EP1955228A2 (de) |
AT (1) | AT502922B1 (de) |
WO (1) | WO2007053868A2 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015015784A1 (de) * | 2015-12-08 | 2017-06-08 | WSH Engineering Services GbR (vertretungsberechtigter Gesellschafter: Hieronymi, Andreas, 61440 Oberursel) | Verfahren zur Erfassung von arteriellen Parametern eines Menschen und Vorrichtung zur Durchführung des Verfahrens |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9314170B2 (en) | 2010-05-07 | 2016-04-19 | Atcor Medical Pty Ltd | Brachial cuff |
US9782089B2 (en) | 2010-09-08 | 2017-10-10 | Siemens Healthcare Gmbh | Worksheet system for determining measured patient values for use in clinical assessment and calculations |
US9220903B2 (en) | 2013-12-16 | 2015-12-29 | AtCor Medical Pty, Ltd. | Optimization of pacemaker settings with R-wave detection |
CN110545717B (zh) * | 2017-01-19 | 2023-08-04 | 海迪有限公司 | 用于确定活体的心脏功能的装置和方法 |
WO2018158708A1 (en) | 2017-03-02 | 2018-09-07 | Atcor Medical Pty Ltd | Non-invasive brachial blood pressure measurement |
JP7123070B2 (ja) | 2017-03-17 | 2022-08-22 | アトコア メディカル ピーティーワイ リミテッド | 大動脈圧及び波形の較正法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5339818A (en) * | 1989-09-20 | 1994-08-23 | University Of Utah Research Foundation | Method for determining blood pressure utilizing a neural network |
US5211177A (en) | 1990-12-28 | 1993-05-18 | Regents Of The University Of Minnesota | Vascular impedance measurement instrument |
NL9100150A (nl) | 1991-01-29 | 1992-08-17 | Tno | Werkwijze voor het bepalen van het slagvolume en het hartminuutvolume van het menselijk hart. |
US5533511A (en) * | 1994-01-05 | 1996-07-09 | Vital Insite, Incorporated | Apparatus and method for noninvasive blood pressure measurement |
US6186955B1 (en) * | 1998-11-16 | 2001-02-13 | Gail D. Baura | Noninvasive continuous cardiac output monitor |
GB0110480D0 (en) * | 2001-04-28 | 2001-06-20 | Univ Manchester Metropolitan | Methods and apparatus for analysing the behaviour of a subject |
-
2005
- 2005-11-08 AT AT0181805A patent/AT502922B1/de active
-
2006
- 2006-11-08 US US12/084,668 patent/US8920327B2/en active Active
- 2006-11-08 WO PCT/AT2006/000457 patent/WO2007053868A2/de active Application Filing
- 2006-11-08 EP EP06804383A patent/EP1955228A2/de not_active Ceased
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015015784A1 (de) * | 2015-12-08 | 2017-06-08 | WSH Engineering Services GbR (vertretungsberechtigter Gesellschafter: Hieronymi, Andreas, 61440 Oberursel) | Verfahren zur Erfassung von arteriellen Parametern eines Menschen und Vorrichtung zur Durchführung des Verfahrens |
Also Published As
Publication number | Publication date |
---|---|
AT502922B1 (de) | 2011-07-15 |
WO2007053868A2 (de) | 2007-05-18 |
WO2007053868A3 (de) | 2007-09-27 |
US20090287095A1 (en) | 2009-11-19 |
EP1955228A2 (de) | 2008-08-13 |
US8920327B2 (en) | 2014-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AT502922B1 (de) | Verfahren und vorrichtung zur bestimmung des herzzeitvolumens | |
DE69630932T2 (de) | Verfahren und Vorrichtung zur Bestimmung von Arterienblutdruckwellenform eines Armes auf der Basis von unblutigen Messungen einer Fingerblutdruckwellenform | |
EP3302231B1 (de) | Verfahren sowie vorrichtung zur ermittlung des verlaufs des blutdrucks | |
DE69908015T2 (de) | Vorrichtungen zum invivo Bestimmen des Nachgiebigkeitsfunktion und des körperlichen Blutkreislauf eines lebendes Wesens | |
DE60115301T2 (de) | Nicht invasive Abschätzung des Laktatgehaltes im Körper im Zusammenhang mit körperlicher Anstrengung | |
DE69821121T2 (de) | Verfahren und anordnung zur blutdruckmessung | |
DE69725621T2 (de) | Verfahren und gerät zur adaptiven mittelwertbildung von datensignalen | |
DE19518511C2 (de) | Verfahren zur transcutanen, unblutigen In-vivo-Konzentrationsbestimmung von Substanzen im Blut | |
DE102008003978A1 (de) | Druckmesser, Blutdruckmesser, Verfahren zum Bestimmen von Druckwerten, Verfahren zum Kalibrieren eines Druckmessers und Computerprogramm | |
DE102011114666A1 (de) | Vorrichtung zur hämodynamischen Überwachung | |
DE102008008840A1 (de) | Verfahren und Vorrichtung zur nicht-invasiven Messung von dynamischen Herz-Lungen Interaktionsparametern | |
EP3145394B1 (de) | Verfahren und vorrichtung zur bestimmung des zentralen systolischen blutdrucks | |
WO2021164345A1 (zh) | 一种血压预测的方法和装置 | |
DE102012007081A1 (de) | Verfahren und Vorrichtung zur langfristigen Überwachung der arteriellen Gefäßsteifigkeit und Gefäßkalzifikation eines Patienten | |
EP0505918B1 (de) | Vorrichtung und Verfahren zur Ermittlung des Herzzeitvolumens | |
DE102010061580A1 (de) | Verwendung des Frequenzspektrums eines Artefaktes in der Oszillometrie | |
DE4130931C2 (de) | Verfahren und Vorrichtung zum Ermitteln des zirkulierenden Blutvolumens | |
DE69624004T2 (de) | Anordnung zur kontinuierlichen messung des herzminutenvolumens | |
DE60307448T2 (de) | Vorrichtung und verfahren zur messung der vaskulären impedanz | |
DE69730523T2 (de) | Identifizierung von kohärenten signalmustern bei nichtstationären periodischen blutdruckmesswerten | |
EP2166933A1 (de) | Verfahren zum ermitteln einer quasikontinuierlichen blutdruckänderung in einer pulsatilen blutbahn | |
WO2017097281A1 (de) | Verfahren zur erfassung von arteriellen parametern eines menschen und vorrichtung zur durchführung des verfahrens | |
DE102021116373A1 (de) | Verfahren zum Betreiben einer Blutdruckmessvorrichtung und Vorrichtung zum Ausführen des Verfahrens | |
Armaya et al. | Expert System For Diagnostic Disease Of Cultivation Of Cucumber Holticulture Using Certainty Factor Method Based On Web-Based | |
DE102021205521A1 (de) | Vorrichtung und Verfahren zur Blutdruckbestimmung bei einem Wiegen einer Person |