CN117244171A - 一种心室辅助***的冲洗设备的自适应控制方法及装置 - Google Patents
一种心室辅助***的冲洗设备的自适应控制方法及装置 Download PDFInfo
- Publication number
- CN117244171A CN117244171A CN202311542101.7A CN202311542101A CN117244171A CN 117244171 A CN117244171 A CN 117244171A CN 202311542101 A CN202311542101 A CN 202311542101A CN 117244171 A CN117244171 A CN 117244171A
- Authority
- CN
- China
- Prior art keywords
- model
- state
- ventricular assist
- sample
- sub
- 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
- 230000002861 ventricular Effects 0.000 title claims abstract description 129
- 238000011010 flushing procedure Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 300
- 238000003062 neural network model Methods 0.000 claims description 64
- 238000012549 training Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002262 irrigation Effects 0.000 description 15
- 238000003973 irrigation Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
- A61M60/50—Details relating to control
- A61M60/508—Electronic control means, e.g. for feedback regulation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
- A61M60/50—Details relating to control
- A61M60/508—Electronic control means, e.g. for feedback regulation
- A61M60/538—Regulation using real-time blood pump operational parameter data, e.g. motor current
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Anesthesiology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Veterinary Medicine (AREA)
- Hematology (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- External Artificial Organs (AREA)
Abstract
本申请实施例提供了一种心室辅助***的冲洗设备的自适应控制方法及装置,涉及医疗器械技术领域,上述方法包括:确定表征冲洗设备的出口压力的时序变化特性的压力变化曲线,并确定表征心室辅助设备的设备温度的时序变化特性的温度变化曲线;对压力变化曲线与温度变化曲线进行拟合,基于拟合结果确定表征心室辅助***的***状态的时序变化特性的目标状态变化量;按照预设的状态变化量与转速偏差量之间的对应关系,确定目标状态变化量所对应的转速偏差量,作为冲洗设备的当前转速的目标偏差量;按照所述目标偏差量,调整冲洗设备的当前转速,以使得所述冲洗设备按照调整后的转速运行。应用本实施例提供的方案,能够实现冲洗设备的自适应控制。
Description
技术领域
本申请涉及医疗器械技术领域,特别是涉及一种心室辅助***的冲洗设备的自适应控制方法及装置。
背景技术
心室辅助***是针对患有心脏相关疾病的患者,如心衰患者,提供支撑或辅助功能的装置,用于辅助心脏将血液泵送至身体其他各部位。心室辅助***包括心室辅助设备、冲洗设备和主机,在心室导管泵运行时,冲洗设备可以产生与血液流动方向相反的冲洗液,以避免血液进入心室导管泵的电机。
冲洗设备的主要问题是控制,当前利用预先设定的速度控制冲洗设备,采用这样的方案导致冲洗设备的运行无法灵活适应当前***状况。
发明内容
本申请实施例的目的在于提供一种心室辅助***的冲洗设备的自适应控制方法及装置,以实现冲洗设备的运行灵活适应当前***状况。具体技术方案如下:
第一方面,本申请实施例提供了一种心室辅助***的冲洗设备的自适应控制方法,应用于心室辅助***中的控制器,所述心室辅助***包括心室辅助设备、冲洗设备以及控制器,所述方法包括:
确定表征所述冲洗设备的出口压力的时序变化特性的压力变化曲线,并确定表征所述心室辅助设备的设备温度的时序变化特性的温度变化曲线;
对所述压力变化曲线与温度变化曲线进行拟合,基于拟合结果确定表征所述心室辅助***的***状态的时序变化特性的目标状态变化量;
按照预设的状态变化量与转速偏差量之间的对应关系,确定所述目标状态变化量所对应的转速偏差量,作为所述冲洗设备的当前转速的目标偏差量;
按照所述目标偏差量,调整所述冲洗设备的当前转速,以使得所述冲洗设备按照调整后的转速运行。
本申请的一个实施例中,上述对所述压力变化曲线与温度变化曲线进行拟合,基于拟合结果确定表征所述心室辅助***的***状态的时序变化特性的目标状态变化量,包括:
将所述压力变化曲线与温度变化曲线输入预先训练的状态预测模型,得到所述状态预测模型输出的状态变化量,作为表征所述心室辅助***的***状态的时序变化特性的目标状态变化量;
其中,所述状态预测模型包括曲线拟合子模型以及状态预测子模型,所述曲线拟合子模型用于对压力变化曲线与温度变化曲线进行拟合,并将拟合结果输入所述状态预测子模型,所述状态预测子模型用于基于拟合结果,预测所述心室辅助***的状态变化量。
本申请的一个实施例中,上述状态预测模型为按照以下方式训练得到的模型:
获取样本压力变化曲线与样本温度变化曲线,并获取样本心室辅助***的状态变化的实际状态变化量,其中,所述样本压力变化曲线表征样本心室辅助***中的样本冲洗设备的出口压力的时序变化特性,所述样本温度变化曲线表征样本心室辅助***中的样本心室辅助设备的设备温度的时序变化特性;
将所述样本压力变化曲线、样本温度变化曲线输入第一神经网络模型,得到第一神经网络模型输出的第一状态变化预测量,基于第一状态变化预测量与实际状态变化量之间的差距,调整所述第一神经网络模型中的第一子模型的模型参数,直至满足第一预设收敛条件,得到包含训练后第一子模型的第一神经网络模型,作为第二神经网络模型,其中,所述第一子模型用于拟合样本压力变化曲线与样本温度变化曲线;
将所述样本压力变化曲线、样本温度变化曲线输入所述第二神经网络模型,得到所述第二神经网络模型输出的第二状态变化预测量,基于第二状态变化预测量与实际状态变化量之间的差距,调整所述第二神经网络模型中的第二子模型的模型参数,直至满足第二预设收敛条件,得到包含训练后第二子模型的第二神经网络模型,作为状态预测模型,其中,所述第二子模型用于基于拟合结果预测***状态变化量。
本申请的一个实施例中,上述按照所述目标偏差量,调整所述冲洗设备的当前转速,包括:
判断所述目标偏差量是否大于预设偏差量阈值;
若为是,计算所述目标偏差量与预设偏差量阈值之间的差值,基于所述目标偏差量与差值,确定转速调整迭代次数;按照所述转速调整迭代次数,将所计算的差值确定为单次调整偏量,调整所述冲洗设备的当前转速;
若为否,计算所述目标偏差量与当前转速之间的和值,将计算得到的和值确定为调整后的当前转速。
第二方面,本申请实施例提供了一种心室辅助***的冲洗设备的自适应控制装置,应用于心室辅助***中的控制器,所述心室辅助***包括心室辅助设备、冲洗设备以及控制器,所述装置包括:
曲线确定模块,用于确定表征所述冲洗设备的出口压力的时序变化特性的压力变化曲线,并确定表征所述心室辅助设备的设备温度的时序变化特性的温度变化曲线;
状态确定模块,用于对所述压力变化曲线与温度变化曲线进行拟合,基于拟合结果确定表征所述心室辅助***的***状态的时序变化特性的目标状态变化量;
转速偏差确定模块,用于按照预设的状态变化量与转速偏差量之间的对应关系,确定所述目标状态变化量所对应的转速偏差量,作为所述冲洗设备的当前转速的目标偏差量;
设备控制模块,用于按照所述目标偏差量,调整所述冲洗设备的当前转速,以使得所述冲洗设备按照调整后的转速运行。
本申请的一个实施例中,上述状态确定模块,具体用于将所述压力变化曲线与温度变化曲线输入预先训练的状态预测模型,得到所述状态预测模型输出的状态变化量,作为表征所述心室辅助***的***状态的时序变化特性的目标状态变化量;其中,所述状态预测模型包括曲线拟合子模型以及状态预测子模型,所述曲线拟合子模型用于对压力变化曲线与温度变化曲线进行拟合,并将拟合结果输入所述状态预测子模型,所述状态预测子模型用于基于拟合结果,预测所述心室辅助***的状态变化量。
本申请的一个实施例中,上述状态确定模块,包括模型训练子模块,所述模型训练子模块,包括:
训练样本获取单元,用于获取样本压力变化曲线与样本温度变化曲线,并获取样本心室辅助***的状态变化的实际状态变化量,其中,所述样本压力变化曲线表征样本心室辅助***中的样本冲洗设备的出口压力的时序变化特性,所述样本温度变化曲线表征样本心室辅助***中的样本心室辅助设备的设备温度的时序变化特性;
第一模型训练单元,用于将所述样本压力变化曲线、样本温度变化曲线输入第一神经网络模型,得到第一神经网络模型输出的第一状态变化预测量,基于第一状态变化预测量与实际状态变化量之间的差距,调整所述第一神经网络模型中的第一子模型的模型参数,直至满足第一预设收敛条件,得到包含训练后第一子模型的第一神经网络模型,作为第二神经网络模型,其中,所述第一子模型用于拟合样本压力变化曲线与样本温度变化曲线;
第二模型训练单元,用于将所述样本压力变化曲线、样本温度变化曲线输入所述第二神经网络模型,得到所述第二神经网络模型输出的第二状态变化预测量,基于第二状态变化预测量与实际状态变化量之间的差距,调整所述第二神经网络模型中的第二子模型的模型参数,直至满足第二预设收敛条件,得到包含训练后第二子模型的第二神经网络模型,作为状态预测模型,其中,所述第二子模型用于基于拟合结果预测***状态变化量。
本申请的一个实施例中,上述设备控制模块,具体用于判断所述目标偏差量是否大于预设偏差量阈值;若为是,计算所述目标偏差量与预设偏差量阈值之间的差值,基于所述目标偏差量与差值,确定转速调整迭代次数;按照所述转速调整迭代次数,将所计算的差值确定为单次调整偏量,调整所述冲洗设备的当前转速;若为否,计算所述目标偏差量与当前转速之间的和值,将计算得到的和值确定为调整后的当前转速。
第三方面,本申请实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面所述的方法步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法步骤。
由以上可见,应用本申请实施例提供的方案,基于目标偏差量调整冲洗设备当前转速,而目标偏差量是基于目标状态变化量确定的。由于目标状态变化量是基于压力变化曲线与温度变化曲线的拟合结果确定的,又由于压力变化曲线反映冲洗设备的出口压力的时序变化特性,温度变化曲线反映心室辅助设备的设备温度的时序变化特性,那么,压力变化曲线与温度变化曲线的拟合结果能够综合反映冲洗设备以及心室辅助设备的特性,同时,冲洗设备、心室辅助设备作为心室辅助***中最主要的部分,因此基于上述拟合结果所确定的目标状态变化量,能够准确地反映心室辅助***的当前***整体状态特性。因此,基于上述目标状态变化量所确定的目标偏差量能够适应于心室辅助***的当前***整体状态,从而实现冲洗设备的自适应控制。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的一种心室辅助***的结构示意图;
图2为本申请实施例提供的第一种心室辅助***的冲洗设备的自适应控制方法的流程示意图;
图3为本申请实施例提供的第二种心室辅助***的冲洗设备的自适应控制方法的流程示意图;
图4为本申请实施例提供的一种心室辅助***的冲洗设备的自适应控制装置的结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本申请保护的范围。
本申请中的心室辅助***包括控制器、心室辅助设备以及冲洗设备。如图1所示,图1示出了心室辅助***的结构示意图。
其中,心室辅助设备用于辅助心脏泵血,可被附接到心脏的左心室、右心室或者两个心室的心尖上。心室辅助设备可以是轴流泵、离心泵或磁悬浮泵;
冲洗设备用于对心室辅助设备的电机周围进行冲洗,以防止血液进入电机;
控制器用于对心室辅助设备、冲洗设备的参数进行检测,并且控制心室辅助设备、冲洗设备的运行。
本申请各实施例的执行主体是心室辅助***的控制器。
参见图2,图2为本申请实施例提供的第一种心室辅助***的冲洗设备的自适应控制方法的流程示意图,上述方法包括以下步骤S201-S204。
步骤S201:确定表征冲洗设备的出口压力的时序变化特性的压力变化曲线,并确定表征心室辅助设备的设备温度的时序变化特性的温度变化曲线。
上述压力变化曲线用于表征冲洗设备的出口压力的时序变化特性,出口压力的时序变化特性可以理解为冲洗设备的出口压力随着时间推进的压力波动情况。
上述温度变化曲线用于表征心室辅助设备的设备温度的时序变化特性,设备温度的时序变化特性可以理解为心室辅助设备的设备温度随着时间推进的温度波动情况。
上述出口压力可以是设置于冲洗设备的出口管道的压力传感器采集得到的,设备温度可以是设置于心室辅助设备的温度传感器采集得到的。
上述压力变化曲线、温度变化曲线可以是在冲洗设备按照当前转速运行预设时长的时间段内的变化曲线。上述预设时长可以是10s、20s等。
上述压力变化曲线、温度变化曲线可以是控制器预先存储的,即在获取传感器所采集的数据后,基于每一数据对应的时间信息生成的,在这种情况下,控制器可以读取存储器内所存储的压力变化曲线、温度变化曲线。
步骤S202:对压力变化曲线与温度变化曲线进行拟合,基于拟合结果确定表征心室辅助***的***状态的时序变化特性的目标状态变化量。
目标状态变化量用于反映心室辅助***的***状态的时序变化特性。***状态的时序变化特性可以理解为心室辅助***的***状态随着时间推进的状态波动,心室辅助***的***状态是从***整体角度反映***状态特性的。心室辅助***运行过程中,各种复杂因素综合导致心室辅助***的***状态发生变化。
由于压力变化曲线反映冲洗设备的出口压力的时序变化特性,温度变化曲线反映心室辅助设备的设备温度的时序变化特性,那么,压力变化曲线与温度变化曲线的拟合结果能够综合反映冲洗设备以及心室辅助设备的特性,同时,冲洗设备、心室辅助设备作为心室辅助***中最主要的部分,因此基于上述拟合结果所确定的目标状态变化量,能够准确地反映心室辅助***的当前***整体状态特性。
在确定目标状态变化量时,一种实施方式中,可以对拟合结果进行多尺度特征提取,得到每一尺度的特征值;计算相邻尺度特征值之间的特征差值,基于每一尺度对应的特征差值,计算目标动态特征值。
上述多尺度特征提取可以采用金字塔特征提取方式,对拟合结果进行特征提取,得到多尺度特征。
在计算目标动态特征值时,可以对每一尺度对应的特征差值进行特征融合。如计算每一尺度对应的特征差值的平均值、相关值等,将融合得到的值确定为目标动态特征值。
一种实施方式中,在确定目标状态变化量时,可以按照以下公式确定得到:
;
其中,表示当前t时刻的目标状态变化量,/>表示压力变化曲线与温度变化曲线的拟合函数,x表示拟合函数中的压力变量,y表示拟合函数中的温度变量,/>、/>、/>均为预设系数,/>表示t-1时刻的实际转速,/>表示t-2时刻的实际转速。
确定目标状态变化量的其他实施方式可以参见后续图3对应的实施例,在此不进行详述。
步骤S203:按照预设的状态变化量与转速偏差量之间的对应关系,确定目标状态变化量所对应的转速偏差量,作为冲洗设备的当前转速的目标偏差量。
目标偏差量是基于目标状态变化量确定的,由于目标状态变化量能够反映心室辅助***的当前***整体状态的变化特性,因此,所确定的目标偏差量能够适应于心室辅助***的当前***整体状态的。
上述状态变化量与转速偏差量之间的对应关系是预先设定的。工作人员可以预先基于大量的测试数据生成上述对应关系。
在确定目标偏差量时,若上述对应关系中包含上述目标状态变化量,则直接将对应关系中目标状态变化量对应的转速偏差量确定为目标偏差量;若上述对应关系中不包含上述目标状态变化量,则确定对应关系所包含的状态变化量中与目标状态变化量最接近的状态变化量,将上述状态变化量对应的转速偏差量确定为目标偏差量。
步骤S204:按照目标偏差量,调整冲洗设备的当前转速,以使得冲洗设备按照调整后的转速运行。
当前转速是指冲洗设备当前正在运行的转速。
在调整当前转速时,一种实施方式中,可以判断目标偏差量是否大于预设偏差量阈值;若为是,计算目标偏差量与预设偏差量阈值之间的差值,基于目标偏差量与差值,确定转速调整迭代次数;按照转速调整迭代次数,将上述差值作为单次调整偏量,调整冲洗设备的当前转速;若为否,计算所述目标偏差量与当前转速之间的和值,将计算得到的和值确定为调整后的当前转速。
当目标偏差量大于预设偏差量阈值时,表示目标偏差量过大。在这种情况下,通过多次迭代方式逐步调整,能够使得转速控制过程中保持平稳,避免突然抖动情况出现。
在确定转速调整迭代次数时,可以计算目标偏差量与差值之间的比值,将比值的整数部分作为转速调整迭代次数。
在调整冲洗设备的当前转速时,分为多次调整,调整次数即为所确定的转速调整迭代次数,第一次调整时,计算当前转速与差值之间的和值,作为第一次调整后的转速,第二次调整时,计算第一次调整后的转速与差值之间的和值,作为第二次调整后的转速,按照这样的方式,直至最后一次调整结束,得到最终调整后的当前转速。
当目标偏差量小于预设偏差量阈值时,表示目标偏差量不大。在这种情况下,直接基于目标偏差量调整当前转速,从而提高转速控制效率。
由以上可见,应用本实施例提供的方案,基于目标偏差量调整冲洗设备当前转速,而目标偏差量是基于目标状态变化量确定的。由于目标状态变化量是基于压力变化曲线与温度变化曲线的拟合结果确定的,又由于压力变化曲线反映冲洗设备的出口压力的时序变化特性,温度变化曲线反映心室辅助设备的设备温度的时序变化特性,那么,压力变化曲线与温度变化曲线的拟合结果能够综合反映冲洗设备以及心室辅助设备的特性,同时,冲洗设备、心室辅助设备作为心室辅助***中最主要的部分,因此基于上述拟合结果所确定的目标状态变化量,能够准确地反映心室辅助***的当前***整体状态特性。因此,基于上述目标状态变化量所确定的目标偏差量能够适应于心室辅助***的当前***整体状态,从而实现冲洗设备的自适应控制。
在前述图2对应的实施例的步骤S202中,除了采用所提及的方式确定目标状态变化量,还可以采用下述步骤S302实现。基于此,参见图3,图3为本申请实施例提供的第二种心室辅助***的冲洗设备的自适应控制方法的流程示意图,上述方法包括下述步骤S301-S304。
步骤S301:确定表征冲洗设备的出口压力的时序变化特性的压力变化曲线,并确定表征心室辅助设备的设备温度的时序变化特性的温度变化曲线。
上述步骤S301与前述图2对应的实施例的步骤S201相同,在此不再赘述。
步骤S302:将压力变化曲线与温度变化曲线输入预先训练的状态预测模型,得到状态预测模型输出的状态变化量,作为表征心室辅助***的***状态的时序变化特性的目标状态变化量。
状态预测模型包括曲线拟合子模型以及状态预测子模型。其中,曲线拟合子模型用于对压力变化曲线与温度变化曲线进行拟合,并将拟合结果输入状态预测子模型。状态预测子模型用于基于拟合结果,预测心室辅助***的状态变化量。
由于状态预测模型包含曲线拟合子模型以及状态预测子模型,曲线拟合子模型学习到曲线之间拟合的特性,状态预测子模型学习到心室辅助***状态与拟合结果之间的拟合特性,这样,基于上述状态预测模型,能够准确地预测心室辅助***的状态变化量。
本申请的一个实施例中,上述状态预测模型可以为按照以下步骤A1-A3训练得到的模型:
步骤A1:获取样本压力变化曲线与样本温度变化曲线,并获取样本心室辅助***的状态变化的实际状态变化量。
其中,样本压力变化曲线表征样本心室辅助***中样本冲洗设备的出口压力的时序变化特性,所述样本温度变化曲线表征样本心室辅助***中样本心室辅助设备的设备温度的时序变化特性。
上述各类样本数据可以是现有数据库中获取的,也可以是历史测试数据。
步骤A2:将样本压力变化曲线、样本温度变化曲线输入第一神经网络模型,得到第一神经网络模型输出的第一状态变化预测量,基于第一状态变化预测量与实际状态变化量之间的差距,调整第一神经网络模型中的第一子模型的模型参数,直至满足第一预设收敛条件,得到包含训练后第一子模型的第一神经网络模型,作为第二神经网络模型。
上述第一神经网络模型可以是经过预训练后的初始神经网络模型,上述初始神经网络模型可以是CNN(Convolutional Neural Networks,卷积神经网络)、RNN(RecurrentNeural Networks,循环神经网络)。
第一神经网络模型包含两个子模型,其中,第一子模型用于拟合样本压力变化曲线与样本温度变化曲线,第二子模型用于基于拟合结果预测***状态变化量。
在本实施例中,首先对第一子模型进行训练,训练结束后,在训练后的第一子模型基础上,对第二子模型进行训练,按照这种训练方式,在较为精准第一子模型基础上,能够更为准确地训练第二子模型,从而提高模型训练的精确度。
在调整模型参数时,当第一状态变化与实际状态变化量之间的差距大于预设差距阈值时,按照上一次调整方向的相反方向调整模型参数;当第一状态变化与实际状态变化量之间的差距不大于预设差距阈值时,按照上一次调整方向的相同方向调整模型参数。
上述第一预设收敛条件可以是预设迭代次数、模型参数位于预设参数范围等。当满足收敛条件时,表示第一子模型训练结束。
步骤A3:将样本压力变化曲线、样本温度变化曲线输入第二神经网络模型,得到第二神经网络模型输出的第二状态变化预测量,基于第二状态变化预测量与实际状态变化量之间的差距,调整第二神经网络模型中的第二子模型的模型参数,直至满足第二预设收敛条件,得到包含训练后第二子模型的第二神经网络模型,作为状态预测模型。
第二子模型的训练样本可以与第一子模型的训练样本相同,也可以不同。
当第二状态变化与实际状态变化量之间的差距大于预设差距阈值时,按照上一次调整方向的相反方向调整模型参数;当第二状态变化与实际状态变化量之间的差距不大于预设差距阈值时,按照上一次调整方向的相同方向调整模型参数。
上述第二预设收敛条件可以是预设迭代次数、模型参数位于预设参数范围等。当满足收敛条件时,表示第二子模型训练结束,也即表示状态预测模型训练结束。
步骤S303:按照预设的状态变化量与转速偏差量之间的对应关系,确定目标状态变化量所对应的转速偏差量,作为冲洗设备的当前转速的目标偏差量。
步骤S304:按照目标偏差量,调整冲洗设备的当前转速,以使得冲洗设备按照调整后的转速运行。
上述步骤S303-S304与前述图2对应的实施例的步骤S203-S204相同,在此不再赘述。
与上述心室辅助***的冲洗设备的自适应控制方法相对应,本申请实施例还提供了一种心室辅助***的冲洗设备的自适应控制装置。
参见图4,图4为本申请实施例提供的一种心室辅助***的冲洗设备的自适应控制装置的结构示意图,应用于心室辅助***中的控制器,所述心室辅助***包括心室辅助设备、冲洗设备以及控制器,上述装置包括401-404。
曲线确定模块401,用于确定表征所述冲洗设备的出口压力的时序变化特性的压力变化曲线,并确定表征所述心室辅助设备的设备温度的时序变化特性的温度变化曲线;
状态确定模块402,用于对所述压力变化曲线与温度变化曲线进行拟合,基于拟合结果确定表征所述心室辅助***的***状态的时序变化特性的目标状态变化量;
转速偏差确定模块403,用于按照预设的状态变化量与转速偏差量之间的对应关系,确定所述目标状态变化量所对应的转速偏差量,作为所述冲洗设备的当前转速的目标偏差量;
设备控制模块404,用于按照所述目标偏差量,调整所述冲洗设备的当前转速,以使得所述冲洗设备按照调整后的转速运行。
由以上可见,应用本实施例提供的方案,基于目标偏差量调整冲洗设备当前转速,而目标偏差量是基于目标状态变化量确定的。由于目标状态变化量是基于压力变化曲线与温度变化曲线的拟合结果确定的,又由于压力变化曲线反映冲洗设备的出口压力的时序变化特性,温度变化曲线反映心室辅助设备的设备温度的时序变化特性,那么,压力变化曲线与温度变化曲线的拟合结果能够综合反映冲洗设备以及心室辅助设备的特性,同时,冲洗设备、心室辅助设备作为心室辅助***中最主要的部分,因此基于上述拟合结果所确定的目标状态变化量,能够准确地反映心室辅助***的当前***整体状态特性。因此,基于上述目标状态变化量所确定的目标偏差量能够适应于心室辅助***的当前***整体状态,从而实现冲洗设备的自适应控制。
本申请的一个实施例中,上述状态确定模块,具体用于将所述压力变化曲线与温度变化曲线输入预先训练的状态预测模型,得到所述状态预测模型输出的状态变化量,作为表征所述心室辅助***的***状态的时序变化特性的目标状态变化量;其中,所述状态预测模型包括曲线拟合子模型以及状态预测子模型,所述曲线拟合子模型用于对压力变化曲线与温度变化曲线进行拟合,并将拟合结果输入所述状态预测子模型,所述状态预测子模型用于基于拟合结果,预测所述心室辅助***的状态变化量。
由于状态预测模型包含曲线拟合子模型以及状态预测子模型,曲线拟合子模型学习到曲线之间拟合的特性,状态预测子模型学习到心室辅助***状态与拟合结果之间的拟合特性,这样,基于上述状态预测模型,能够准确地预测心室辅助***的状态变化量。
本申请的一个实施例中,上述状态确定模块,包括模型训练子模块,所述模型训练子模块,包括:
训练样本获取单元,用于获取样本压力变化曲线与样本温度变化曲线,并获取样本心室辅助***的状态变化的实际状态变化量,其中,所述样本压力变化曲线表征样本心室辅助***中的样本冲洗设备的出口压力的时序变化特性,所述样本温度变化曲线表征样本心室辅助***中的样本心室辅助设备的设备温度的时序变化特性;
第一模型训练单元,用于将所述样本压力变化曲线、样本温度变化曲线输入第一神经网络模型,得到第一神经网络模型输出的第一状态变化预测量,基于第一状态变化预测量与实际状态变化量之间的差距,调整所述第一神经网络模型中的第一子模型的模型参数,直至满足第一预设收敛条件,得到包含训练后第一子模型的第一神经网络模型,作为第二神经网络模型,其中,所述第一子模型用于拟合样本压力变化曲线与样本温度变化曲线;
第二模型训练单元,用于将所述样本压力变化曲线、样本温度变化曲线输入所述第二神经网络模型,得到所述第二神经网络模型输出的第二状态变化预测量,基于第二状态变化预测量与实际状态变化量之间的差距,调整所述第二神经网络模型中的第二子模型的模型参数,直至满足第二预设收敛条件,得到包含训练后第二子模型的第二神经网络模型,作为状态预测模型,其中,所述第二子模型用于基于拟合结果预测***状态变化量。
在本实施例中,首先对第一子模型进行训练,训练结束后,在训练后的第一子模型基础上,对第二子模型进行训练,按照这种训练方式,在较为精准第一子模型基础上,能够更为准确地训练第二子模型,从而提高模型训练的精确度。
本申请的一个实施例中,上述设备控制模块,具体用于判断所述目标偏差量是否大于预设偏差量阈值;若为是,计算所述目标偏差量与预设偏差量阈值之间的差值,基于所述目标偏差量与差值,确定转速调整迭代次数;按照所述转速调整迭代次数,将所计算的差值确定为单次调整偏量,调整所述冲洗设备的当前转速;若为否,计算所述目标偏差量与当前转速之间的和值,将计算得到的和值确定为调整后的当前转速。
当目标偏差量大于预设偏差量阈值时,表示目标偏差量过大。在这种情况下,通过多次迭代方式逐步调整,能够使得转速控制过程中保持平稳,避免突然抖动情况出现;当目标偏差量小于预设偏差量阈值时,表示目标偏差量不大。在这种情况下,直接基于目标偏差量调整当前转速,从而提高转速控制效率。
与上述心室辅助***的冲洗设备的自适应控制方法相对应,本申请实施例还提供了一种电子设备。
参见图5,图5为本申请实施例提供的一种电子设备的结构示意图,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信,
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现本申请实施例提供的心室辅助***的冲洗设备的自适应控制方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现本申请实施例提供的心室辅助***的冲洗设备的自适应控制方法。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行时实现本申请实施例提供的心室辅助***的冲洗设备的自适应控制方法。
由以上可见,应用本实施例提供的方案,基于目标偏差量调整冲洗设备当前转速,而目标偏差量是基于目标状态变化量确定的。由于目标状态变化量是基于压力变化曲线与温度变化曲线的拟合结果确定的,又由于压力变化曲线反映冲洗设备的出口压力的时序变化特性,温度变化曲线反映心室辅助设备的设备温度的时序变化特性,那么,压力变化曲线与温度变化曲线的拟合结果能够综合反映冲洗设备以及心室辅助设备的特性,同时,冲洗设备、心室辅助设备作为心室辅助***中最主要的部分,因此基于上述拟合结果所确定的目标状态变化量,能够准确地反映心室辅助***的当前***整体状态特性。因此,基于上述目标状态变化量所确定的目标偏差量能够适应于心室辅助***的当前***整体状态,从而实现冲洗设备的自适应控制。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (10)
1.一种心室辅助***的冲洗设备的自适应控制方法,其特征在于,应用于心室辅助***中的控制器,所述心室辅助***包括心室辅助设备、冲洗设备以及控制器,所述方法包括:
确定表征所述冲洗设备的出口压力的时序变化特性的压力变化曲线,并确定表征所述心室辅助设备的设备温度的时序变化特性的温度变化曲线;
对所述压力变化曲线与温度变化曲线进行拟合,基于拟合结果确定表征所述心室辅助***的***状态的时序变化特性的目标状态变化量;
按照预设的状态变化量与转速偏差量之间的对应关系,确定所述目标状态变化量所对应的转速偏差量,作为所述冲洗设备的当前转速的目标偏差量;
按照所述目标偏差量,调整所述冲洗设备的当前转速,以使得所述冲洗设备按照调整后的转速运行。
2.根据权利要求1所述的方法,其特征在于,所述对所述压力变化曲线与温度变化曲线进行拟合,基于拟合结果确定表征所述心室辅助***的***状态的时序变化特性的目标状态变化量,包括:
将所述压力变化曲线与温度变化曲线输入预先训练的状态预测模型,得到所述状态预测模型输出的状态变化量,作为表征所述心室辅助***的***状态的时序变化特性的目标状态变化量;
其中,所述状态预测模型包括曲线拟合子模型以及状态预测子模型,所述曲线拟合子模型用于对压力变化曲线与温度变化曲线进行拟合,并将拟合结果输入所述状态预测子模型,所述状态预测子模型用于基于拟合结果,预测所述心室辅助***的状态变化量。
3.根据权利要求2所述的方法,其特征在于,所述状态预测模型为按照以下方式训练得到的模型:
获取样本压力变化曲线与样本温度变化曲线,并获取样本心室辅助***的状态变化的实际状态变化量,其中,所述样本压力变化曲线表征样本心室辅助***中的样本冲洗设备的出口压力的时序变化特性,所述样本温度变化曲线表征样本心室辅助***中的样本心室辅助设备的设备温度的时序变化特性;
将所述样本压力变化曲线、样本温度变化曲线输入第一神经网络模型,得到第一神经网络模型输出的第一状态变化预测量,基于第一状态变化预测量与实际状态变化量之间的差距,调整所述第一神经网络模型中的第一子模型的模型参数,直至满足第一预设收敛条件,得到包含训练后第一子模型的第一神经网络模型,作为第二神经网络模型,其中,所述第一子模型用于拟合样本压力变化曲线与样本温度变化曲线;
将所述样本压力变化曲线、样本温度变化曲线输入所述第二神经网络模型,得到所述第二神经网络模型输出的第二状态变化预测量,基于第二状态变化预测量与实际状态变化量之间的差距,调整所述第二神经网络模型中的第二子模型的模型参数,直至满足第二预设收敛条件,得到包含训练后第二子模型的第二神经网络模型,作为状态预测模型,其中,所述第二子模型用于基于拟合结果预测***状态变化量。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述按照所述目标偏差量,调整所述冲洗设备的当前转速,包括:
判断所述目标偏差量是否大于预设偏差量阈值;
若为是,计算所述目标偏差量与预设偏差量阈值之间的差值,基于所述目标偏差量与差值,确定转速调整迭代次数;按照所述转速调整迭代次数,将所计算的差值确定为单次调整偏量,调整所述冲洗设备的当前转速;
若为否,计算所述目标偏差量与当前转速之间的和值,将计算得到的和值确定为调整后的当前转速。
5.一种心室辅助***的冲洗设备的自适应控制装置,其特征在于,应用于心室辅助***中的控制器,所述心室辅助***包括心室辅助设备、冲洗设备以及控制器,所述装置包括:
曲线确定模块,用于确定表征所述冲洗设备的出口压力的时序变化特性的压力变化曲线,并确定表征所述心室辅助设备的设备温度的时序变化特性的温度变化曲线;
状态确定模块,用于对所述压力变化曲线与温度变化曲线进行拟合,基于拟合结果确定表征所述心室辅助***的***状态的时序变化特性的目标状态变化量;
转速偏差确定模块,用于按照预设的状态变化量与转速偏差量之间的对应关系,确定所述目标状态变化量所对应的转速偏差量,作为所述冲洗设备的当前转速的目标偏差量;
设备控制模块,用于按照所述目标偏差量,调整所述冲洗设备的当前转速,以使得所述冲洗设备按照调整后的转速运行。
6.根据权利要求5所述的装置,其特征在于,所述状态确定模块,具体用于将所述压力变化曲线与温度变化曲线输入预先训练的状态预测模型,得到所述状态预测模型输出的状态变化量,作为表征所述心室辅助***的***状态的时序变化特性的目标状态变化量;其中,所述状态预测模型包括曲线拟合子模型以及状态预测子模型,所述曲线拟合子模型用于对压力变化曲线与温度变化曲线进行拟合,并将拟合结果输入所述状态预测子模型,所述状态预测子模型用于基于拟合结果,预测所述心室辅助***的状态变化量。
7.根据权利要求6所述的装置,其特征在于,所述状态确定模块,包括模型训练子模块,所述模型训练子模块,包括:
训练样本获取单元,用于获取样本压力变化曲线与样本温度变化曲线,并获取样本心室辅助***的状态变化的实际状态变化量,其中,所述样本压力变化曲线表征样本心室辅助***中的样本冲洗设备的出口压力的时序变化特性,所述样本温度变化曲线表征样本心室辅助***中的样本心室辅助设备的设备温度的时序变化特性;
第一模型训练单元,用于将所述样本压力变化曲线、样本温度变化曲线输入第一神经网络模型,得到第一神经网络模型输出的第一状态变化预测量,基于第一状态变化预测量与实际状态变化量之间的差距,调整所述第一神经网络模型中的第一子模型的模型参数,直至满足第一预设收敛条件,得到包含训练后第一子模型的第一神经网络模型,作为第二神经网络模型,其中,所述第一子模型用于拟合样本压力变化曲线与样本温度变化曲线;
第二模型训练单元,用于将所述样本压力变化曲线、样本温度变化曲线输入所述第二神经网络模型,得到所述第二神经网络模型输出的第二状态变化预测量,基于第二状态变化预测量与实际状态变化量之间的差距,调整所述第二神经网络模型中的第二子模型的模型参数,直至满足第二预设收敛条件,得到包含训练后第二子模型的第二神经网络模型,作为状态预测模型,其中,所述第二子模型用于基于拟合结果预测***状态变化量。
8.根据权利要求5-7中任一项所述的装置,其特征在于,所述设备控制模块,具体用于判断所述目标偏差量是否大于预设偏差量阈值;若为是,计算所述目标偏差量与预设偏差量阈值之间的差值,基于所述目标偏差量与差值,确定转速调整迭代次数;按照所述转速调整迭代次数,将所计算的差值确定为单次调整偏量,调整所述冲洗设备的当前转速;若为否,计算所述目标偏差量与当前转速之间的和值,将计算得到的和值确定为调整后的当前转速。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311542101.7A CN117244171B (zh) | 2023-11-20 | 2023-11-20 | 一种心室辅助***的冲洗设备的自适应控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311542101.7A CN117244171B (zh) | 2023-11-20 | 2023-11-20 | 一种心室辅助***的冲洗设备的自适应控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117244171A true CN117244171A (zh) | 2023-12-19 |
CN117244171B CN117244171B (zh) | 2024-03-12 |
Family
ID=89135462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311542101.7A Active CN117244171B (zh) | 2023-11-20 | 2023-11-20 | 一种心室辅助***的冲洗设备的自适应控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117244171B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140073837A1 (en) * | 2012-09-13 | 2014-03-13 | Circulite, Inc. | Blood flow system with variable speed control |
EP3081246A1 (de) * | 2015-04-13 | 2016-10-19 | Berlin Heart GmbH | Pumpe sowie verfahren zum betrieb einer pumpe für flüssigkeiten |
CN108136086A (zh) * | 2015-08-31 | 2018-06-08 | 柏林心脏有限公司 | 用于输送流体的泵以及用于确定流量的方法 |
CN108671296A (zh) * | 2018-05-25 | 2018-10-19 | 中国计量大学 | 一种多层级多目标左心室辅助血泵生理控制*** |
CN112791305A (zh) * | 2021-01-22 | 2021-05-14 | 苏州心擎医疗技术有限公司 | 血泵及其动力传递组件 |
CN114796848A (zh) * | 2022-04-19 | 2022-07-29 | 安徽通灵仿生科技有限公司 | 一种线性驱动结构、冲洗装置及心室辅助*** |
CN115138479A (zh) * | 2022-07-06 | 2022-10-04 | 西安热工研究院有限公司 | 湿式电除尘器的热风***的节能优化控制方法及装置 |
CN115459507A (zh) * | 2022-09-20 | 2022-12-09 | 安徽通灵仿生科技有限公司 | 导管泵电机 |
WO2023160564A1 (zh) * | 2022-02-23 | 2023-08-31 | 上海微创心力医疗科技有限公司 | 导管泵的温度控制方法、装置、控制设备和存储介质 |
CN116679778A (zh) * | 2023-05-06 | 2023-09-01 | 珠海视新内镜有限公司 | 腔内温度压力控制方法及其***、电子设备、存储介质 |
CN116954329A (zh) * | 2023-02-02 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 制冷***的状态调节方法、装置、设备、介质及程序产品 |
-
2023
- 2023-11-20 CN CN202311542101.7A patent/CN117244171B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140073837A1 (en) * | 2012-09-13 | 2014-03-13 | Circulite, Inc. | Blood flow system with variable speed control |
EP3081246A1 (de) * | 2015-04-13 | 2016-10-19 | Berlin Heart GmbH | Pumpe sowie verfahren zum betrieb einer pumpe für flüssigkeiten |
CN108136086A (zh) * | 2015-08-31 | 2018-06-08 | 柏林心脏有限公司 | 用于输送流体的泵以及用于确定流量的方法 |
CN108671296A (zh) * | 2018-05-25 | 2018-10-19 | 中国计量大学 | 一种多层级多目标左心室辅助血泵生理控制*** |
CN112791305A (zh) * | 2021-01-22 | 2021-05-14 | 苏州心擎医疗技术有限公司 | 血泵及其动力传递组件 |
WO2023160564A1 (zh) * | 2022-02-23 | 2023-08-31 | 上海微创心力医疗科技有限公司 | 导管泵的温度控制方法、装置、控制设备和存储介质 |
CN114796848A (zh) * | 2022-04-19 | 2022-07-29 | 安徽通灵仿生科技有限公司 | 一种线性驱动结构、冲洗装置及心室辅助*** |
CN115138479A (zh) * | 2022-07-06 | 2022-10-04 | 西安热工研究院有限公司 | 湿式电除尘器的热风***的节能优化控制方法及装置 |
CN115459507A (zh) * | 2022-09-20 | 2022-12-09 | 安徽通灵仿生科技有限公司 | 导管泵电机 |
CN116954329A (zh) * | 2023-02-02 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 制冷***的状态调节方法、装置、设备、介质及程序产品 |
CN116679778A (zh) * | 2023-05-06 | 2023-09-01 | 珠海视新内镜有限公司 | 腔内温度压力控制方法及其***、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117244171B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480028B (zh) | 磁盘可使用的剩余时长的获取方法及装置 | |
CN116370819B (zh) | 一种心室辅助装置的泵血流量估测方法及装置 | |
CN108989889B (zh) | 一种视频播放量预测方法、装置及电子设备 | |
CN116943015B (zh) | 一种心室辅助设备的控制方法及装置 | |
CN116077826B (zh) | 一种心室导管泵的转速控制方法及装置 | |
CN116870354A (zh) | 一种心室辅助设备的转速控制方法及装置 | |
CN111723901A (zh) | 神经网络模型的训练方法及装置 | |
CN113819636B (zh) | 辐射空调***的控制方法、装置及存储介质 | |
CN116492588B (zh) | 一种心室导管泵的位置检测方法及装置 | |
CN117323558B (zh) | 一种心室辅助设备的自适应控制方法及装置 | |
JP6955155B2 (ja) | 学習装置、学習方法及び学習プログラム | |
CN116370815B (zh) | 一种iabp球囊的充气时刻预测方法及装置 | |
CN117244171B (zh) | 一种心室辅助***的冲洗设备的自适应控制方法及装置 | |
CN115905960B (zh) | 一种基于心室辅助装置的不良事件检测方法及装置 | |
CN117258138B (zh) | 一种心室辅助***的冲洗设备的控制方法及装置 | |
CN108921207B (zh) | 一种超参数确定方法、装置及设备 | |
CN115463336A (zh) | 一种心室导管泵的监测方法及装置 | |
CN111368931B (zh) | 确定图像分类模型的学习率的方法 | |
CN113505859A (zh) | 模型训练方法及装置、图像识别方法及装置 | |
CN117159916A (zh) | 一种心室辅助设备的控制方法及装置 | |
CN111047042A (zh) | 一种推理服务模型的运行方法及装置 | |
CN117258137B (zh) | 一种心室导管泵的转速自适应控制方法及装置 | |
CN117298444B (zh) | 一种心室导管泵的控制方法及装置 | |
CN116628577B (zh) | 一种心室辅助设备的不良事件检测方法及装置 | |
US20150094575A1 (en) | Method and device for tracking contrast medium |
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 |