1.本技术涉及中心动脉压领域，具体而言，涉及一种获取中心动脉压的方法、装置、计算机可读存储介质与处理器。
背景技术：
2.现有技术中由外周动脉压预测中心动脉压使用最广泛的方法是通用传递函数法(gtf)，该方法基于大样本的统计平均，得出外周动脉压和中心动脉压之间的通用传递函数。然而，由于通用传递函数是基于统计平均的，因此该方法对样本数据量和样本分布情况具有依赖性，并且通用传递函数无法有效考虑不同个体之间的差异性，难以给出高精度的预测结果。
技术实现要素：
3.本技术的主要目的在于提供一种获取中心动脉压的方法、装置、计算机可读存储介质与处理器，以解决现有技术中采用通用传递函数法预测得到的中心动脉压精度较低的问题。
4.为了实现上述目的，根据本技术的一个方面，提供了一种获取中心动脉压的方法，包括：采用人工智能算法构建计算模型；采用无创测量的方法，获取待测试者的外周动脉压波形；将所述待测试者的外周动脉压波形，输入至所述计算模型中进行计算，输出所述待测试者的中心动脉压波形。
5.可选地，采用人工智能算法构建计算模型，包括：构建数据集，所述数据集包括虚拟测试者的外周动脉特征量和所述虚拟测试者的中心动脉特征量；将所述虚拟测试者的外周动脉特征量作为输入特征，所述虚拟测试者的中心动脉特征量作为输出特征进行训练，得到所述计算模型。
6.可选地，将所述待测试者的外周动脉压波形，输入至所述计算模型中进行计算，输出所述待测试者的中心动脉压波形，包括：从所述待测试者的外周动脉压波形中，提取出所述待测试者的外周动脉特征量；将所述外周动脉特征量输入至所述计算模型中进行计算，输出所述待测试者的中心动脉特征量；至少根据所述待测试者的中心动脉特征量，求解windkessel模型方程；根据所述windkessel模型方程，求解出所述待测试者的中心动脉压波形。
7.可选地，所述虚拟测试者的外周动脉特征量包括外周动脉收缩压、外周动脉舒张压和外周动脉平均压，所述虚拟测试者的中心动脉特征量包括中心动脉流量参量，至少根据所述待测试者的中心动脉特征量，求解windkessel模型方程，包括：至少根据所述待测试者的外周动脉收缩压、外周动脉舒张压和外周动脉平均压，计算出三元素windkessel模型方程中的预设参数；根据所述待测试者的中心动脉流量参量，构造出中心动脉流量模型；根据所述预设参数和所述中心动脉流量模型，求解出所述三元素windkessel模型方程。
8.可选地，所述虚拟测试者的外周动脉特征量包括外周动脉收缩压、外周动脉舒张
压和外周动脉平均压，所述虚拟测试者的中心动脉特征量包括中心动脉流量参量和中心动脉收缩压、中心动脉舒张压和中心动脉平均压，至少根据所述待测试者的中心动脉特征量，求解windkessel模型方程，包括：根据所述待测试者的中心动脉流量参量，构造出中心动脉流量模型；根据所述中心动脉流量模型、所述待测试者的中心动脉收缩压、所述待测试者的中心动脉舒张压和所述待测试者的中心动脉平均压，计算出六元素windkessel模型方程。
9.可选地，所述数据集还包括真实测试者的外周动脉特征量和所述真实测试者的中心动脉特征量。
10.可选地，所述数据集还包括随机噪声。
11.根据本技术的另一个方面，提供了一种获取中心动脉压的装置，包括：构建单元，用于采用人工智能算法构建计算模型；获取单元，用于采用无创测量的方法，获取待测试者的外周动脉压波形；计算单元，用于将所述待测试者的外周动脉压波形，输入至所述计算模型中进行计算，输出所述待测试者的中心动脉压波形。
12.根据本技术的又一个方面，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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
13.根据本技术的再一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的方法。
14.应用本技术的技术方案，通过采用人工智能算法构建精确的计算模型，采用无创测量的方法获取待测试者的外周动脉压波形，然后将待测试者的外周动脉压波形输入至计算模型中进行计算，输出待测试者的中心动脉压波形。实现了由外周动脉压波形确定中心动脉压波形，且计算模型的准确性保证了中心动脉压波形的准确性。本方案相较于通用传递函数法考虑到了个体之间的差异性。且本方案实现了对中心动脉压波形的无创测量。另外，本方案相对于一维动脉模型计算出中心动脉压的方案，无需多次求解一维模型来调整敏感参数，节省了大量的时间。
附图说明
15.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
16.图1示出了根据本技术的实施例的获取中心动脉压的方法流程图；
17.图2示出了根据本技术的实施例的获取中心动脉压的装置示意图；
18.图3示出了根据本技术的实施例的一种具体的预测中心动脉压的方法流程图；
19.图4示出了根据本技术的实施例的血压波形特征示意图；
20.图5示出了根据本技术的实施例的血压波形的时间特征；
21.图6示出了根据本技术的实施例的三元素windkessel模型示意图；
22.图7示出了根据本技术的实施例的采用三元素windkessel模型预测结果图；
23.图8示出了根据本技术的实施例的另一种具体的预测中心动脉压的方法流程图；
24.图9示出了根据本技术的实施例的六元素windkessel模型示意图；
25.图10示出了根据本技术的实施例的采用六元素windkessel模型预测结果图。
具体实施方式
26.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
27.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
28.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
29.应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
30.正如背景技术中所介绍的，现有技术中采用通用传递函数法预测得到的中心动脉压精度较低，为解决如上采用通用传递函数法预测得到的中心动脉压精度较低的问题，本技术的实施例提供了一种获取中心动脉压的方法、装置、计算机可读存储介质与处理器。
31.根据本技术的实施例，提供了一种获取中心动脉压的方法。
32.图1是根据本技术实施例的获取中心动脉压的方法的流程图。如图1所示，该方法包括以下步骤：
33.步骤s101，采用人工智能算法构建计算模型；
34.步骤s102，采用无创测量的方法，获取待测试者的外周动脉压波形；
35.步骤s103，将上述待测试者的外周动脉压波形，输入至上述计算模型中进行计算，输出上述待测试者的中心动脉压波形。
36.具体地，可以采用无创血压测量仪器获取待测试者的外周动脉压波形。
37.上述方案中，通过采用人工智能算法构建精确的计算模型，采用无创测量的方法获取待测试者的外周动脉压波形，然后将待测试者的外周动脉压波形输入至计算模型中进行计算，输出待测试者的中心动脉压波形。实现了由外周动脉压波形确定中心动脉压波形，且计算模型的准确性保证了中心动脉压波形的准确性。本方案相较于通用传递函数法考虑到了个体之间的差异性。且本方案实现了对中心动脉压波形的无创测量。另外，本方案相对于一维动脉模型计算出中心动脉压的方案，无需多次求解一维模型来调整敏感参数，节省了大量的时间。
38.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
39.本技术的一种实施例中，采用人工智能算法构建计算模型，包括：构建数据集，上述数据集包括虚拟测试者的外周动脉特征量和上述虚拟测试者的中心动脉特征量；将上述虚拟测试者的外周动脉特征量作为输入特征，上述虚拟测试者的中心动脉特征量作为输出特征进行训练，得到上述计算模型。即将虚拟测试者的外周动脉特征量作为输入特征，虚拟测试者的中心动脉特征量作为输出特征进行训练，得到计算模型。
40.具体地，虚拟测试者是指不是真实存在的测试者，是与真实测试者相对的概念。具体地，基于计算流体力学模型构造虚拟测试者。更为具体地，构建人体动脉网络结构(例如55段人体动脉网络结构)，基于人体动脉网络结构构建计算流体力学模型，进而根据计算流体力学模型构造虚拟测试者。
41.本技术的一种实施例中，将上述待测试者的外周动脉压波形，输入至上述计算模型中进行计算，输出上述待测试者的中心动脉压波形，包括：从上述待测试者的外周动脉压波形中，提取出上述待测试者的外周动脉特征量；将上述外周动脉特征量输入至上述计算模型中进行计算，输出上述待测试者的中心动脉特征量；至少根据上述待测试者的中心动脉特征量，求解windkessel模型方程；根据上述windkessel模型方程，求解出上述待测试者的中心动脉压波形。由于计算模型是采用虚拟测试者的外周动脉特征量和虚拟测试者的中心动脉特征量训练得到的，所以将待测试者的外周动脉特征量输入至计算模型中，进行计算，输出待测试者的中心动脉特征量。再根据待测试者的中心动脉特征量计算得到windkessel模型方程。进而根据windkessel模型方程求解出上述待测试者的中心动脉压波形。也就是说，利用计算模型的输出求解出了windkessel模型方程，进而根据windkessel模型方程求解出待测试者的中心动脉压波形。
42.本技术的一种实施例中，上述虚拟测试者的外周动脉特征量包括外周动脉收缩压、外周动脉舒张压和外周动脉平均压，上述虚拟测试者的中心动脉特征量包括中心动脉流量参量，至少根据上述待测试者的中心动脉特征量，求解windkessel模型方程，包括：至少根据上述待测试者的外周动脉收缩压、外周动脉舒张压和外周动脉平均压，计算出三元素windkessel模型方程中的预设参数；根据上述待测试者的中心动脉流量参量，构造出中心动脉流量模型；根据上述预设参数和上述中心动脉流量模型，求解出上述三元素windkessel模型方程。其中，中心动脉流量参量包括每分钟的心输出量和流量达到峰值的时间，三元素windkessel模型方程中的预设参数包括r_t、c_t、z_0、p_out，根据三元素windkessel模型方程中的预设参数和中心动脉流量模型可以求解出三元素windkessel模型方程。进而根据三元素windkessel模型方程求解出待测试者的中心动脉压波形。即结合计算模型和windkessel模型方程实现了对中心动脉压波形的精准预测。
43.本技术的一种实施例中，上述虚拟测试者的外周动脉特征量包括外周动脉收缩压、外周动脉舒张压和外周动脉平均压，上述虚拟测试者的中心动脉特征量包括中心动脉流量参量和中心动脉收缩压、中心动脉舒张压和中心动脉平均压，至少根据上述待测试者的中心动脉特征量，求解windkessel模型方程，包括：根据上述待测试者的中心动脉流量参量，构造出中心动脉流量模型；根据上述中心动脉流量模型、上述待测试者的中心动脉收缩压、上述待测试者的中心动脉舒张压和上述待测试者的中心动脉平均压，计算出六元素windkessel模型方程。待测试者的中心动脉流量参量包括每分钟的心输出量和流量达到峰值的时间。
44.具体地，根据上述中心动脉流量模型、上述待测试者的中心动脉收缩压、上述待测试者的中心动脉舒张压和上述待测试者的中心动脉平均压，计算出六元素windkessel模型方程中的r0、c0、l1、r1、c1和rs的范围和初始值，进而根据上述中心动脉流量模型、上述待测试者的中心动脉收缩压、上述待测试者的中心动脉舒张压和上述待测试者的中心动脉平均压，不断地优化六元素windkessel模型方程(可采用最小二乘算法进行优化)，找出采用优化后的六元素windkessel模型方程确定出的中心动脉压波形和待测试者的血压特征最为一致时的参数，采用该参数确定的压力波形即为最终的待测试者的中心动脉压波形。其中，待测试者的血压特征包括表2第2列中的收缩压、舒张压、平均压和下降期的时间等特征，当然，也可以包括除表2第2列中的特征以外的与待测试者的中心动脉有关的特征，表2只是示例性的。
45.本技术的一种实施例中，上述数据集还包括真实测试者的外周动脉特征量和上述真实测试者的中心动脉特征量。采用包括真实测试者的外周动脉特征量、真实测试者的中心动脉特征量、虚拟测试者的外周动脉特征量和所述虚拟测试者的中心动脉特征量构成的数据集，使得训练得到的计算模型更为准确。
46.本技术的一种实施例中，上述数据集还包括随机噪声。在虚拟测试者的外周动脉特征量和所述虚拟测试者的中心动脉特征量中添加随机噪声，使得虚拟测试者的数据更接近真实测试者。进一步地保证了计算模型的准确性。
47.本技术实施例还提供了一种获取中心动脉压的装置，需要说明的是，本技术实施例的获取中心动脉压的装置可以用于执行本技术实施例所提供的用于获取中心动脉压的方法。以下对本技术实施例提供的获取中心动脉压的装置进行介绍。
48.图2是根据本技术实施例的获取中心动脉压的装置的示意图。如图2所示，该装置包括：
49.构建单元10，用于采用人工智能算法构建计算模型；
50.获取单元20，用于采用无创测量的方法，获取待测试者的外周动脉压波形；
51.计算单元30，用于将上述待测试者的外周动脉压波形，输入至上述计算模型中进行计算，输出上述待测试者的中心动脉压波形。
52.上述方案中，构建单元采用人工智能算法构建精确的计算模型，获取单元采用无创测量的方法获取待测试者的外周动脉压波形，计算单元将待测试者的外周动脉压波形输入至计算模型中进行计算，输出待测试者的中心动脉压波形。实现了由外周动脉压波形确定中心动脉压波形，且计算模型的准确性保证了中心动脉压波形的准确性。本方案相较于通用传递函数法考虑到了个体之间的差异性。且本方案实现了对中心动脉压波形的无创测量。
53.本技术的一种实施例中，构建单元包括构建模块和训练模块，构建模块用于构建数据集，上述数据集包括虚拟测试者的外周动脉特征量和上述虚拟测试者的中心动脉特征量；训练模块用于将上述虚拟测试者的外周动脉特征量作为输入特征，上述虚拟测试者的中心动脉特征量作为输出特征进行训练，得到上述计算模型。即将虚拟测试者的外周动脉特征量作为输入特征，虚拟测试者的中心动脉特征量作为输出特征进行训练，得到计算模型。
54.本技术的一种实施例中，计算单元包括提取模块、计算模块、第一求解模块和第二
求解模块，提取模块用于从上述待测试者的外周动脉压波形中，提取出上述待测试者的外周动脉特征量；计算模块用于将上述外周动脉特征量输入至上述计算模型中进行计算，输出上述待测试者的中心动脉特征量；第一求解模块用于至少根据上述待测试者的中心动脉特征量，求解windkessel模型方程；第二求解模块用于根据上述windkessel模型方程，求解出上述待测试者的中心动脉压波形。由于计算模型是采用虚拟测试者的外周动脉特征量和虚拟测试者的中心动脉特征量训练得到的，所以将待测试者的外周动脉特征量输入至计算模型中，进行计算，输出待测试者的中心动脉特征量。再根据待测试者的中心动脉特征量计算得到windkessel模型方程。进而根据windkessel模型方程求解出上述待测试者的中心动脉压波形。也就是说，利用计算模型的输出求解出了windkessel模型方程，进而根据windkessel模型方程求解出待测试者的中心动脉压波形。本方案中的windkessel模型方程的计算量远小于一维动脉模型，能显著降低计算中心动脉压波形所需的时间。
55.本技术的一种实施例中，上述虚拟测试者的外周动脉特征量包括外周动脉收缩压、外周动脉舒张压和外周动脉平均压，上述虚拟测试者的中心动脉特征量包括中心动脉流量参量，第一求解模块包括第一计算子模块、第一构造子模块和求解子模块，第一计算子模块用于至少根据上述待测试者的外周动脉收缩压、外周动脉舒张压和外周动脉平均压，计算出三元素windkessel模型方程中的预设参数；第一构造子模块用于根据上述待测试者的中心动脉流量参量，构造出中心动脉流量模型；求解子模块用于根据上述预设参数和上述中心动脉流量模型，求解出上述三元素windkessel模型方程。其中，中心动脉流量参量包括每分钟的心输出量和流量达到峰值的时间，三元素windkessel模型方程中的预设参数包括r_t、c_t、z_0、p_out，根据三元素windkessel模型方程中的预设参数和中心动脉流量模型可以求解出三元素windkessel模型方程。进而根据三元素windkessel模型方程求解出待测试者的中心动脉压波形。即结合计算模型和windkessel模型方程实现了对中心动脉压波形的精准预测。
56.本技术的一种实施例中，上述虚拟测试者的外周动脉特征量包括外周动脉收缩压、外周动脉舒张压和外周动脉平均压，上述虚拟测试者的中心动脉特征量包括中心动脉流量参量和中心动脉收缩压、中心动脉舒张压和中心动脉平均压，第一求解模块包括第二构造子模块和第二计算子模块，第二构造子模块用于根据上述待测试者的中心动脉流量参量，构造出中心动脉流量模型；第二计算子模块用于根据上述中心动脉流量模型、上述待测试者的中心动脉收缩压、上述待测试者的中心动脉舒张压和上述待测试者的中心动脉平均压，计算出六元素windkessel模型方程。待测试者的中心动脉流量参量包括每分钟的心输出量和流量达到峰值的时间。
57.所述获取中心动脉压的装置包括处理器和存储器，上述构建单元、获取单元和计算单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
58.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现对中心动脉压的精确确定。
59.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
60.本发明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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行所述获取中心动脉压的方法。
61.本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述获取中心动脉压的方法。
62.本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
63.步骤s101，采用人工智能算法构建计算模型；
64.步骤s102，采用无创测量的方法，获取待测试者的外周动脉压波形；
65.步骤s103，将上述待测试者的外周动脉压波形，输入至上述计算模型中进行计算，输出上述待测试者的中心动脉压波形。
66.本文中的设备可以是服务器、pc、pad、手机等。
67.本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
68.步骤s101，采用人工智能算法构建计算模型；
69.步骤s102，采用无创测量的方法，获取待测试者的外周动脉压波形；
70.步骤s103，将上述待测试者的外周动脉压波形，输入至上述计算模型中进行计算，输出上述待测试者的中心动脉压波形。
71.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
72.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
73.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
74.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
75.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
76.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
77.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
78.还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
79.实施例1
80.本实施例涉及一种具体的预测中心动脉压的方法，如图3所示，包括如下步骤：
81.步骤1)：从数据集中提取每个虚拟测试者的外周动脉特征量和中心动脉的特征量，具体表1所示；
82.步骤2)：利用步骤1)得到的数据集，构建人工智能模型，训练得到中心动脉流量参数的计算模型；
83.步骤3)：从待测试者无创测量的外周动脉压力波形中提取表1中的输入特征，通过经验公式(即图3中的近似公式)计算三元素windkessel模型中的参数r
t
、c
t
、z0和p
out
，三元素windkessel模型如图6所示，本实施例中的近似公式的计算量远小于一维动脉模型的计算量，能显著降低计算中心动脉压波形所需的时间；
84.步骤4)：利用步骤2)获得的计算模型计算出中心动脉的流量参数，进而构造流量模型，一个可用的流量模型为：
[0085][0086]
其中co是每分钟的心输出量，hr是心率，t是心动周期，τ是流量达到峰值的时间。
[0087]
需要说明的是，待测试者的每分钟的心输出量(血流量)不仅可以通过中心动脉流量参数的计算模型计算得到。在某些场景下，可以通过核磁、超声等手段直接测量得到血流量，而不使用模型进行预测，该方法对于个体而言更为准确。
[0088]
步骤5)：基于步骤3)中得到的三元素windkessel模型参数和步骤4)得出的中心动脉流量波形，通过求解三元素windkessel模型方程，得出中心动脉压波形。
[0089]
该实施例的一个示例结果如图7所示，其中3wk为三元素windkessel模型得出的中心动脉压波形，true为真实的中心动脉压波形。
[0090]
表1三元素windkessel模型特征
[0091]
[0092][0093]
实施例2
[0094]
本实施例涉及另一种具体的预测中心动脉压的方法，如图8所示，包括如下步骤：
[0095]
步骤1)：从数据集中提取每个虚拟测试者的外周动脉特征量和中心动脉的特征量，具体表2所示；
[0096]
步骤2)利用步骤1)得到的数据集，构建人工智能模型，训练得到中心动脉流量参数和血压波形特征的计算模型；
[0097]
步骤3)：从测试者无创测量的外周动脉压力波形中提取表2中的输入特征；
[0098]
步骤4)：使用步骤2)所得的模型和步骤3)中得到的输入特征数据，计算出中心动脉流量参数和血压特征数据；
[0099]
步骤5)：利用步骤4)获得的模型计算出中心动脉的流量参数，进而构造流量模型，一个可用的流量模型为：
[0100][0101]
其中co是每分钟的心输出量，hr是心率，t是心动周期，τ是流量达到峰值的时间。
[0102]
需要说明的是，待测试者的每分钟的心输出量(血流量)不仅可以通过中心动脉流量参数的计算模型计算得到。在某些场景下，可以通过核磁、超声等手段直接测量得到血流量，而不使用模型进行预测，该方法对于个体而言更为准确。
[0103]
步骤6)：基于步骤4)计算出的中心动脉压特征数据和步骤5)得出的流量波形数据，推算出六元素windkessel模型中参数r0，c0，l1，r1，c1和rs的范围和初始值，六元素windkessel模型如图9所示；
[0104]
步骤7)：基于步骤4)中的血压特征数据和步骤5)得出的流量波形数据，以及步骤6)得出的参数范围和初始值，使用优化算法(例如最小二乘法)求解六元素windkessel模型方程，计算出使得windkessel模型所确定的中心动脉压波形和血压特征最一致的参数，该最优参数所确定压力波形即为最终的中心动脉压波形。
[0105]
该实施例的一个示例结果如图10，其中6wk为六元素windkessel模型得出的中心动脉压，true为真实的中心动脉压。
[0106]
表2六元素windkessel模型特征
[0107][0108][0109]
从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
[0110]
1)、本技术的获取中心动脉压的方法，通过采用人工智能算法构建精确的计算模型，采用无创测量的方法获取待测试者的外周动脉压波形，然后将待测试者的外周动脉压波形输入至计算模型中进行计算，输出待测试者的中心动脉压波形。实现了由外周动脉压波形确定中心动脉压波形，且计算模型的准确性保证了中心动脉压波形的准确性。本方案
相较于通用传递函数法考虑到了个体之间的差异性。且本方案实现了对中心动脉压波形的无创测量。另外，本方案相对于一维动脉模型计算出中心动脉压的方案，无需多次求解一维模型来调整敏感参数，节省了大量的时间。
[0111]
2)、本技术的获取中心动脉压的装置，构建单元采用人工智能算法构建精确的计算模型，获取单元采用无创测量的方法获取待测试者的外周动脉压波形，计算单元将待测试者的外周动脉压波形输入至计算模型中进行计算，输出待测试者的中心动脉压波形。实现了由外周动脉压波形确定中心动脉压波形，且计算模型的准确性保证了中心动脉压波形的准确性。本方案相较于通用传递函数法考虑到了个体之间的差异性。且本方案实现了对中心动脉压波形的无创测量。
[0112]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
转载请注明原文地址:https://doc.8miu.com/read-1050090.html
