CN117010299B - 基于血流动力学耦合模型的脑组织血流情况预测*** - Google Patents

Abstract

本发明涉及血流动力学技术领域，公开了基于血流动力学耦合模型的脑组织血流情况预测***，包括：数据获取模块，用于获取初始时刻的血液流动情况；求解模块，用于基于初始时刻的血液流动情况，结合一维血流动力学耦合模型，并运用龙格库塔方法和有限元方法进行数值离散后，借助降阶外推方法对离散后的一维血流动力学耦合模型进行求解，得到若干未来时刻的血液流动情况。提高了血液流动情况的预测效率。

Description

基于血流动力学耦合模型的脑组织血流情况预测***

技术领域

本发明涉及血流动力学技术领域，特别是涉及基于血流动力学耦合模型的脑组织血流情况预测***。

背景技术

本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

血流动力学是生物医学工程学的一个重要分支，主要研究血液在心脏、血管和脑组织等器官中的流动规律和其与周围组织的相互作用。这个学科领域融合了流体力学、生物学、医学、物理学等多学科的知识，通过理论分析和实验研究，探讨血液流动的物理性质，以期揭示生物体内血流变化的规律，解决生理病理问题，进而指导临床治疗。

将血流动力学耦合模型应用到实际医学问题中是血流动力学领域的前沿研究方向。该模型主要考虑了血液流动和组织、器官之间的复杂相互影响。血液的流动状态、压力分布，以及其对血管壁、心肌等组织的影响，都被纳入到这一全面的模型中。这一模型对于理解疾病如动脉硬化、高血压的发生机理，或者是对于设计医疗设备如人工心脏，具有巨大的指导意义。

利用现有医学技术可以对患者所患疾病进行分析和治疗，但是，由于脑组织血管的复杂性，现有技术无法完整地揭示血液流动和血管的变化情况。

而且，利用现有技术的分析过程耗时巨大，无法满足实际生活的需要，增加了患者和医院的就医成本，或者不是用于此目的的最佳技术。在许多情况下，数学技术已经被证明能够忠实有效的解决医学问题。利用先进的数学方法和计算技术，将血液的流动、血压分布以及对组织的影响等多个因素有机结合起来，构建了这个全面的血流动力学耦合模型。该模型的独特之处在于，它不仅可以描绘血液流动的物理过程，还可以预测血流对器官和组织的生理影响，比如引发的血管壁的形变、器官的负荷等。模型还可以模拟各种病理状况，例如动脉硬化、高血压等疾病对血流的影响，帮助医生理解疾病的发生机理，从而制定出更精确的治疗方案。此外，这个模型也有重要的工程应用价值。比如，在设计人工心脏、血管置换物、血流动力学监测设备等医疗器械时，可以利用这个模型进行仿真，优化设计，提高设备的安全性和有效性。

由于血流动力学耦合模型的耦合性、多物理性及高维性、奇异性，此类模型在预测脑组织血流情况时的精确解一般很难通过解析方法得到，而现有技术虽给出了基于偏微分方程的血流动力学耦合模型计算方法，但是，在同样广泛的范围内，存在计算时间长、计算效率低的问题。

发明内容

为了解决现有技术的不足，本发明提供了基于血流动力学耦合模型的脑组织血流情况预测***，运用龙格库塔方法和有限元方法求解不规则区域上的一维血流动力学耦合模型，在快速算法的实现过程中，借助降阶外推方法，提高了一维血流动力学耦合模型的优化和计算效率，提高了血液流动情况的预测效率。

第一方面，本发明提供了基于血流动力学耦合模型的脑组织血流情况预测***；

基于血流动力学耦合模型的脑组织血流情况预测***，包括：

数据获取模块，用于获取初始时刻的血液流动情况；

求解模块，用于基于初始时刻的血液流动情况，结合一维血流动力学耦合模型，并运用龙格库塔方法和有限元方法进行数值离散后，借助降阶外推方法对离散后的一维血流动力学耦合模型进行求解，得到若干未来时刻的血液流动情况。

进一步地，所述一维血流动力学耦合模型在时间方向使用龙格库塔方法进行离散，在空间方向上使用有限元方法进行离散，得到全离散格式以及矩阵计算形式。

进一步地，所述血液流动情况包括：脑组织血液流动***中的血管横截面积、血管体积流量和血管脉动血压分布。

进一步地，所述脑组织血液流动***包括具有多个分叉点的血流通道。

进一步地，所述一维血流动力学耦合模型为：

其中，t为时间变量，z为空间变量，满足(z，t)∈Ω×(0，T]，T表示未来时刻总数，Ω为一维不规则区域；A(z，t)为血管横截面积，Q(z，t)为血管体积流量，P(z，t)为血管脉动血压；α为Coriolis系数，ρ为血流密度，v为血液的运动粘度系数，P_ext为血管外压力，A₀为血管的参考横截面积。

进一步地，所述一维血流动力学耦合模型的初始条件为：

A(z，0)＝A_h0(z)，Q(z，0)＝Q_h0(z)，P(z，0)＝P_h0(z)

所述一维血流动力学耦合模型的边界条件为：

A(0，t)＝A⁰(t)，Q(0，t)＝Q⁰(t)，P(0，t)＝P⁰(t)

其中，A⁰(t)、Q⁰(t)和P⁰(t)分别为边界点处的血管横截面积、血管体积流量和血管脉动血压；A_h0(z)、Q_h0(z)和P_h0(z)分别为初始时刻的血管横截面积、血管体积流量和血管脉动血压。

第二方面，本发明还提供了一种电子设备，包括：

存储器，用于非暂时性存储计算机可读指令；以及

处理器，用于运行所述计算机可读指令，

其中，所述计算机可读指令被所述处理器运行时，执行以下步骤：

获取初始时刻的血液流动情况；

基于初始时刻的血液流动情况，结合一维血流动力学耦合模型，并运用龙格库塔方法和有限元方法进行数值离散后，借助降阶外推方法对离散后的一维血流动力学耦合模型进行求解，得到若干未来时刻的血液流动情况。

第三方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行以下步骤：

获取初始时刻的血液流动情况；

基于初始时刻的血液流动情况，结合一维血流动力学耦合模型，并运用龙格库塔方法和有限元方法进行数值离散后，借助降阶外推方法对离散后的一维血流动力学耦合模型进行求解，得到若干未来时刻的血液流动情况。

与现有技术相比，本发明的有益效果是：

本发明运用龙格库塔方法和有限元方法求解不规则区域上的一维血流动力学耦合模型，在快速算法的实现过程中，借助降阶外推方法，从算法实现上极大的简化了现有算法，提高了一维血流动力学耦合模型的优化和计算效率，能够降低血流动力学耦合模型在求解过程中的计算量，提高了缺血性脑组织血液流动问题的分析效率、血液流动情况的预测效率和脑组织血管疾病的判断效率，节省患者的就诊时间，降低医疗压力。

本发明提供了一种全新的方式来理解和处理血液流动与周围组织相互作用的问题，通过一维血流动力学耦合模型，研究血液流动过程中体积流量、血管横截面积及血管压力的变化情况，揭示脑组织中血液流动机理，更好地解释血流动力学行为，促进血流动力学相关技术更快地应用到实际医学问题中，为临床医学和生物医学工程的实践提供重要的支持，有效提升了疾病的诊断准确性和治疗效果，进一步改进医疗设备的设计和性能。

本发明附加方面的优点将在下面的描述中部分给出，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为第一个实施例的基于血流动力学耦合模型的脑组织血流情况预测***的结构图；

图2为第一个实施例的脑组织血管示意图；

图3为第一个实施例的对于一族空间剖分的快速算法和直接方法计算时间的比较图；

图4为第一个实施例的对于多族空间剖分的快速算法和直接方法计算时间的比较图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。

实施例一

本实施例提供了基于血流动力学耦合模型的脑组织血流情况预测***。

本实施例提供的基于血流动力学耦合模型的脑组织血流情况预测***，适用于缺血性脑组织。

本实施例提供的基于血流动力学耦合模型的脑组织血流情况预测***，基于一维血流动力学耦合模型，能够有效降低缺血性脑组织血流情况预测所需的计算时间，提高脑部疾病的判断效率，并提出合理有效的解决办法。

如图1所示，基于血流动力学耦合模型的脑组织血流情况预测***，包括控制器，通过控制器研究缺血性脑组织血流***中血液流动情况，其中脑组织血流***包括具有多个分叉点的血流通道。其中，控制器包括：数据获取模块和求解模块。如图2所示，本实例研究了血液在具有三个分叉点、一个入口和四个出口的血管中的流动情况。

数据获取模块，用于获取初始时刻的血液流动情况。

求解模块，用于基于初始时刻的血液流动情况，结合在人脑组织血管中的一维血流动力学耦合模型，并运用龙格库塔方法和有限元方法进行数值离散后，借助降阶外推方法对离散后的一维血流动力学耦合模型进行求解，得到若干未来时刻的血液流动情况。

其中，血液流动情况包括缺血性脑组织血液流动***中的血管横截面积、血管体积流量和血管压力分布。基于得到的血液流动的横截面积、体积流量和血管压力对缺血性脑组织血流情况进行分析，对患者采取相应的治疗措施。

作为一种实施方式，基于某心动周期的初始时刻的血液流动情况，预测该心动周期的若干未来时刻的血液流动情况。

本实施例中基于人脑组织血液流动情况，建立了基于一维血流动力学耦合模型的缺血性脑组织血流模型，一维血流动力学耦合模型包括横截面积方程、体积流量方程和血压方程：

其中，Ω为一维不规则区域(即脑组织血管区域，区域形状为脑组织血管形状，如图2所示)，t为时间变量，z为空间变量，满足(z，t)∈Ω×(0，T]，T表示未来时刻总数。A(z，t)为血管的横截面积，Q(z，t)为血管的体积流量，P(z，t)为脑血管的脉动血压。α为Coriolis系数(或the momentum flux correction coeffcient，可参见论文Mathematicalmodeling ofthe vascular system)，ρ为血流密度，v为血液的运动粘度系数(运动粘度表示流体的动力粘度与流体密度之比)，P_ext为血管外压力，A₀为血管的参考横截面积，均可以测量得到。

定义一维血流动力学耦合模型的初始条件和边界条件：

A(0，t)＝A⁰(t)，Q(0，t)＝Q⁰(t)，P(0，t)＝P⁰(t) (4)

A(z，0)＝A_h0(z)，Q(z，0)＝Q_h0(z)，P(z，0)＝P_h0(z) (5)

其中，A_h0(z)、Q_h0(z)和P_h0(z)分别为初始时刻的血管横截面积、血管体积流量和血管脉动血压；A⁰(t)、Q⁰(t)和P⁰(t)分别为边界点(带有分支的血管的入口处和出口处的值)处的血管横截面积、血管体积流量和血管脉动血压。边界点处是需要获取所有时刻的值。

在本实施例中，考虑到脑组织血管的复杂性，对于一维血流动力学耦合模型，利用龙格-库塔方法和有限元方法，对模型进行数值离散。

本实施例中，对方程(1)-(3)，进行数值离散，在时间方向使用龙格库塔方法进行离散，在空间方向上使用有限元方法进行离散，并最终得到全离散格式以及矩阵计算形式。

对于时间离散化区间可划分为时间步长/>的/>个相等子区间，

设Aⁿ(z)＝A(z，t_n)，Qⁿ(z)＝Q(z，t_n)，Pⁿ(z)＝P(z，t_n)，时间半离散格式为：

其中，Aⁿ(z)或Aⁿ、Qⁿ(z)或Qⁿ、Pⁿ(z)或Pⁿ分别为第n个时刻t_n的血管的横截面积、血管的体积流量、脑血管的脉动血压。和/>表示源项在第n个时刻t_n的值，源项f₁(z，t)、f₂(z，t)和f₃(z，t)为已知的连续函数，是为了研究更一般的情况，提出更具有普遍适用性的数值方法而引入的，在研究原始模型时，在数值实验中令f₁(z，t)＝f₂(z，t)＝f₃(z，t)即可。

由于求解区域的复杂性，在空间方向上采用有限元方法进行求解。设为区域Ω的一族剖分，/>为剖分节点，N_h为剖分节点总数，z₀和/>为区域Ω的边界点。剖分可以任意选择，通常在较长血管上选择等距剖分，在节点处剖分加密。取h为/>中元素维度的最大值，即/>假设V_h为有限元空间(近似空间)，其定义为：

其中，v_h表示近似空间V_h中的任意函数，上式表示近似空间V_h中的函数满足冒号后面的条件；表示/>上阶数不超过/>的全体多项式集合，S是一个任意的数。令为模型在t＝t_n时刻的有限元数值解，那么全离散格式为：求/>使得对于任意u∈V_h，有：

其中，和/>分别为第n个时刻t_n第h族空间剖分/>处的血管的横截面积、血管的体积流量、脑血管的脉动血压。

对于区域Ω的一族剖分点取{φ_j}为基函数，满足φ_j(z_i)＝δ_ij，i，.j＝0，1，…，N_h，其中当i≠j时δ_ij＝0，当i＝0，1，…，N_h时δ_ii＝1。那么有限元数值解/>可以表示为：

在方程(7)中取v＝φ_l(z)，那么可以得到如下矩阵形式：

其中，分别表示源函数/>和/>的基函数离散向量；为未知数值解向量。/>表示基函数矩阵，其元素为基函数的内积(φ_i，φ_l)，使用Gauss求积公式进行计算：

其中，G_E为单位元E上的Gauss点集合，ω_k为对应于Gauss点z_k的权重。

在本实施例中，利用基于降阶外推方法的快速算法对离散后的血流动力学耦合模型进行求解，得到该耦合模型的数值解。求解模型得到的数值解包括：脑组织血液流动过程中血管的横截面积、体积流量和血管脉动血压分布。

基于得到的血液流动的横截面积、体积流量和血管压力，对患者脑组织血管中血流情况和血管的变化情况进行分析，对患者采取相应的治疗措施；模拟各种病理状况，例如动脉硬化、高血压等疾病对血流的影响，帮助医生理解疾病的发生机理，从而制定出更精确的治疗方案。

具体地，考虑基于降阶外推方法的快速算法，对于一般的微分方程的矩阵格式，首先给定一个正整数L，根据直接方法计算得到前L次迭代数值解并将解存储在矩阵中。通过对矩阵M_U进行奇异值分解，可以得到：

其中为对应于矩阵M_U的对角矩阵，η_i(i＝1，2，…，l)为正奇异值。/>分别表示矩阵/>和/>的特征向量矩阵。由于L《N_h，且矩阵/>和矩阵/>的特征值是等价的，可以计算出矩阵/>的正奇异值η_i和特征向量矩阵/>然后利用关系：

计算得到矩阵的特征值。

基于上述结果，给定一个正整数L，计算得到前L层数值解 当n≥L+1时，分别用/>来近似代替Aⁿ，Qⁿ，Pⁿ，那么矩阵形式可以写为：

其中，可由前L层数值解计算得到，/>和/>为待求解的未知量。当1≤n≤L时，有/>最终可以得到耦合模型的数值解。

本实施例中，采用的快速算法可以降低计算过程中所用到的矩阵维数。能够提高计算效率，能够准确求解得到模型的数值解，进而利用求解得到的脑组织血流过程中血管的横截面积、体积流量和脉动血压的变化情况进行分析。

图3显示了本实施例中对于一族空间剖分的快速算法和直接方法计算时间的比较图；图4显示了本实施例中对于多族空间剖分的快速算法和直接方法计算时间的比较图；可以看出，本实施例快速算法的计算时间明显小于直接方法的计算时间，且随着空间剖分逐渐加密，快速算法的计算效率逐渐提高。结果表明，本实施例快速算法在效率和节省计算成本方面确实优于直接方法。

基于一维血流动力学耦合模型的缺血性脑组织血流***，能够高度精确地模拟和预测血液在脑组织血管中的流动状况，同时还考虑了血流对周围组织如血管壁的生理影响。

本实施例提供的基于血流动力学耦合模型的脑组织血流情况预测***，不仅有助于推动血流动力学的学术研究，也将为临床医学和生物医学工程的实践提供重要的支持。

本实施例提供的基于血流动力学耦合模型的脑组织血流情况预测***，对一维血流动力学耦合模型进行机理分析，研究在一个心动周期内血液流动过程中体积流量、血管横截面积及血管压力的变化情况；揭示脑组织中血液流动机理，更好地解释血流动力学行为，促进血流动力学相关技术更快地应用到实际医学问题中，为临床医学和生物医学工程的实践提供重要的支持；提供了一种全新的方式来理解和处理血液流动与周围组织相互作用的问题，有效提升了疾病的诊断准确性和治疗效果，进一步改进医疗设备的设计和性能。

本实施例提供的基于血流动力学耦合模型的脑组织血流情况预测***，运用龙格库塔方法和有限元方法求解不规则区域上的耦合模型，在快速算法的实现过程中，借助降阶外推方法，从算法实现上极大的简化了现有算法，提高了一维血流动力学耦合模型的优化和计算效率，能够降低血流动力学耦合模型在求解过程中的计算量，提高了缺血性脑组织血液流动问题的分析效率、血液流动情况的预测效率和脑组织血管疾病的判断效率，节省患者的就诊时间，降低医疗压力。

本实施例提供的基于血流动力学耦合模型的脑组织血流情况预测***，应用于医学研究中，能够有效提高脑部疾病的判断效率，并提出合理有效的解决办法；模拟各种病理状况，例如动脉硬化、高血压等疾病对血流的影响，帮助医生理解疾病的发生机理，制定更精确的治疗方案。

实施例二

本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行以下步骤：

获取初始时刻的血液流动情况；

基于初始时刻的血液流动情况，结合一维血流动力学耦合模型，并运用龙格库塔方法和有限元方法进行数值离散后，借助降阶外推方法对离散后的一维血流动力学耦合模型进行求解，得到若干未来时刻的血液流动情况。

其中，一维血流动力学耦合模型在时间方向使用龙格库塔方法进行离散，在空间方向上使用有限元方法进行离散，得到全离散格式以及矩阵计算形式。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

实施例三

本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，执行以下步骤：

获取初始时刻的血液流动情况；

基于初始时刻的血液流动情况，结合一维血流动力学耦合模型，并运用龙格库塔方法和有限元方法进行数值离散后，借助降阶外推方法对离散后的一维血流动力学耦合模型进行求解，得到若干未来时刻的血液流动情况。

其中，一维血流动力学耦合模型在时间方向使用龙格库塔方法进行离散，在空间方向上使用有限元方法进行离散，得到全离散格式以及矩阵计算形式。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于血流动力学耦合模型的脑组织血流情况预测***，其特征是，包括：

数据获取模块，用于获取初始时刻的血液流动情况；

求解模块，用于基于初始时刻的血液流动情况，结合一维血流动力学耦合模型，并运用龙格库塔方法和有限元方法进行数值离散后，借助降阶外推方法对离散后的一维血流动力学耦合模型进行求解，得到若干未来时刻的血液流动情况；

所述一维血流动力学耦合模型在时间方向使用龙格库塔方法进行离散，在空间方向上使用有限元方法进行离散，得到全离散格式以及矩阵计算形式；

所述一维血流动力学耦合模型为：

其中，t为时间变量，z为空间变量，满足(z，t)∈Ω×(0，T]，T表示未来时刻总数，Ω为一维不规则区域；A(z，t)为血管横截面积，Q(z，t)为血管体积流量，P(z，t)为血管脉动血压；α为Coriolis系数，ρ为血流密度，v为血液的运动粘度系数，P_ext为血管外压力，A₀为血管的参考横截面积。

2.如权利要求1所述的基于血流动力学耦合模型的脑组织血流情况预测***，其特征是，所述血液流动情况包括：脑组织血液流动***中的血管横截面积、血管体积流量和血管脉动血压分布。

3.如权利要求2所述的基于血流动力学耦合模型的脑组织血流情况预测***，其特征是，所述脑组织血液流动***包括具有多个分叉点的血流通道。

4.如权利要求1所述的基于血流动力学耦合模型的脑组织血流情况预测***，其特征是，所述一维血流动力学耦合模型的初始条件为：

A(z，0)＝A_h0(z)，Q(z，0)＝Q_h0(z)，P(z，0)＝P_h0(z)

所述一维血流动力学耦合模型的边界条件为：

A(0，t)＝A⁰(t)，Q(0，t)＝Q⁰(t)，P(0，t)＝P⁰(t)

其中，A⁰(t)、Q⁰(t)和P⁰(t)分别为边界点处的血管横截面积、血管体积流量和血管脉动血压；A_h0(z)、Q_h0(z)和P_h0(z)分别为初始时刻的血管横截面积、血管体积流量和血管脉动血压。

5.一种电子设备，其特征是，包括：

存储器，用于非暂时性存储计算机可读指令；以及

处理器，用于运行所述计算机可读指令，

其中，所述计算机可读指令被所述处理器运行时，执行以下步骤：

获取初始时刻的血液流动情况；

基于初始时刻的血液流动情况，结合一维血流动力学耦合模型，并运用龙格库塔方法和有限元方法进行数值离散后，借助降阶外推方法对离散后的一维血流动力学耦合模型进行求解，得到若干未来时刻的血液流动情况；

所述一维血流动力学耦合模型在时间方向使用龙格库塔方法进行离散，在空间方向上使用有限元方法进行离散，得到全离散格式以及矩阵计算形式；

所述一维血流动力学耦合模型为：

其中，t为时间变量，z为空间变量，满足(z，t)∈Ω×(0，T]，T表示未来时刻总数，Ω为一维不规则区域；A(z，t)为血管横截面积，Q(z，t)为血管体积流量，P(z，t)为血管脉动血压；α为Coriolis系数，ρ为血流密度，ν为血液的运动粘度系数，P_ext为血管外压力，A₀为血管的参考横截面积。

6.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行以下步骤：

获取初始时刻的血液流动情况；

基于初始时刻的血液流动情况，结合一维血流动力学耦合模型，并运用龙格库塔方法和有限元方法进行数值离散后，借助降阶外推方法对离散后的一维血流动力学耦合模型进行求解，得到若干未来时刻的血液流动情况；

所述一维血流动力学耦合模型在时间方向使用龙格库塔方法进行离散，在空间方向上使用有限元方法进行离散，得到全离散格式以及矩阵计算形式；

所述一维血流动力学耦合模型为：

其中，t为时间变量，z为空间变量，满足(z，t)∈Ω×(0，T]，T表示未来时刻总数，Ω为一维不规则区域；A(z，t)为血管横截面积，Q(z，t)为血管体积流量，P(z，t)为血管脉动血压；α为Coriolis系数，ρ为血流密度，ν为血液的运动粘度系数，P_ext为血管外压力，A₀为血管的参考横截面积。