基于数字孪生的适形超声生命体可视化监测方法及系统

技术领域

本公开涉及超声传感监测技术领域，具体涉及基于数字孪生的适形超声生命体可视化传感与监测方法及系统。

背景技术

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。

急性冠状动脉综合征和急性脑血管病，是供应心、脑的血流突然大幅度降低所致，目前虽然有生物标记物化验、心电图、CT或者MRI的检测手段，但是这些检测结果出现异常需要一定的时间窗，更为重要的是，这些手段需要在医疗机构完成，常导致诊断延误和抢救黄金时间的错失。

另一方面，慢性稳定型心脑血管疾病，由于症状隐匿，或仅在强体力活动等特殊情况下出现症状，在常规检查中难以发现，而血管造影虽可以发现血管动脉粥样硬化和管腔狭窄，但具有辐射性、创伤性和高昂医疗卫生费用。更为重要的是，这些稳定型病变发展为急性事件并非线性过程，预测急性事件发生一直是临床难题。

其中，在当代心血管病临床管理中，有两方面特征与早先临床医疗环境明显不同。一是，随着急救水平提升，急性事件死亡率下降，但终末期心力衰竭和失能状态患者增多；二是，无论心血管还是脑血管病终末状态，康复治疗的价值和地位凸显。但是，康复治疗中，再发急性心脑血管事件的风险高，需要有严密监测，而这又依赖于专业医疗环境，病患数量和专业医疗环境/设备数量的矛盾日益激增。

目前有报道利用超声进行血流速度和心输出量的技术(专利CN105708494B)和利用光电容积脉搏波描记法等光学技术测量的专利(CN201110329775.X、CN 114271805A)，在这些专利中，一般是获取脉搏波波形，并提取心率、所检测血管的直径来计算血压和血压变化率，并进而换算为心脏每搏量和心输出量。学者们也提出了其他技术解决方案，如：CN114287967 A提出了利用超声和微泡进行测压，CN215839164 U综合了血管壁弹性信息，CN208910307 U采用两组超声换能器获得血流阻抗指数和踝肱指数等血管弹性信息。为使得检测更加便捷，一系列穿戴式设备被研发，如CN 211094256 U、CN112842392 A、CN113440165A、CN108697349 B。

众所周知，对于循环状态和血流状态的完整评估涉及形态、结构、速度、频率等维度信息，这也是专业超声检查需要提供的信息。但是上述这些技术在实现连续监测和穿戴需求时，就折衷了提供多维度信息的能力。这些技术或只能获取脉搏波，或只能通过多普勒原理获取血流速度，或只能获取血管某个位置的压力，或只能获取脉搏波传导速度和血管壁弹性，总而言之，对于整体循环状态和心脏输出状态的评估都是基于单一维度或简单的线性回归模型，不能同时完整获取血管和血流动态图像、血流实时速度、脉搏实时波形、心率实时信息。众所周知，动脉横截面积与半径呈平方关系，这在中等和小口径血管测量中，尤为重要，单一依靠血管横截面积来估算血流量和血压的方法，当半径测量值存在很小误差时，就会造成结果的很大偏移(比如颈总动脉内径6mm，若半径测量存在1mm误差，最终结果偏移可达30％)。而依赖多普勒计算血流速度的方法对探头与待检测血管相对位置和声束入射角度存在严格要求。

已报道的技术中，又或者为了达到较多维度信息而增加穿戴式设备的体积，牺牲了穿戴体验和监测持续时间(如Kenny的研究)，而设备大小和重量的增加无疑给浅表动脉带来了额外压力，不仅造成血压测量值的不准确，还产生几何频谱展宽效应(geometricspectral broadening)，使得血流速度测量发生错误。发明专利(CN202210533454.X)“一种低强度聚焦超声穴位治疗仪及治疗外周血管疾病方法”，提出一种穿戴式的产品结构具有若干个超声换能器，确保在治疗过程中超声换能器始终位于穴位处，确保超声换能器与人体穴位完全贴合不会产生超声损耗，并不能用于成像和信息检测。发明专利(CN202080067767.X)“非侵入性、实时、逐搏、动态血压监测”，提供了一种用于确定对象的心血管系统内的固定位置处的心脏参数的流动系统，其原理为利用超声换能器检测穿过固定位置的压力波，不能实现生命体征的可视化。究其原因是在换能器架构、工作方式以及心脏循环功能评估的病理生理参数模型存在缺点。

发明内容

本公开为了解决上述问题，提出了基于数字孪生的适形超声生命体可视化监测方法及系统，本公开利用适形超声可视化传感器和基于数字孪生的心脏循环功能性血流动力学参数计算，利用前者获取的实时血流动力学数据输入后者进行参数计算，实现适形超声生命体征可视化传感与监测。

根据一些实施例，本公开采用如下技术方案：

基于数字孪生的适形超声生命体可视化监测方法，包括：

实时获取血管超声图像，采集血流速度频谱以及压电脉搏波信号；根据压电脉搏波信号获取血流动力学参数；

建立标准的血流循环仿真模拟模型以及建立个体化的数字孪生模型，确定个体化参数以及影响因素，建立可测量与个体化参数之间的函数关系，通过实时调整参数，实现个体化模型的实时模拟；设定目标函数，对参数进行优化，得出最优参数组合，并端到端确定实时压力-容积环量化心脏收缩力和心脏搏功；

对于获取的血流动力学参数局部特征区域进行提取，结合临床队列，按照数据特性将单点时间扩充到时间轴上，实现循环状态参数的连续可视化并分析参数的变化趋势。

根据一些实施例，本公开采用如下技术方案：

基于数字孪生的适形超声生命体可视化监测系统，包括：

换能器数据采集模块，用于实时获取血管超声图像，采集血流速度频谱以及压电脉搏波信号；根据压电脉搏波信号获取血流动力学参数；

数据传输和处理模块，用于建立标准的血流循环仿真模拟模型以及建立个体化的数字孪生模型，确定个体化参数以及影响因素，建立可测量与个体化参数之间的函数关系，通过实时调整参数，实现个体化模型的实时模拟；设定目标函数，对参数进行优化，得出最优参数组合，并端到端确定实时压力-容积环量化心脏收缩力和心脏搏功；

对于获取的血流动力学参数局部特征区域进行提取，结合临床队列，按照数据特性将单点时间扩充到时间轴上，实现循环状态参数的连续可视化并分析参数的变化趋势。

根据一些实施例，本公开采用如下技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于数字孪生的适形超声生命体可视化监测方法。

根据一些实施例，本公开采用如下技术方案：

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的基于数字孪生的适形超声生命体可视化监测方法。

与现有技术相比，本公开的有益效果为：

本公开提出适形超声可视化传感器和基于数字孪生的心脏循环功能性血流动力学参数计算，并利用前者获取的实时血流动力学数据输入后者进行参数计算，最终实现适形超声生命体征可视化传感与监测。本发明不仅可应用于颈动脉、桡动脉、肱动脉、股动脉等表浅动脉，还可以用于主动脉等深部动脉；不仅适用于心脏循环状态评估，还可用于阴茎动脉及勃起功能评估。适应mHealth架构下移动医疗设备和个体医疗设备范畴。

附图说明

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。

图1为本公开实施例的基于数字孪生的适形超声生命体可视化监测方法流程图；

图2为本公开实施例的血流动力学参数计算模型图；

图3为本公开实施例的心脏模型示意图；

图4为本公开实施例的RCR模型；

图5为本公开实施例的计算模型；

图6为本公开实施例的压力容积环示意图；

图7为本公开实施例的通道注意力机制算法示意图；

图8为公开实施例的空间注意力机制算法示意图；

图9为本公开实施例的换能器结构示意图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

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。

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。

实施例1

本公开的一种实施例中提供了一种基于数字孪生的适形超声生命体可视化监测方法，包括：

步骤1：实时获取血管超声图像，采集血流速度频谱以及压电脉搏波信号；根据压电脉搏波信号获取血流动力学参数；

步骤2：建立标准的血流循环仿真模拟模型以及建立个体化的数字孪生模型，确定个体化参数以及影响因素，建立可测量与个体化参数之间的函数关系，通过实时调整参数，实现个体化模型的实时模拟；设定目标函数，对参数进行优化，得出最优参数组合，并端到端确定实时压力-容积环量化心脏收缩力和心脏搏功；

步骤3：对于获取的血流动力学参数局部特征区域进行提取，结合临床队列，按照数据特性将单点时间扩充到时间轴上，实现循环状态参数的连续可视化并分析参数的变化趋势。

作为一种实施例，本公开提供的基于数字孪生的适形超声生命体征可视化传感与监测方法的具体实施过程包括，如图1所示：

1.获取参数部分

实时获取血管超声图像，采集血流速度频谱以及压电脉搏波信号；根据压电脉搏波信号获取血流动力学参数；

具体的，实时显示血管超声图像，包括横截面以及长轴，实时显示彩色血流多普勒，并实时获取血流速度频谱以及获取压电脉搏波信号，根据压电脉搏波信号，获取心率、血压以及脉搏波传播速度。

(1)获取脉搏波信号

使用压电换能器获取脉搏波信号。首先需要确定测量位置。常用的测量位置包括肱动脉、桡动脉、颈动脉等。本公开的贴近皮肤侧有柔性水凝胶，不仅增加佩戴舒适度，还发挥耦合剂作用以提高信号传输的质量。将压电换能器连接到信号采集器上。信号采集器需要能够将压电换能器输出的电信号转换为数字信号，并进行信号处理和存储。

(2)信号处理

获取到的脉搏波信号需要进行滤波和放大等信号处理。常用的滤波方法有低通滤波和带通滤波，可以去除高频噪声和杂波。放大信号可以提高信噪比，使得信号更加清晰。

(3)心率计算

心率是指单位时间内心脏跳动的次数，是衡量心血管功能状态的重要指标。通过脉搏波信号，可以计算出心率。可采用如下的方法：

(a)基线漂移法，是一种简单、实用的心率计算方法，适用于单峰的脉搏波信号。具体步骤如下：将脉搏波信号去除基线漂移；选取信号中的峰值点；计算相邻峰值点之间的时间间隔；将时间间隔转换为每分钟的心率。

(b)斜率法是一种基于信号斜率变化的心率计算方法，适用于多峰的脉搏波信号。具体步骤如下：将脉搏波信号进行一阶微分运算，得到斜率信号；选取斜率信号中的峰值点；计算相邻峰值点之间的时间间隔；将时间间隔转换为每分钟的心率。

(c)快速傅里叶变换是一种基于信号频域分析的心率计算方法，适用于复杂的脉搏波信号。具体步骤如下：将脉搏波信号进行FFT变换，得到信号的频谱图；选取频谱图中的峰值点；计算相邻峰值点之间的频率差值，即心率。

(4)血压计算

血压的计算需要测量收缩压和舒张压。收缩压是血液从心脏泵出时血管壁的最高压力，舒张压是血液在心脏松弛期间血管壁的最低压力。可以通过测量脉搏波的波形和幅度来计算血压。可采用的方法如下：

(a)基于脉搏波形态的方法。这种方法是基于脉搏波形态与血压之间的关系进行计算的。具体步骤如下：检测脉搏波信号的收缩期起始点和舒张期终点；计算收缩期和舒张期的脉压差，即收缩压和舒张压之间的差值；根据已知的脉搏波形态与血压的关系，计算出血压。

(b)基于脉搏波速度的方法。这种方法是基于脉搏波传播速度与血压之间的关系进行计算的。具体步骤如下：测量脉搏波传播速度；根据已知的脉搏波传播速度与血压的关系，计算出血压。

(c)基于机器学习算法的方法。这种方法是利用机器学习算法建立脉搏波信号与血压之间的模型，通过模型预测血压值。具体步骤如下：收集大量的脉搏波信号和血压值数据，并进行预处理和特征提取；利用机器学习算法(如支持向量机、神经网络等)对数据进行训练和优化；使用训练好的模型对新的脉搏波信号进行预测，得到血压值。

(d)脉搏波传导速度计算。

脉搏波传导速度是指脉搏波在血管中传播的速度，是脉搏波信号中的一个重要参数，可以用于评估血管弹性和硬度等生理状态。以下是常用的计算脉搏波传导速度的方法：

(a)利用传感器覆盖的动脉血管的两个测量点之间的脉搏波传播时间和距离计算脉搏波传导速度的方法。具体步骤如下：在两个测量点上分别固定传感器，如压电传感器或光电传感器；同时记录两个传感器接收到的脉搏波信号的时刻，计算出两个测量点之间的脉搏波传播时间；测量两个测量点之间的距离，通常使用体表距离或超声测距法进行测量；根据已知的距离和脉搏波传播时间，计算脉搏波传导速度。

(b)利用脉搏波信号的形态信息和血压值等参数来估算脉搏波传导速度的方法。具体步骤如下：通过压电传感器等测量脉搏波信号，并记录下脉搏波的形态信息；根据已知的脉搏波形态与血压的关系，计算出血管的特征参数，如血管弹性模量等；利用血管特征参数和脉搏波形态信息等计算脉搏波传导速度，通常采用数学模型或机器学习算法进行计算。

如图2所示，根据血管超声图像计算血管横截面积及面积变化率与单位时间面积变化率。根据血流速度频谱，获取心率、速度时间积分(VTI)、最大/平均血流速度，计算多普勒休克指数(Doppler shock index＝HR/VTI)，血流量，每搏量(stroke volume＝横截面积×收缩期流速积分)，心输出量(cardiac output＝SV×HR)。

2.数据处理部分

2.12.1建立标准的血流循环仿真模拟模型包括：利用生理学统计信息，得到标准血流循环系统几何模型、边界条件以及计算参数，所述计算模型采用1DCFD与0D电路耦合模型，1D CFD模拟动脉，电路耦合模型模拟下游小动脉与微循环。

由于获取的各血流动力学参数，尤其是心率、血压、每搏量，与使用者真实参数之间存在一定的偏差，有报道应用统计学方法建立真实值与测量值间的函数关系校准方法、应用人工智能方法训练测量值与真实值间的深度网络、建立计算流体力学仿真模拟模型等，其准确性和计算速度欠佳，直接深度网络校准的方法由于忽略过多真实值和测量值之间的生理要素影响，其对训练数据量的需求长达数十万例。所以本公开提出了利用数字孪生的快速校准方法。

2.1.1建立标准的血流循环的仿真模拟模型。首先利用生理学统计信息(包括心输出量，血管长度，血管大小，血管分支结构，动脉下游微循环阻力)，得出标准血流循环系统几何模型、边界条件与计算参数，所用边界模型包括心脏模型，如图3所示，以及RCR模型，如图4。其次将模拟动脉的1D CFD与模型模拟下游小动脉与微循环的0D电路模型，二者耦合构建计算模型，如图5所示，其中的1D CFD模型控制方程如下：

通过标准仿真模拟模型得出动脉的实时血流速度与血压分布，动脉血管横截面积，以及脉搏波的大小与位置分布间的关系。

2.1.2建立个体化的数字孪生模型包括：确定个体化参数及其影响因素，建立可测量与个体化参数之间的函数关系，并对个体化模型进行实时的模拟，选取一个或多个优化目标，通过调整参数，使得模型计算值与优化目标的实际测量值差值最小，得出最优参数组合。

(1)确定个体化参数及其影响因素。个体化模型与标准模型的差别性主要体现在几何模型与计算参数上。这些参数可以分为两大类，一种是固有参数，一种是实时参数。固有参数包括：1)几何模型参数，如血管长度，血管平均横截面积(A_0)，这些一般与身高，体重，年龄，性别相关。2)计算参数，如血管壁的杨氏模量(控制方程中E)，血管壁厚度(h)，血流粘稠度(ν)，血管是否有狭窄，血管壁是否光滑(δ)，这些一般与心血管健康程度相关。实时参数包括：1)心脏模型中，电压(电路模型中E)，电容(C)，电感(L)。2)动脉下游微循环阻力(RCR模型)。这些实时参数除了受上述影响因素外，还与实时的身体状态相关。

(2)建立可测量量与个体化参数之间的函数关系。函数主要采用现有深度学习网络来完成。可测量量与个体化参数的影响因素相关，主要包括个体的身高，体重，年龄，性别，心血管状况指标(如：心率、血压、心律、心输出量、每搏量、心室射血分数等)，这些量组成深度学习网络的特征向量。训练数据中，个体化参数的标准通过逆向工程的方法获得。由此在测试与使用时，通过可测量数据，通过深度学习网络，可得出个体化参数与标准参数之间的差值，并通过调整参数实现个体化模型对于个体在正常状态下的仿真模拟。Input是可测量参数，输入CNN网络，output就是这个差值。

(3)个体化模型的实时模拟，测量颈动脉、桡动脉、肱动脉以及股动脉的测得局部血流动力学参数，通过调整实时参数使个体化模型的计算结果与测量的参数相符，所述调整实时参数是通过深度学习网络来建立测量参数与实时参数变化之间的函数关系。

具体的，采用穿戴式设备测量颈动脉、桡动脉、肱动脉以及股动脉的测得局部血流动力学参数，包括心率、血压、血流量与每搏量，通过调整实时参数使得个体化模型的计算结果与穿戴式设备测量参数相符。调整实时参数的方法，同样通过深度学习网络来建立穿戴式设备测量数据与实时参数变化之间的函数关系。函数关系为：Input是可测量参数，输入CNN，output就是实时参数的变化值。CNN就是这个函数关系。CNN这个函数关系是通过训练得到的。其中，深度学习网络的特征向量由一个或多个穿戴式设备测量参数与其在常态下均值的差值组成。训练数据中，实时参数的变化量的金标准，同样通过逆向工程的方法获得。由此在测试与使用时，根据穿戴式设备测量值的变化，得出实时参数与其正常状态下的差值，通过调整实时参数，实现个体化模型的实时模拟。

(4)逆向工程获得个体化参数标准。首先，选取一个或多个优化目标，也就是通过调整参数，使得模型计算值与优化目标的实际测量值差值最小。其次，设定优化约束，约束包括参数波动范围需要在生理学合理范围内，以及不同个体间同一参数差值变化规律符合生理学规律。最后，选用合适优化算法，对参数进行优化，得出最优参数组合。优化目标选择必须符合以下条件：1)可测量。2)与优化参数具有函数关系，且对优化参数变化有足够敏感性。

2.1.3确定实时压力-容积环

心脏做功产生排血，其衡量指标包括SV和CO，而心脏收缩状态不仅与心肌本身有关，还与前负荷、后负荷有关，其可以用Frank-starling机制和左心室压力-容积环来表示。已有报道利用心脏超声获取该压力容积环的方法，但必须同步获取血压和心脏超声图像计算的舒张末期左心室容积以及收缩末期容积。根据2.1.1和2.1.2，可以获得左心室心腔内压力和射血量与动脉血压、血流量等血流动力学参数间的关系，并可生成大量虚拟数据组。为适应轻量化需求，如图6所示，本公开将进一步利用换能器获取的舒张压、收缩压、血流量、心率等血流动力学参数作为输入，以左心室舒张末期压力(即容积环P1)、左心室收缩末期压力(即容积环P2)和收缩末期和舒张末期血流量差(即容积环P3)为输出，训练深度网络，训练数据集包括临床现实采集的数据及上述生成的虚拟数据组。在实时监测时，即可端到端个体化确定实时压力-容积环。通过实时压力-容积环斜率可以量化心脏收缩力和心脏搏功。

实时监测的心率，血压，每搏量，心输出量的变化，通过上述的数字孪生，可以实现对心脏收缩力与搏功的监测。所述临床队列，除以上时间序列数据，还包括已经建立的具有血流动力学参数和心脏超声获得的心肌收缩力监测数据，以及患者发生急性心脏事件与否标签的队列。模型将采用编码器+分类器架构并进行端到端训练。对于时间序列数据我们可以采用基于一维卷积神经网络的编码器，对于心脏超声数据，我们将采用基于前馈神经网络的编码器。各模态的抽象表征将被投入分类器中实现预测任务。此外，可以加入通道和空间注意力机制的方法，如图7和图8所示，对数据局部特征区域进行提取并强化模型表现。此外，模型还可根据临床诊疗标准，比如血压突然下降、心率突然降低或增加、收缩力突然下降情况，在监测血流动力学参数和生命体征指标变化率超出设定阈值时也发出异常警告信号。

实施例2

本公开的一种实施例中提供了一种基于数字孪生的适形超声生命体可视化监测系统，如图9所示，包括换能器部分，一种适形、轻薄、具有一定伸展性的贴片式无线超声诊断设备，其具有尾翼样结构，尾翼为柔性，上布置换能器，其换能器可为单阵元或多阵元，根据使用场景阵元可选择多种主频，如7-12MHz用于颈动脉成像、5-10MHz用于脉搏检测等。尾翼分为两部分，集合于中部的数据传输和处理模块。一部分尾翼面积较大，其声束范围可覆盖3-4倍颈总动脉直径宽度，实现多普勒角度全覆盖，实现颈总动脉长轴、短轴同时检测。另一部分尾翼面积较小，声束范围可覆盖2倍颈动脉直径宽度，实现对脉搏的检测。所发明的超声诊断设备可以束缚带形式穿戴，或以具有粘性的凝胶导声材料黏附于皮肤表面。

所述的数据传输和处理模块包含阵元激励和信号接受单元、信号处理智能芯片单元、信号无线传输单元、供能单元。其中所述的智能芯片可为任意通用芯片或专用芯片。考虑到功耗，为保持该诊断设备长时间工作的移动诊疗需求，两部分尾翼可同时工作，也可分时工作。典型的分时工作形式为：低功耗的脉搏检测尾翼连续工作，高功耗的成像尾翼定时工作；低功耗的脉搏检测尾翼连续工作，高功耗的成像尾翼根据用户需求指令启动工作；低功耗的脉搏检测尾翼连续工作，在经过算法模块计算发现血流动力学异常时，自动启动高功耗的成像尾翼工作，获取更精确的血流动力学参数。

实施例3

本公开的一种实施例中提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于数字孪生的适形超声生命体可视化监测方法的步骤。

实施例4

本公开的一种实施例中提供了一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的基于数字孪生的适形超声生命体可视化监测方法步骤。

本公开是参照根据本公开实施例的方法、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。

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。

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。