基于深度学习的心血管血流动力学参数反演

R318.01; 考虑现有血流动力学参数反演方法在实际应用中存在计算量大、迭代易发散等问题,提出一种新的基于深度学习的心血管血流动力学参数反演方法.首先建立一维-零维耦合的多尺度血流动力学模型;随后基于卷积神经网络和全连接神经网络提出一种用于参数反演的混合多源输入深度网络模型;针对测量波形中的噪声干扰问题,提出一种同时利用多个深度网络的集成网络模型以提高反演精度.在参数灵敏度分析的基础上,对所提方法进行参数反演实验,研究在不同噪声水平下的反演精度,并与卡尔曼滤波法进行比较.结果表明,血压与血流波形的预测误差显著低于已有方法.所提方法能够准确高效地实现心血管模型参数反演,具有较好的应用前景....

Full description

Saved in:
Bibliographic Details
Published in东南大学学报（自然科学版） Vol. 52; no. 2; pp. 394 - 401
Main Authors 周阳, 潘怡, 崔畅, 陈明龙, 孙蓓蓓
Format Journal Article
LanguageChinese
Published 东南大学机械工程学院,南京211189%南京医科大学第一附属医院心血管内科,南京210029 20.03.2022
Subjects
心血管;血流动力学;参数反演;深度学习;集成网络模型
Online AccessGet full text
ISSN1001-0505
DOI10.3969/j.issn.1001-0505.2022.02.023

Cover

More Information
Summary:R318.01; 考虑现有血流动力学参数反演方法在实际应用中存在计算量大、迭代易发散等问题,提出一种新的基于深度学习的心血管血流动力学参数反演方法.首先建立一维-零维耦合的多尺度血流动力学模型;随后基于卷积神经网络和全连接神经网络提出一种用于参数反演的混合多源输入深度网络模型;针对测量波形中的噪声干扰问题,提出一种同时利用多个深度网络的集成网络模型以提高反演精度.在参数灵敏度分析的基础上,对所提方法进行参数反演实验,研究在不同噪声水平下的反演精度,并与卡尔曼滤波法进行比较.结果表明,血压与血流波形的预测误差显著低于已有方法.所提方法能够准确高效地实现心血管模型参数反演,具有较好的应用前景.
ISSN:1001-0505
DOI:10.3969/j.issn.1001-0505.2022.02.023