CN112932423A - 基于体外反搏干预下心脑血管疾病预测方法及***、设备 - Google Patents
基于体外反搏干预下心脑血管疾病预测方法及***、设备 Download PDFInfo
- Publication number
- CN112932423A CN112932423A CN202110094628.2A CN202110094628A CN112932423A CN 112932423 A CN112932423 A CN 112932423A CN 202110094628 A CN202110094628 A CN 202110094628A CN 112932423 A CN112932423 A CN 112932423A
- Authority
- CN
- China
- Prior art keywords
- target user
- physiological data
- external counterpulsation
- cardiovascular
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000024172 Cardiovascular disease Diseases 0.000 title claims abstract description 57
- 230000002526 effect on cardiovascular system Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 52
- 208000026106 cerebrovascular disease Diseases 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 238000012546 transfer Methods 0.000 claims abstract description 51
- 230000035945 sensitivity Effects 0.000 claims abstract description 27
- 238000013178 mathematical model Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 50
- 230000017531 blood circulation Effects 0.000 claims description 28
- 230000000747 cardiac effect Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003205 diastolic effect Effects 0.000 claims description 9
- 210000004204 blood vessel Anatomy 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 10
- 230000000302 ischemic effect Effects 0.000 abstract description 7
- 239000002872 contrast media Substances 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000005855 radiation Effects 0.000 abstract description 5
- 238000001228 spectrum Methods 0.000 description 14
- 210000002302 brachial artery Anatomy 0.000 description 12
- 210000003657 middle cerebral artery Anatomy 0.000 description 9
- 210000001168 carotid artery common Anatomy 0.000 description 8
- 210000001715 carotid artery Anatomy 0.000 description 6
- 208000029078 coronary artery disease Diseases 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000000004 hemodynamic effect Effects 0.000 description 3
- 238000007917 intracranial administration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 208000018152 Cerebral disease Diseases 0.000 description 2
- 208000032382 Ischaemic stroke Diseases 0.000 description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
-
- 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
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Cardiology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Vascular Medicine (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供了一种基于体外反搏干预下心脑血管疾病预测方法及***、设备及存储介质，可以实现：获取目标用户的生理数据，并对生理数据进行处理；将处理后的生理数据输入至预设的数学模型，计算目标用户的时域评价指标、频域评价指标以及目标用户的敏感性特征指标；比对目标用户的时域评价指标、频域评价指标以及脉搏波传递函数的敏感性特征指标与预设的参考值，生成量化评分结果，将量化评分结果与预设的分级表进行比对，根据评级结果判断目标用户心脑血管疾病风险。该方法是一种安全、有效、完全无副作用的缺血性心脑血管疾病的预测方法，部分解决当前介入影像有创及费用高、CT与核磁扫描造影剂与辐射副作用、动态心电图监测耗时长等问题。
Description
技术领域
本发明属于计算机及医疗技术领域，尤其涉及一种基于体外反搏干预下心脑血管疾病预测方法及***、设备及存储介质。
背景技术
动态运动干预下缺血性心脑血管疾病患者呈现与健康人群不同的血流动力学时域与频域变化特性，有望为疾病预测与评估的寻找出新的靶目标。然而，心肺运动、跑步、游泳等常规的主动性运动方式，存在运动剂量与血流动力学效应关系不明、难以进行定量的实时测量、具有潜在风险等局限的问题。
发明内容
本发明所要解决的技术问题是：针对现有技术的问题，提供一种安全、有效、低成本、完全无副作用的缺血性心脑血管疾病的预测方法，部分解决当前介入影像有创及费用高、CT与核磁扫描造影剂与辐射副作用、动态心电图监测耗时长等问题。
第一方面，本发明提供了一种基于体外反搏干预下心脑血管疾病预测方法，所述方法包括：
获取目标用户的生理数据，并对所述生理数据进行处理，所述生理数据至少包括所述目标用户进行体外反搏前、中、后的生理数据；
将处理后的所述生理数据输入至预设的数学模型，计算所述目标用户体外反搏前、中、后的时域评价指标，同时将处理后的所述生理数据进行傅里叶变换，输入至所述数学模型，计算所述目标用户体外反搏前、中、后的频域评价指标，同时还将处理后的所述生理数据输入至预设的传递函数模型中，分别建立所述目标用户体外反搏前、中、后的脉搏波传递函数，并计算所述脉搏波传递函数的敏感性特征指标；
比对所述目标用户体外反搏前、中、后的时域评价指标、频域评价指标以及所述脉搏波传递函数的敏感性特征指标与预设的参考值，生成量化评分结果，将量化评分结果与预设的五级风险分级表进行比对，确定所述目标用户的风险评级，根据所述评级结果判断所述目标用户心脑血管疾病风险。
第二方面，本发明提供了一种基于体外反搏干预下心脑血管疾病预测***，所述***包括：
获取模块：用于获取目标用户的生理数据，并对所述生理数据进行处理，所述生理数据至少包括所述目标用户进行体外反搏前、中、后的生理数据；
生成模块：用于将处理后的所述生理数据输入至预设的数学模型，计算所述目标用户体外反搏前、中、后的时域评价指标，同时将处理后的所述生理数据进行傅里叶变换，输入至所述数学模型，计算所述目标用户体外反搏前、中、后的频域评价指标，同时还将处理后的所述生理数据输入至预设的传递函数模型中，分别建立所述目标用户体外反搏前、中、后的脉搏波传递函数，并计算所述脉搏波传递函数的敏感性特征指标；
判断模块：用于比对所述目标用户体外反搏前、中、后的时域评价指标、频域评价指标以及所述脉搏波传递函数的敏感性特征指标与预设的参考值，生成量化评分结果，将量化评分结果与预设的五级风险分级表进行比对，确定所述目标用户的风险评级，根据所述评级结果判断所述目标用户心脑血管疾病风险。
第三方面，本发明还提供了一种基于体外反搏干预下心脑血管疾病预测设备，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，所述处理器执行所述计算机程序时，实现如上述第一方面所述的基于体外反搏干预下心脑血管疾病预测方法中的各个步骤。
第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如上述第一方面所述的基于体外反搏干预下心脑血管疾病预测方法中的各个步骤。
本发明提供了一种基于体外反搏干预下心脑血管疾病预测方法，所述方法包括：获取目标用户的生理数据，并对所述生理数据进行处理，所述生理数据至少包括所述目标用户进行体外反搏前、中、后的生理数据；将处理后的所述生理数据输入至预设的数学模型，计算所述目标用户体外反搏前、中、后的时域评价指标，同时将处理后的所述生理数据进行傅里叶变换，输入至所述数学模型，计算所述目标用户体外反搏前、中、后的频域评价指标，同时还将处理后的所述生理数据输入至预设的传递函数模型中，分别建立所述目标用户体外反搏前、中、后的脉搏波传递函数，并计算所述脉搏波传递函数的敏感性特征指标；比对所述目标用户体外反搏前、中、后的时域评价指标、频域评价指标以及所述脉搏波传递函数的敏感性特征指标与预设的参考值，生成量化评分结果，将量化评分结果与预设的五级风险分级表进行比对，确定所述目标用户的风险评级，根据所述评级结果判断所述目标用户心脑血管疾病风险。该方法是一种安全、有效、低成本、完全无副作用的缺血性心脑血管疾病的评价与预测方法，部分解决当前介入影像有创及费用高、CT与核磁扫描造影剂与辐射副作用、动态心电图监测耗时长等问题。
附图说明
下面结合附图详述本发明的具体结构
图1为本发明的基于体外反搏干预下心脑血管疾病预测方法的流程示意图；
图2为本发明的基于体外反搏干预下心脑血管疾病预测方法的子流程示意图；
图3为本发明的基于体外反搏干预下心脑血管疾病预测方法的颈总动脉内径变化(LDV)在体外反搏干预中、后的变化；
图4为本发明的基于体外反搏干预下心脑血管疾病预测方法的体外反搏干预下肱动脉舒张末期血流速度变化率(EDVV)的变化特性图；
图5为本发明的基于体外反搏干预下心脑血管疾病预测方法的体外反搏干预前、中、后颈总动脉血流速度脉搏波的功率谱，通过快速傅里叶变换结合Welch周期法计算得到；
图6为本发明的基于体外反搏干预下心脑血管疾病预测方法的冠心病组与健康对照组在体外反搏干预下颈总动脉血流速度脉搏波功率谱次峰的变化对比图；
图7为本发明的基于体外反搏干预下心脑血管疾病预测方法的另一子流程示意图；
图8为本发明的基于体外反搏干预下心脑血管疾病预测方法的程序模块示意图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
请参阅图1，图1为本申请实施例中基于体外反搏干预下心脑血管疾病预测方法的流程示意图，所述方法包括：
步骤101、获取目标用户的生理数据，并对所述生理数据进行处理，所述生理数据至少包括所述目标用户进行体外反搏前、中、后的生理数据。
在本实施例中，获取了目标用户体外反搏干预前、中、后的颈动脉与肱动脉的彩色超声多普勒数据以及大脑中动脉的颅内超声数据，在体外反搏干预治疗前的10分钟内(静息状态)、体外反搏治疗稳定(D/S比值持续不低于1.2)后的5-10分钟后、体外反搏治疗结束后的10分钟内，开展左侧肱动脉与左侧颈总动脉的彩色超声多普勒血流速度与频谱测量，开展大脑中动脉的颅内超声血流速度频谱测量，对所获取的血流速度频谱数据进行处理，得到血流速度脉搏波；体外反搏方案采用标准的三级序贯增强型体外反搏干预技术，反搏压保持在(0.03MPa-0.045MPa)，指脉波D/S不少于1.2，在受试者舒适性可接收前提下，尽量提高作用压力接近0.04MPa。有效的反搏干预时长不低于20分钟，建议30分钟。
步骤102、将处理后的所述生理数据输入至预设的数学模型，计算所述目标用户体外反搏前、中、后的时域评价指标，同时将处理后的所述生理数据进行傅里叶变换，输入至所述数学模型，计算所述目标用户体外反搏前、中、后的频域评价指标，同时还将处理后的所述生理数据输入至预设的传递函数模型中，分别建立所述目标用户体外反搏前、中、后的脉搏波传递函数，并计算所述脉搏波传递函数的敏感性特征指标。
在本实施例中，在步骤101中处理了目标用户体外反搏干预前、中、后的生理数据后，将处理后的生理数据并同时进行傅里叶变化后输入至数学模型中，获取目标用户体外反搏干预前、中、后的时域评价指标和频域评价指标。同时将处理过后的生理数据输入至预设的传递函数模型中，传递函数模型是在时间域及频域的分析并建立肱动脉-颈动脉-大脑中动脉的脉搏波传递函数，基于血流速度与频谱的超声测量数据，采用自回归各态历经(ARX)模型分别建立颈动脉至肱动脉、颈动脉至大脑中动脉、肱动脉至大脑中动脉的ARX差分方程模型：
y(k)+a1y(k-1)+…+any(k-n)＝b1u(k-t)+…+bnu(k-m-t)+e(k) (1)
其中u是***输入，y是***输出(如建立颈动脉至肱动脉的关系则u是颈动脉脉搏波，y是肱动脉脉搏波)；n、m为模型参数的个数，t为y与u之间的时间延迟，e为***误差。对(1)进行Z变换，得：
令n＝m,t＝0到u至y的传递函数：
步骤103、比对所述目标用户体外反搏前、中、后的时域评价指标、频域评价指标以及所述脉搏波传递函数的敏感性特征指标与预设的参考值，生成量化评分结果，将量化评分结果与预设的五级风险分级表进行比对，确定所述目标用户的风险评级，根据所述评级结果判断所述目标用户心脑血管疾病风险。
在本实施例中，因非心脑血管疾病患者与心脑血管疾病患者的时域评价指标、频域评价指标以及敏感性特征指标的参数差异较大，所以可以经过对比，从而确定目标用户是否具有心脑血管疾病风险及风险高低，确定目标用户是否具有心脑血管疾病风险在本实施例中主要通过量化评级来体现，若目标用户与健康用户对照时，0级代表与健康用户相比没有显著差异，级别越高越高则表示差异性越强烈，目标用户患有心脑血管疾病的风险越高。
本申请实施例提供了一种基于体外反搏干预下心脑血管疾病预测方法，所述方法包括：获取目标用户的生理数据，并对所述生理数据进行处理，所述生理数据至少包括所述目标用户进行体外反搏前、中、后的生理数据；将处理后的所述生理数据输入至预设的数学模型，计算所述目标用户体外反搏前、中、后的时域评价指标，同时将处理后的所述生理数据进行傅里叶变换，输入至所述数学模型，计算所述目标用户体外反搏前、中、后的频域评价指标，同时还将处理后的所述生理数据输入至预设的传递函数模型中，分别建立所述目标用户体外反搏前、中、后的脉搏波传递函数，并计算所述脉搏波传递函数的敏感性特征指标；比对所述目标用户体外反搏前、中、后的时域评价指标、频域评价指标以及所述脉搏波传递函数的敏感性特征指标与预设的参考值，生成量化评分结果，根据所述量化评分结果判断所述目标用户是否具有心脑血管疾病风险及风险高低。该方法是一种安全、有效、完全无副作用的缺血性心脑血管疾病的预测方法，部分解决当前介入影像有创及费用高、CT与核磁扫描造影剂与辐射副作用、动态心电图监测耗时长等问题。
进一步地，请参照图2，图2为本申请实施例中基于体外反搏干预下心脑血管疾病预测方法的子流程示意图，在本实施例中，比对所述目标用户体外反搏前、中、后的时域评价指标、频域评价指标以及所述脉搏波传递函数的敏感性特征指标与预设的参考值，生成量化评分结果，将量化评分结果与预设的五级风险分级表进行比对，确定所述目标用户的风险评级，根据所述评级结果判断所述目标用户心脑血管疾病风险包括：
将量化评分结果分别代入至预设的加权评分模型，得到所述目标用户的最终量化评分结果；
对比所述目标用户的所述最终量化评分结果与预设的风险分级表，得到所述目标用户的风险等级。
其中，加权评分模型为：
其中k为评价指标的权重，f为评价指标，N为根据心、脑疾病差异入选的评价指标的个数。
根据目标用户的量化评分结果代入预设的加权评分模型中，获得目标用户的心血管与脑血管的健康度评分值，根据所述目标用户的心血管与脑血管健康度评分值，比对所预设的心血管与脑血管健康度五级分级表，判断目标用户的心血管与/或脑血管健康度分级。将最终的量化评分结果与预设的五级风险分级表进行比对，确定风险评价级别为无风险、轻度风险、中度风险、高度风险、极高风险，其中量化评分结果分别包括时域评价指标的量化评分、频域评价指标的量化评分以及脉搏波传递函数的敏感性特征指标的量化评分。
进一步地，在本实施例中，目标用户的时域评价指标包括血管内径变化、舒张末期血流速度变化率。
在本实施例中，基于数学模型计算出血管内径变化与舒张末期血流速度变化率，舒张期末期血流速度EDVV(End Diastolic Velocity Variation,EDVV)可通过彩超进行测量。研究显示EDVV与缺血性脑卒中的发病具有相关性，请参照图3，图3为右侧总颈动脉与左侧总颈动脉内径在体外反搏干预中、后的变化，患者组的内径变化与非疾病组呈现显著差异，非疾病组的内径在体外反搏干预下持续增加，而疾病组未发现有显著增加；请参照图4，图4为体外反搏显著改变肱动脉EDVV的变化特性，在体外反搏干预下，冠心病组的EDVV快速下降，而体外反搏干预停止后，EDVV快速上升。且缺血性心内血管疾病的预测指标：
进一步地，在本实施例中，目标用户的频域评价指标包括频谱次峰值变化特性。
在本实施例中，对处理后的生理数据进行傅里叶变换，得到频域评价指标，所述频域评价指标至少包括功率谱；
根据所述功率谱计算得到所述频谱次峰值变化特性。
其中，对血流速度波进行傅里叶变换，获得肱动脉、颈总动脉、大脑中动脉血流信号的频域特征，其中得到的频域特征即是功率谱。频谱次峰值变化特性的一个变化值也是预测目标用户是否患病的一个主要因素，所以要先通过对处理后的生理数据进行傅里叶变换，获取血流信号的频域特征(功率谱)，再对频域特征(功率谱)进行一个处理，从而得到频谱次峰值变化特性(频域评价指标)。
在本实施例中，参照图5至图6，图5为体外反搏干预前、中、后左颈总动脉功率谱，图中星号标注为主次峰，图6为冠心病患者与非患者在体外反搏干预下左颈总动脉功率谱次峰的变化存在显著差异，CAD指代冠心病患者，Controls指代非患者。且频域次峰值变化率如下：
进一步地，在本实施例中，脉搏波传递函数的敏感性特征指标包括系数、零点特征以及极点特征。在本实施例中，基于彩超和颅内超声结果，通过建立颈动脉到肱动脉、颈动脉到大脑中动脉、肱动脉至大脑中动脉的血流速度传递函数，进而采用Stepwise回归(逐步回归)，CFS及Lasso回归等结合SVM分类器进行分类及交叉验证，筛选出三个敏感地反映出患者和非患者差异的特征指标，在本申请实施例中的敏感性特征指标为系数、零点特征以及极点特征。经研究，取阶数n＝m＝10可以兼顾传递函数模型精度及计算量。经过前期研究，采用50例冠心病患者、50例缺血性脑卒中患者及50例非心脑疾病对照组数据进行了分析，建立了颈动脉至肱动脉(y1)、颈动脉至大脑中动脉(y2)、肱动脉至大脑中动脉(y3)三个传递函数，通过特征选择、SVM分类及交叉验证，选择出体外反搏前、中、后的系数A(TA)、零点特征(T0)、极点特征(Tp)作为敏感性指标，血管传递函数是通过建立数学模型反映不同血管部位之间的血流动力学变化规律，此方法将心血管***看作非线性黑箱，通过最大似然估计或者最小二乘法等等参数辨识的方法分析脉搏波输入输出的关系从而对心血管***的生理特性进行评估。
进一步地，在本实施例中，生理数据还包括血流速度，并对所述生理数据进行处理包括：
截取心动周期的所述血流速度，提取包络线得到完整的心动周期的血流速度波。
其中，直接采用超声获取到的目标用户的生理数据并不可直接输入至传递函数中，需要对采用超声获取到的生理数据进行一个处理，利用提取包络线程序获取血流速度波，包络线提取就是将一段时间长度的高频信号的峰值点连线，就可以得到上方(正的)一条线和下方(负的)一条线，这两条线就叫包络线。其中对处理后的生理数据进行傅里叶变换，实质上就是对血流速度波进行傅里叶变换。
进一步地，参照图7，图7为本申请实施例中基于体外反搏下心脑血管预测方法的另一子流程示意图，在本实施例中，计算所述目标用户体外反搏前、中、后的时域评价指标包括：
计算所述血流速度波在独立的心动周期中的心动周期、收缩期、舒张期的平均值；
根据所述心动周期、收缩期、舒张期的平均值计算所述心动周期的血管的平均内径。
在本实施例中，利用心电信号将三个连续的血流速度波分割成三个独立的心动周期的波形；
基于心电信号，计算出每个血流速度波的心动周期Ti,收缩期Tdi，舒张期Tsi，并取三个周期的平均值作为取值；
T＝Td+Ts (8)
在收缩期和舒张期分别取5个点的内径值，计算收缩期和舒张期的平均内径值：
通过收缩期和舒张期的时长，设置权重值，并计算心动周期的内径：
利用上述方法，分别计算体外反搏干预前，干预中及干预后10分钟内的血管平均内径
及变化：
LDV＝LDV1+LDV2 (12)
进一步地，本申请实施例还提供一种基于体外反搏下心脑血管疾病预测***200，参照图8，图8为本申请实施例中基于体外反搏下心脑血管疾病预测***的程序模块示意图，本实施例中，上述基于体外反搏下心脑血管疾病预测***包括：
获取模块401：用于获取目标用户的生理数据，并对所述生理数据进行处理，所述生理数据至少包括所述目标用户进行体外反搏前、中、后的生理数据；
生成模块402：用于将处理后的所述生理数据输入至预设的数学模型，计算所述目标用户体外反搏前、中、后的时域评价指标，同时将处理后的所述生理数据进行傅里叶变换，输入至所述数学模型，计算所述目标用户体外反搏前、中、后的频域评价指标，同时还将处理后的所述生理数据输入至预设的传递函数模型中，分别建立所述目标用户体外反搏前、中、后的脉搏波传递函数，并计算所述脉搏波传递函数的敏感性特征指标；
判断模块403：用于比对所述目标用户体外反搏前、中、后的时域评价指标、频域评价指标以及所述脉搏波传递函数的敏感性特征指标与预设的参考值，生成量化评分结果，将量化评分结果与预设的五级风险分级表进行比对，确定所述目标用户的风险评级，根据所述评级结果判断所述目标用户心脑血管疾病风险。
本申请实施例提供的基于体外反搏下心脑血管疾病预测***，可以实现：获取目标用户的生理数据，并对所述生理数据进行处理，所述生理数据至少包括所述目标用户进行体外反搏前、中、后的生理数据；将处理后的所述生理数据输入至预设的数学模型，计算所述目标用户体外反搏前、中、后的时域评价指标，同时将处理后的所述生理数据进行傅里叶变换，输入至所述数学模型，计算所述目标用户体外反搏前、中、后的频域评价指标，同时还将处理后的所述生理数据输入至预设的传递函数模型中，分别建立所述目标用户体外反搏前、中、后的脉搏波传递函数，并计算所述脉搏波传递函数的敏感性特征指标；比对所述目标用户体外反搏前、中、后的时域评价指标、频域评价指标以及所述脉搏波传递函数的敏感性特征指标与预设的参考值，生成量化评分结果，将量化评分结果与预设的五级风险分级表进行比对，确定所述目标用户的风险评级，根据所述评级结果判断所述目标用户心脑血管疾病风险。该方法是一种安全、有效、完全无副作用的缺血性心脑血管疾病的预测方法，部分解决当前介入影像有创及费用高、CT与核磁扫描造影剂与辐射副作用、动态心电图监测耗时长等问题。
进一步地，本申请还提供一种基于体外反搏下心脑血管疾病预测设备，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，所述处理器执行所述计算机程序时，实现上述的基于体外反搏干预下心脑血管疾病预测方法中的各个步骤。
进一步地，本申请还提供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，实现如上述的基于体外反搏干预下心脑血管疾病预测方法中的各个步骤。
在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本发明所提供的一种基于体外反搏干预下心脑血管疾病预测方法及***、设备及存储介质的描述，对于本领域的技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于体外反搏干预下心脑血管疾病预测方法，其特征在于，所述方法包括：
获取目标用户的生理数据，并对所述生理数据进行处理，所述生理数据至少包括所述目标用户进行体外反搏前、中、后的生理数据；
将处理后的所述生理数据输入至预设的数学模型，计算所述目标用户体外反搏前、中、后的时域评价指标，同时将处理后的所述生理数据进行傅里叶变换，输入至所述数学模型，计算所述目标用户体外反搏前、中、后的频域评价指标，同时还将处理后的所述生理数据输入至预设的传递函数模型中，分别建立所述目标用户体外反搏前、中、后的脉搏波传递函数，并计算所述脉搏波传递函数的敏感性特征指标；
比对所述目标用户体外反搏前、中、后的时域评价指标、频域评价指标以及所述脉搏波传递函数的敏感性特征指标与预设的参考值，生成量化评分结果，将量化评分结果与预设的五级风险分级表进行比对，确定所述目标用户的风险评级，根据所述评级结果判断所述目标用户心脑血管疾病风险。
2.如权利要求1所述的方法，其特征在于，所述比对所述目标用户体外反搏前、中、后的时域评价指标、频域评价指标以及所述脉搏波传递函数的敏感性特征指标与预设的参考值，生成量化评分结果，将量化评分结果与预设的五级风险分级表进行比对，确定所述目标用户的风险评级，根据所述评级结果判断所述目标用户心脑血管疾病风险包括：
将量化评分结果分别代入至预设的加权评分模型，得到所述目标用户的最终量化评分结果；
对比所述目标用户的所述最终量化评分结果与预设的风险分级表，得到所述目标用户的风险等级。
3.如权利要求1所述的方法，其特征在于，所述目标用户的时域评价指标包括血管内径变化、舒张末期血流速度变化率。
4.如权利要求1所述的方法，其特征在于，所述目标用户的频域评价指标包括频谱次峰值变化特性。
5.如权利要求1所述的方法，其特征在于，所述脉搏波传递函数的敏感性特征指标包括系数、零点特征以及极点特征。
6.如权利要求1所述的方法，其特征在于，所述生理数据还包括血流速度，所述并对所述生理数据进行处理包括：
截取心动周期的所述血流速度，提取包络线得到完整的心动周期的血流速度波。
7.如权利要求6所述的方法，其特征在于，所述计算所述目标用户体外反搏前、中、后的时域评价指标包括：
计算所述血流速度波在独立的心动周期中的心动周期、收缩期、舒张期的平均值；
根据所述心动周期、收缩期、舒张期的平均值计算所述心动周期的血管的平均内径。
8.一种基于体外反搏下心脑血管疾病预测***，其特征在于，所述***包括：
获取模块：用于获取目标用户的生理数据，并对所述生理数据进行处理，所述生理数据至少包括所述目标用户进行体外反搏前、中、后的生理数据；
生成模块：用于将处理后的所述生理数据输入至预设的数学模型，计算所述目标用户体外反搏前、中、后的时域评价指标，同时将处理后的所述生理数据进行傅里叶变换，输入至所述数学模型，计算所述目标用户体外反搏前、中、后的频域评价指标，同时还将处理后的所述生理数据输入至预设的传递函数模型中，分别建立所述目标用户体外反搏前、中、后的脉搏波传递函数，并计算所述脉搏波传递函数的敏感性特征指标；
判断模块：用于比对所述目标用户体外反搏前、中、后的时域评价指标、频域评价指标以及所述脉搏波传递函数的敏感性特征指标与预设的参考值，生成量化评分结果，将量化评分结果与预设的五级风险分级表进行比对，确定所述目标用户的风险评级，根据所述评级结果判断所述目标用户心脑血管疾病风险。
9.一种基于体外反搏下心脑血管疾病预测设备，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，实现如权利要求1至7任一项所述基于体外反搏干预下心脑血管疾病预测方法中的各个步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的基于体外反搏干预下心脑血管疾病预测方法中的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110094628.2A CN112932423B (zh) | 2021-01-25 | 2021-01-25 | 基于体外反搏干预下心脑血管疾病预测方法及***、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110094628.2A CN112932423B (zh) | 2021-01-25 | 2021-01-25 | 基于体外反搏干预下心脑血管疾病预测方法及***、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112932423A true CN112932423A (zh) | 2021-06-11 |
| CN112932423B CN112932423B (zh) | 2024-05-28 |
Family
ID=76236267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110094628.2A Active CN112932423B (zh) | 2021-01-25 | 2021-01-25 | 基于体外反搏干预下心脑血管疾病预测方法及***、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112932423B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117379683A (zh) * | 2023-12-12 | 2024-01-12 | 苏州晟智医疗科技有限公司 | 反搏辅助装置、计算设备、存储介质及反搏*** |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NO931649D0 (no) * | 1992-05-07 | 1993-05-06 | Biomed Engin Develop Center Su | Pulsator for aa utoeve mottrykk ved hjertepulsrytmen, og fremgangsmaate for reguleringen |
| CN1631316A (zh) * | 2005-01-10 | 2005-06-29 | 上海德安生物医学工程有限公司 | 脑血管***功能及脑循环动力学分析方法和仪器 |
| CN101686806A (zh) * | 2007-03-30 | 2010-03-31 | 欧姆龙健康医疗株式会社 | 血管状态评价装置、血管状态评价方法以及存储有血管状态评价程序的计算机可读取的记录介质 |
| CN101791216A (zh) * | 2008-12-26 | 2010-08-04 | 罗晓民 | 基于脉搏波测量与分析的血流参数检测*** |
| CN102764114A (zh) * | 2012-08-14 | 2012-11-07 | 四川宇峰科技发展有限公司 | 采用传递函数分段定位主动脉狭窄的无创检测方法及*** |
| CA2798337A1 (en) * | 2012-12-04 | 2014-06-04 | University Of Winnipeg | Cardiovascular pulse wave analysis method and system |
| WO2015017571A1 (en) * | 2013-07-30 | 2015-02-05 | Heartflow, Inc. | Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance |
| US20160106357A1 (en) * | 2008-10-02 | 2016-04-21 | Seog San Hyeon | Cerebrovascular analyzer |
| CN107992452A (zh) * | 2017-12-12 | 2018-05-04 | 北京动亮健康科技有限公司 | 计算中心血流动力学指标的方法、装置、存储介质及设备 |
| CN108618765A (zh) * | 2018-05-04 | 2018-10-09 | 哈尔滨理工大学 | 基于脉搏波和人体三维姿态的心脑血管疾病突发风险实时监测***及方法 |
| CN109316172A (zh) * | 2018-10-18 | 2019-02-12 | 大连理工大学 | 基于脉搏波特征参数对人体健康状况的检测方法 |
| CN110141196A (zh) * | 2019-06-13 | 2019-08-20 | 东北大学 | 基于双三角血流模型的外周动脉血管弹性评价方法及*** |
| CN110292365A (zh) * | 2019-05-20 | 2019-10-01 | 安徽先方医疗科技有限公司 | 一种基于体外反搏的精准血流控制方法 |
| CN110384485A (zh) * | 2019-07-23 | 2019-10-29 | 中山大学附属第八医院（深圳福田） | 体外反搏治疗中机体血流动力学响应的检测方法及装置 |
-
2021
- 2021-01-25 CN CN202110094628.2A patent/CN112932423B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NO931649D0 (no) * | 1992-05-07 | 1993-05-06 | Biomed Engin Develop Center Su | Pulsator for aa utoeve mottrykk ved hjertepulsrytmen, og fremgangsmaate for reguleringen |
| CN1631316A (zh) * | 2005-01-10 | 2005-06-29 | 上海德安生物医学工程有限公司 | 脑血管***功能及脑循环动力学分析方法和仪器 |
| CN101686806A (zh) * | 2007-03-30 | 2010-03-31 | 欧姆龙健康医疗株式会社 | 血管状态评价装置、血管状态评价方法以及存储有血管状态评价程序的计算机可读取的记录介质 |
| US20160106357A1 (en) * | 2008-10-02 | 2016-04-21 | Seog San Hyeon | Cerebrovascular analyzer |
| CN101791216A (zh) * | 2008-12-26 | 2010-08-04 | 罗晓民 | 基于脉搏波测量与分析的血流参数检测*** |
| CN102764114A (zh) * | 2012-08-14 | 2012-11-07 | 四川宇峰科技发展有限公司 | 采用传递函数分段定位主动脉狭窄的无创检测方法及*** |
| CA2798337A1 (en) * | 2012-12-04 | 2014-06-04 | University Of Winnipeg | Cardiovascular pulse wave analysis method and system |
| WO2015017571A1 (en) * | 2013-07-30 | 2015-02-05 | Heartflow, Inc. | Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance |
| CN107992452A (zh) * | 2017-12-12 | 2018-05-04 | 北京动亮健康科技有限公司 | 计算中心血流动力学指标的方法、装置、存储介质及设备 |
| CN108618765A (zh) * | 2018-05-04 | 2018-10-09 | 哈尔滨理工大学 | 基于脉搏波和人体三维姿态的心脑血管疾病突发风险实时监测***及方法 |
| CN109316172A (zh) * | 2018-10-18 | 2019-02-12 | 大连理工大学 | 基于脉搏波特征参数对人体健康状况的检测方法 |
| CN110292365A (zh) * | 2019-05-20 | 2019-10-01 | 安徽先方医疗科技有限公司 | 一种基于体外反搏的精准血流控制方法 |
| CN110141196A (zh) * | 2019-06-13 | 2019-08-20 | 东北大学 | 基于双三角血流模型的外周动脉血管弹性评价方法及*** |
| CN110384485A (zh) * | 2019-07-23 | 2019-10-29 | 中山大学附属第八医院（深圳福田） | 体外反搏治疗中机体血流动力学响应的检测方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117379683A (zh) * | 2023-12-12 | 2024-01-12 | 苏州晟智医疗科技有限公司 | 反搏辅助装置、计算设备、存储介质及反搏*** |
| CN117379683B (zh) * | 2023-12-12 | 2024-02-27 | 苏州晟智医疗科技有限公司 | 反搏辅助装置、计算设备、存储介质及反搏*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112932423B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220093216A1 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
| Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
| Acharya et al. | Automatic identification of cardiac health using modeling techniques: A comparative study | |
| CN110623658B (zh) | 信号处理方法、信号处理装置、医学设备、存储介质 | |
| KR102098561B1 (ko) | 동맥압 파형을 이용한 심박출량 획득 방법 및 그 프로그램 | |
| Altan et al. | A new approach to early diagnosis of congestive heart failure disease by using Hilbert–Huang transform | |
| Yan et al. | Novel deep convolutional neural network for cuff-less blood pressure measurement using ECG and PPG signals | |
| US11062792B2 (en) | Discovering genomes to use in machine learning techniques | |
| CN110037668B (zh) | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的*** | |
| WO2020135725A1 (zh) | 一种计算血压的装置和电子设备 | |
| Shi et al. | Automated atrial fibrillation detection based on feature fusion using discriminant canonical correlation analysis | |
| CN112932423B (zh) | 基于体外反搏干预下心脑血管疾病预测方法及***、设备 | |
| EP3923785A1 (en) | Method of predicting fluid responsiveness in patients | |
| Banerjee et al. | Estimation of ECG parameters using photoplethysmography | |
| US20150133798A1 (en) | Methods for noninvasive intracranial pressure calibration without the need for invasive icp | |
| TW201924601A (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
| Xu et al. | Analysis for the Influence of ABR Sensitivity on PTT‐Based Cuff‐Less Blood Pressure Estimation before and after Exercise | |
| Agrawal et al. | A machine learning approach for classifying healthy and infarcted patients using heart rate variabilities derived vector magnitude | |
| JP7189897B2 (ja) | 患者の脳血液量及び／又は脳血流量、及び／又は麻酔深度を推定するシステム | |
| CN113397511B (zh) | 血压测量方法及装置 | |
| KR102498835B1 (ko) | 심전도 신호 분석 시스템 및 이를 이용한 심전도 신호 분석 방법 | |
| Kasthuri et al. | Cardiac Arrhythmia Analysis using Spectrogram and Deep Learning | |
| CN116407133B (zh) | 心电信号的质量评估方法、装置、存储介质及电子设备 | |
| Tayel et al. | Nonlinear Versatile Tools for Heart Rate Variability Prediction andDiagnosis | |
| Wheed et al. | Classification of ECG Signal Using Deep Convolutional Neural |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |