一种基于无创预测冠状动脉灌注压的心肺复苏系统及方法

1.本公开属于心肺复苏技术领域，具体涉及一种基于无创预测冠状动脉灌注压的心肺复苏系统及方法。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.心脏骤停是指心脏突然停止泵血，同时引起全身循环中断，呼吸和意识丧失的一种恶性疾病。心肺复苏(cardiopulmonary resuscitation,简称cpr)可以在患者心脏骤停时维持一定的血液循环，是心脏骤停的关键抢救方法。但是徒手胸外按压对施救人员的体力需求较大，且较难达到按压的标准要求。市面上的一些自动胸外按压仪虽然可以按照标准要求进行按压，但无法根据患者生理状况进行自适应的调整。


技术实现要素：

4.为了解决上述问题，本公开提出了一种基于无创预测冠状动脉灌注压的心肺复苏系统及方法，基于心电信号和脉搏信号预测冠状动脉灌注压(coronary perfusion pressure，简称cpp),根据所得到的冠状动脉灌注压预测值实时调节心肺复苏的按压深度，提高闭环自动胸外按压控制的鲁棒性和自适应性。
5.根据一些实施例，本公开的第一方案提供了一种冠状动脉灌注压的无创预测系统，采用如下技术方案：
6.一种冠状动脉灌注压的无创预测系统，包括：
7.获取模块，其被配置为获取心电信号和光电容积脉搏波信号；
8.提取模块，其被配置为基于离散小波变换对所获取的信号进行不同频带的分解，提取所获取信号的特征；
9.预测模块，其被配置为根据所提取的信号特征和冠状动脉灌注压，以信息复杂度为适应度函数，基于遗传算法构建无创预测模型，得到冠状动脉灌注压预测值，完成冠状动脉灌注压的无创预测。
10.作为进一步的技术限定，在所述提取模块中，通过离散小波变换，对所述获取模块所得到的信号进行不同频带的分解，分别计算不同频带的细节系数和信号特征，根据所得到的不同的细节系数得到不同频带的信号特征，完成所获取信号的特征提取。
11.作为进一步的技术限定，在所述预测模块中，实时监测有创动脉压和有创右房压，根据所监测的有创动脉压的波谷点的幅值与对应时刻的有创右房压，得到该时刻的冠状动脉灌注压，所得到的该时刻的冠状动脉灌注压为实时冠状动脉灌注压，根据所得到的实时冠状动脉灌注压进行无创预测模型的训练。
12.作为进一步的技术限定，在所述预测模块中，在每一次迭代过程中，计算种群的信息复杂度分数，结束标准为迭代次数达到设定值；迭代结束后，寻找迭代过程中信息复杂度
分数最小的种群，作为特征选择的结果。
13.进一步的，计算模型在测试集上的性能，使用平均绝对误差、均方误差、均方根误差、拟合优度以及信息复杂度分数；均绝对误差、均方误差和均方根误差越小，模型性能越优；拟合优度越接近1，模型性能越优；信息复杂度分数越小，模型性能越优。
14.进一步的，在模型训练过程中，每一次迭代都会有一个信息复杂度分数，在有限的迭代次数里，当模型的复杂度和预测精度达到相对平衡时，会出现信息复杂度的最小值；即得到信息复杂度的极小值。
15.根据一些实施例，本公开的第二方案提供了一种冠状动脉灌注压的无创预测方法，采用如下技术方案：
16.一种冠状动脉灌注压的无创预测方法，包括：
17.获取心电信号和光电容积脉搏波信号；
18.基于离散小波变换对所获取的信号进行不同频带的分解，提取所获取信号的特征；
19.根据所提取的信号特征和冠状动脉灌注压，以信息复杂度为适应度函数，基于遗传算法构建无创预测模型，得到冠状动脉灌注压预测值，完成冠状动脉灌注压的无创预测。
20.根据一些实施例，本公开的第三方案提供了一种基于无创预测冠状动脉灌注压的心肺复苏系统，采用如下技术方案：
21.一种基于无创预测冠状动脉灌注压的心肺复苏系统，包括：
22.冠状动脉灌注压的无创预测模块，其被配置为采用了如第一方案中所述的冠状动脉灌注压的无创预测系统，获取冠状动脉灌注压预测值；
23.控制模块，其被配置为根据所获取的冠状动脉灌注压预测值和冠状动脉灌注压，通过pid控制，调节优化按压参数；
24.心肺复苏模块，其被配置为根据所得到的按压参数，调节心肺复苏按压深度，完成心肺复苏的自适应调节。
25.作为进一步的技术限定，在所述控制模块中，将所得到的当前冠状动脉灌注压值与设定的冠状动脉灌注压标准值相减，得到当前误差；若pid控制器的输出为正，则控制心肺复苏仪的按压深度增大；若pid控制器的输出为负则控制按压深度减小，输出值越大，增大和减小速度越快，实现按压参数的调节。
26.作为进一步的技术限定，在所述心肺复苏模块中，根据实时预测的冠状动脉灌注压值与设定冠状动脉灌注压参考值之间的误差，结合pid控制器，自适应调节心肺复苏仪的按压深度，实现预测冠状动脉灌注压值与设定冠状动脉灌注压值的逐步趋近，完成自适应心肺复苏的调节。
27.与现有技术相比，本公开的有益效果为：
28.本公开使用基于机器学习的cpp预测模型，使用无创的心电信号(electrocardiogram,简称ecg)和光电容积脉搏波信号(photoplethysmography,简称ppg)信号预测cpp，进而实现按压深度和按压频率的深入指导，实现个体化按压。
29.本公开在cpp预测模型训练的过程中使用遗传算法(genetic algorithm,简称ga)和信息复杂度(information complexity,简称icomp)的混合机器学习模型选择特征，在降低模型复杂度的同时，保持较高的模型训练效果。
30.本公开在自适应调节心肺复苏的过程中，利用pid控制器，根据冠状动脉灌注压预测值自动调整自动胸外按压器的pid控制参数，使整个胸外按压闭环控制系统达到最佳的复苏效果。
附图说明
31.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
32.图1是本公开实施例一中的冠状动脉灌注压的无创预测系统的流程图；
33.图2是本公开实施例一中的遗传算法的流程图；
34.图3是本公开实施例一中的特征子集和模型选择过程的流程图；
35.图4是本公开实施例三中的基于无创预测冠状动脉灌注压的心肺复苏系统示意图；
36.图5是本公开实施例三中的心肺复苏的流程图；
37.图6是本公开实施例三中的pid控制系统的结构图；
38.其中，1、血氧饱和度探头；2、第一心电电极；3、第二心电电极；4、第三心电电极；5、第四心电电极；6、第五心电电极；7、自动胸外按压心肺复苏仪；8、生理信号监测装置；9、生理信号分析装置。
具体实施方式
39.下面结合附图与实施例对本公开作进一步说明。
40.应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
41.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
42.在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
43.本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本实公开中的具体含义，不能理解为对本公开的限制。
44.在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
45.实施例一
46.本公开实施例一介绍了一种冠状动脉灌注压的无创预测系统。
47.一种冠状动脉灌注压的无创预测系统，包括：
48.获取模块，其被配置为获取心电信号和光电容积脉搏波信号；
49.提取模块，其被配置为基于离散小波变换对所获取的信号进行不同频带的分解，提取所获取信号的特征；
50.预测模块，其被配置为根据所提取的信号特征和冠状动脉灌注压，以信息复杂度为适应度函数，基于遗传算法构建无创预测模型，得到冠状动脉灌注压预测值，完成冠状动脉灌注压的无创预测。
51.如图1所示，使用心电信号和脉搏波信号预测cpp：在获得ecg和ppg信号之后，对其进行预处理操作，提取特征；在进行特征选择之后进入已训练好的机器学习模型，最后输出预测的cpp结果，得到cpp预测值。
52.在本实施例中，采用离散小波变换(discrete wavelet transform，dwt)进行信号的特征提取。下面以ecg信号为例展开详细介绍：
53.dwt将一个平方可积的x(t)∈v0分解为详细的wj和近似的vj子级数。在这个框架中，投影到vj上的x(t)在尺度j上的近似信息记为:
[0054][0055]
其中，φ
j,p
是比例函数，a
j,p
＝《x(t),φ
j,p
(t)》被称为近似系数，其中《
·
》是内积算子。同样地，投影到wj上的x(t)在尺度j上的详细信息被定义为:
[0056][0057]
其中，被称为细节系数。设h(n)和g(n)分别为低通滤波器和高通滤波器，然后等式中定义的小波和尺度函数之间可写为：
[0058][0059][0060]
因此，dwt通过g(n)和h(n)将信号x(t)分解为近似系数a
j,p
(低频分量)和细节系数d
j,p
(高频分量)系数：
[0061][0062][0063]
在所提出的特征提取过程中，初始ecg信号被分为3秒段。经过划分过程后，通过dwt分解为高频带(细节系数，dj)和低频带(近似系数,aj)，直到第五级分解(j＝1,2,...，5)。因此，可以从每个层次上的这些子带中分别计算出许多显著的特征。
[0064]
在本实施例中，为减少数据冗余，所有的细节系数(dj，j＝1,2,...，5)和最后一个分解水平(第5级)的近似系数都被用于特征提取过程。每个子带可以分别计算出各种特征，如曲线长度，能量，最大值，最小值，中位数，平均值，熵，范围，峭度，偏度，趋势，过零点数等12个特征；可从第一个细节系数(d1)计算出来。这样，就可以从其他子带中计算出相同的特征。
[0065]
同样地，ppg可以通过上述过程类似的获取特征。
[0066]
对于预测模型的标签，使用通过abp信号和rap信号计算出的cpp值。找到每个片段的abp信号的波谷点，将该点的幅度值减去对应时间点的rap的值；每个片段的cpp值为计算出的cpp平均值；将该平均值作为预测模型的标签。通过分割数据进行交叉验证，之后进行特征子集和模型选择过程，最后根据计算出的icomp评分和其他性能指标选择最佳模型。
[0067]
信息复杂度标准icomp旨在惩罚处理评估估计参数之间相关性的复杂性增加，而不是仅仅惩罚不必要的参数。对于单变量和多变量模型，icomp的结构为：
[0068][0069]
其中，n是样本的数目，误差方差是由实际组标签和预测组标签之间的均方根误差来估计的(实际组标签为经过实验获得的cpp值，预测组标签为经过模型预测得到的cpp值，通过计算两者的均方根误差得到误差方差)，为模型参数向量的稳定和平滑凸和协方差矩阵的估计量：
[0070][0071][0072][0073]
其中，p是的秩，λi为的特征值，为平均值
[0074]
通过稳定和平滑凸和协方差矩阵的估计量，它能够克服病态协方差矩阵，除了选择最优核函数外，还能使误差最小化。
[0075]
为降低系统输入的维数和模型的复杂性，本实施例使用了一种新的特征子集选择方法，并将此过程集成到机器学习模型的训练过程中。基本上，所使用的特征子集选择方法是基于遗传算法ga，其中icomp作为适应度函数。
[0076]
ga根据每一代的种群大小产生一定数量的特征子集，这些子集的创建是通过使用一些特殊的操作符来执行的，如交叉、突变、迁移和选择；在与这些特征子集对应的数据集上估计机器学习模型。对具有不同特征子集的估计模型的性能进行了评分。这些分数显示了特征子集对拟合优度的贡献。此外，它们还可以用来在再生过程中为下一代创建新的特征子集。
[0077]
ga循环中的算子如图2所示，详细步骤为：
[0078]
a.随机创建一个初始种群，包括被称为染色体的特征子集，它只包含二进制数{0,1}。例如，如果特征fj包含在特征子集，则二进制数为1，否则为0。
[0079]
b.为所有的子集(染色体)分别训练任何机器学习模型，并根据icomp标准进行评分。
[0080]
c.将一些得分最高的有利子集(近1％)发送给下一代。
[0081]
d.利用启发式或随机算子，如随机普遍抽样，将所青睐的特征子集(父本)收集到交配池中。(此过程称为选择)
[0082]
e.将突变和交叉过程应用于选定的父本，并为下一代创建新的特征子集(子集)。(c，d和e阶段被称为繁殖过程)。
[0083]
f.如果满足其中一个停止标准，则终止该程序；否则，返回第三阶段。
[0084]
g.保持最佳功能。
[0085]
为保证获得最佳的特征子集和回归模型，本实施例中的过程可以重复多次。从本质上讲，具有特征选择的训练过程也可能估计一些备选模型。为在这些替代方案中选择最佳模型，可以考虑某些独特的性能统计，如平均绝对误差，均方误差，均方根误差和拟合优度，以及icomp标准和其他标准。特征子集和模型选择的流程图如图3所示。
[0086]
特征子集选择结束的标准是icomp分数出现极小值。模型选择标准是该模型在测试集上的性能最优；可以选择的模型包括支持向量回归(核函数有线性核、二次核、三次核、径向核以及高斯核)，集成学习(通过自适应增强(adaboost)与决策树和k近邻等弱学习器进行杂交)，以及逻辑回归。
[0087]
在每一次迭代过程中，计算种群的icomp分数，结束标准为迭代次数达到设定值。结束之后，寻找迭代过程中icomp分数最小的种群，作为特征选择的结果。
[0088]
计算模型在测试集上的性能，使用平均绝对误差，均方误差，均方根误差，拟合优度以及icomp分数。理论上讲，均绝对误差，均方误差和均方根误差越小，模型性能越优；拟合优度越接近1，模型性能越优；icomp分数越小，模型性能越优。由上述结果确定最优模型，作为模型选择的结果。
[0089]
本实施例在cpp预测模型训练的过程中使用遗传算法(genetic algorithm,简称ga)和信息复杂度(information complexity,简称icomp)的混合机器学习模型选择特征，在降低模型复杂度的同时，保持较高的模型训练效果。
[0090]
实施例二
[0091]
本公开实施例二介绍了一种冠状动脉灌注压的无创预测方法，采用了实施例一中所介绍的冠状动脉灌注压的无创预测系统。
[0092]
一种冠状动脉灌注压的无创预测方法，包括：
[0093]
获取心电信号和光电容积脉搏波信号；
[0094]
基于离散小波变换对所获取的信号进行不同频带的分解，提取所获取信号的特征；
[0095]
根据所提取的信号特征和实时冠状动脉灌注压，以信息复杂度为适应度函数，基于遗传算法构建无创预测模型，得到冠状动脉灌注压预测值，完成冠状动脉灌注压的无创预测。
[0096]
详细步骤与实施例一提供的冠状动脉灌注压的无创预测系统相同，在此不再赘述。
[0097]
实施例三
[0098]
本公开实施例三介绍了一种基于无创预测冠状动脉灌注压的心肺复苏系统。
[0099]
一种基于无创预测冠状动脉灌注压的心肺复苏系统，其特征在于，包括：
[0100]
冠状动脉灌注压的无创预测模块，其被配置为采用了实施例一中的冠状动脉灌注压的无创预测系统，获取冠状动脉灌注压预测值；
[0101]
控制模块，其被配置为根据所获取的冠状动脉灌注压预测值和实时冠状动脉灌注压，通过pid控制，调节优化按压参数；
[0102]
心肺复苏模块，其被配置为根据所得到的按压参数，调节心肺复苏按压深度，完成
心肺复苏的自适应调节。
[0103]
如图4所示，本实施例通过血氧饱和度探头1实时监测患者的血氧饱和度，在第一心电电极2、第二心电电极3、第三心电电极4、第四心电电极5和第五心电电极6的作用下获取abp和rap,通过生理信号监测装置8获取光电容积脉搏波信号和心电信号；在生理信号分析装置9的作用下基于实时ecg和ppg信号，通过预测模型获取的cpp值来判断按压质量并反馈至心肺复苏仪。
[0104]
如图5所示，在发现患者之后，对患者进行心律监测，若患者心律正常，即无需对患者进行操作；若患者心律异常，将心肺复苏仪放置在患者身上，并启动。在整个心肺复苏过程中，实时监测患者的生理信号，通过预测模型获取cpp值，通过pid控制系统调节按压参数，直至患者成功复苏。
[0105]
本实施例采用pid控制系统对按压深度进行自动闭环控制调节，如图6所示，通过pid系统的输出u(t)调节心肺复苏仪的按压深度d(t)，调整按压深度，从而调整生理状态，形成自适应心肺复苏系统，可最大限度地提高闭环自动胸外按压控制的鲁棒性和自适应性；在获得当前cpp值c(t)后，与设定的cpp标准值r(t)相减，得到当前误差e(t)，pid控制器的输出u(t)为正控制心肺复苏仪的按压深度d(t)增大；为负则控制按压深度减小。
[0106]
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
[0107]
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

技术特征：
1.一种冠状动脉灌注压的无创预测系统，其特征在于，包括：获取模块，其被配置为获取心电信号和光电容积脉搏波信号；提取模块，其被配置为基于离散小波变换对所获取的信号进行不同频带的分解，提取所获取信号的特征；预测模块，其被配置为根据所提取的信号特征和冠状动脉灌注压，以信息复杂度为适应度函数，基于遗传算法构建无创预测模型，得到冠状动脉灌注压预测值，完成冠状动脉灌注压的无创预测。2.如权利要求1中所述的冠状动脉灌注压的无创预测系统，其特征在于，在所述提取模块中，通过离散小波变换，对所述获取模块所得到的信号进行不同频带的分解，分别计算不同频带的细节系数和信号特征，根据所得到的不同的细节系数得到不同频带的信号特征，完成所获取信号的特征提取。3.如权利要求1中所述的冠状动脉灌注压的无创预测系统，其特征在于，在所述预测模块中，实时监测有创动脉压和有创右房压，根据所监测的有创动脉压的波谷点的幅值与对应时刻的有创右房压，得到该时刻的冠状动脉灌注压，所得到的该时刻的冠状动脉灌注压为实时冠状动脉灌注压，根据所得到的实时冠状动脉灌注压进行无创预测模型的训练。4.如权利要求1中所述的冠状动脉灌注压的无创预测系统，其特征在于，在所述预测模块中，在每一次迭代过程中，计算种群的信息复杂度分数，结束标准为迭代次数达到设定值；迭代结束后，寻找迭代过程中信息复杂度分数最小的种群，作为特征选择的结果。5.如权利要求4中所述的冠状动脉灌注压的无创预测系统，其特征在于，计算模型在测试集上的性能，使用平均绝对误差、均方误差、均方根误差、拟合优度以及信息复杂度分数；均绝对误差、均方误差和均方根误差越小，模型性能越优；拟合优度越接近1，模型性能越优；信息复杂度分数越小，模型性能越优。6.如权利要求4中所述的冠状动脉灌注压的无创预测系统，其特征在于，在模型训练过程中，每一次迭代都会有一个信息复杂度分数，在有限的迭代次数里，当模型的复杂度和预测精度达到相对平衡时，会出现信息复杂度的最小值；即得到信息复杂度的极小值。7.一种冠状动脉灌注压的无创预测方法，其特征在于，包括：获取心电信号和光电容积脉搏波信号；基于离散小波变换对所获取的信号进行不同频带的分解，提取所获取信号的特征；根据所提取的信号特征和冠状动脉灌注压，以信息复杂度为适应度函数，基于遗传算法构建无创预测模型，得到冠状动脉灌注压预测值，完成冠状动脉灌注压的无创预测。8.一种基于无创预测冠状动脉灌注压的心肺复苏系统，其特征在于，包括：冠状动脉灌注压的无创预测模块，其被配置为采用了如权利要求1-6中任一项所述的冠状动脉灌注压的无创预测系统，获取冠状动脉灌注压预测值；控制模块，其被配置为根据所获取的冠状动脉灌注压预测值和冠状动脉灌注压，通过pid控制，调节优化按压参数；心肺复苏模块，其被配置为根据所得到的按压参数，调节心肺复苏按压深度，完成心肺复苏的自适应调节。9.如权利要求8中所述的基于无创预测冠状动脉灌注压的心肺复苏系统，在所述控制模块中，将所得到的当前冠状动脉灌注压值与设定的冠状动脉灌注压标准值相减，得到当
前误差；若pid控制器的输出为正，则控制心肺复苏仪的按压深度增大；若pid控制器的输出为负则控制按压深度减小，输出值越大，增大和减小速度越快，实现按压参数的调节。10.如权利要求8中所述的基于无创预测冠状动脉灌注压的心肺复苏系统，其特征在于，在所述心肺复苏模块中，根据实时预测的冠状动脉灌注压值与设定冠状动脉灌注压参考值之间的误差，结合pid控制器，自适应调节心肺复苏仪的按压深度，实现预测冠状动脉灌注压值与设定冠状动脉灌注压值的逐步趋近，完成自适应心肺复苏的调节。

技术总结
本公开属于心肺复苏技术领域，具体涉及一种基于无创预测冠状动脉灌注压的心肺复苏系统及方法，包括：获取模块，其被配置为获取心电信号和光电容积脉搏波信号；提取模块，其被配置为基于离散小波变换对所获取的信号进行不同频带的分解，提取所获取信号的特征；预测模块，其被配置为根据所提取的信号特征和实时冠状动脉灌注压，以信息复杂度为适应度函数，基于遗传算法构建无创预测模型，得到冠状动脉灌注压预测值，完成冠状动脉灌注压的无创预测。本公开基于心电信号和脉搏信号预测冠状动脉灌注压,根据所得到的冠状动脉灌注压预测值实时调节心肺复苏的按压深度，提高闭环自动胸外按压控制的鲁棒性和自适应性。按压控制的鲁棒性和自适应性。按压控制的鲁棒性和自适应性。


技术研发人员：李可 陈淑鑫 陈玉国 徐峰 王甲莉 潘畅 庞佼佼 边圆 蒋丽军 徐凤阳
受保护的技术使用者：山东大学齐鲁医院
技术研发日：2023.02.28
技术公布日：2023/7/19