基于遗传算法的全身血液循环集中参数建模方法

本发明涉及血液动力学模拟，特别涉及一种基于遗传算法的全身血液循环集中参数建模方法。背景技术：1、随着计算技术的迅速发展，血液动力学模拟已发展成为流体力学的一个独特分支，成为医学研究的宝贵资产。三维模拟和零维模拟是该领域主要采用的策略。其中，三维模拟广泛用于捕捉包括壁剪切应力、振荡剪切指数和局部血管壁变形等血液动力细节。然而，模拟全身的全局循环因涉及从大到小无数复杂的血管而极具挑战，这需要超高分辨率的血管成像采集和耗时的三维重建。这意味着获取精细的有限元网格以确保计算精确性也很困难，即便实现，计算需求也可能非常高。2、有趣的是，三维navier-stokes方程可以简化为管流的零维公式，这与电路中由电阻、电感和电容组成的差分方程类似。因此，开发了零维集中参数模型，通过电路模拟心血管波动(血流和压力)。更重要的是，通过使用闭环电路，可以实现全局血液循环的模拟。因此，它经常用于解决各种心血管问题，如增强型外反搏等。尽管零维集中参数模型有效，但其最显著的特点是对用户的极高门槛，因为零维集中参数模型具有众多相互关联和相互依赖的参数，这使得精确模拟心血管波动极为困难，因为扰动一个参数可能会在整个电路中引发广泛的影响。3、目前，参数间的协调仍通过传统的手动调整方法实现，这些方法效率低下且需要丰富的经验。这种方法的随机性往往导致模拟不能充分模仿真实波动。因此，尽管有许多应用，零维集中参数模型的科学价值尚未完全展现，这一直是困扰生物力学领域几十年的长期挑战。更棘手的是，模型结构本身在不断演变。为了提高零维集中参数模型在特定研究目的的适用性，需要向感兴趣的区域细化和专门化模型，同时简化非核心区域。因此，需要为不同的需求建立不同的模型，但每次模型建立都需要对参数进行繁琐和低效的优化，这突显了开发快速精确的参数协调方法的重要性。在解决这些问题上，目前的解决方案仍然非常有限。最近有学者投入了大量努力，利用双神经网络模拟了323名患者的肱动脉和颈动脉的血流，但这种方法意味着将模拟扩展到全身更多局部位置将需要一个更大的数据集来有效学习，从而大大增加了数据收集和训练的工作量。这反过来可能会提高用户的入门门槛。技术实现思路1、针对上述问题，本发明旨在提供一种基于遗传算法的全身血液循环集中参数建模方法。2、本发明的技术方案如下：3、一种基于遗传算法的全身血液循环集中参数建模方法，包括以下步骤：4、s1：搭建全身血液循环的集中参数模型，所述集中参数模型包括心脏动力学模型、动脉模型以及静脉模型；5、s2：获取目标电压电流曲线，并将所述集中参数模型中的rlc参数设置为待优化参数；6、s3：建立遗传算法，并通过所述遗传算法迭代获得所述集中参数模型的电压电流曲线；7、s4：计算所述电压电路曲线与所述目标电压电流曲线的适应度，当适应度达到期望值或迭代次数达到预设次数时停止迭代，并输出适应度最好的方案作为所述全身血液循环集中参数模型。8、作为优选，步骤s1中，所述心脏动力学模型为：9、10、pi＝pi0a(t) (2)11、e(t)＝ed+esa(t) (3)12、13、式中：pv为心室压力；pi为心室体积处于心室参考容积v0时的等容内压；e(t)为时变倒电容；v和v0分别为心室实时容积和心室参考容积；r为心室粘性阻力；为心室容积变化率；t为时间；ts为收缩期时长；ed为收缩期时变倒变容；tc为心动周期；pi0为峰值等容内压；a(t)为中间函数；es为舒张期时变倒变容；14、所述动脉模型为由电阻、电感以及电容组成的三单元结构，所述静脉模型采用电阻和电容建立电学模型，其中电阻和电感分别代表血流的粘性和惯性，电容代表血管壁的弹性。15、作为优选，步骤s3中，建立所述遗传算法时，将所述集中参数模型作为环境，rlc参数作为基因，所述电压电流曲线与所述目标电压电流曲线之间的相似度作为适应度函数，一组rlc参数及其输出的目标曲线距离作为个体。16、作为优选，步骤s3中，通过所述遗传算法迭代获得所述集中参数模型的电压电流曲线时，采用变步长四阶龙格库塔法对所述集中参数模型的微分方程组进行求解。17、作为优选，步骤s4中，所述适应度通过导数动态时间弯曲获得。18、作为优选，通过所述导数动态时间弯曲获得所述适应度时，通过下式计算累计距离：19、γ(i，j)＝d(qi，cj)+min{γ(i-1，j-1)，γ(i-1，j)，γ(i，j-1)}20、   (5)21、d(qi，cj)＝(qi-cj)2×(dx[qi]-dx[cj])222、   (6)23、24、25、式中：γ(i，j)为当前到点(i，j)的最小的邻近距离累积之和；d(qi，cj)为点qi与点cj之间估计导数差值的平方与点qi与点cj距离平方的乘积；γ(i-1，j-1)为当前到点(i-1，j-1)的最小的邻近距离累积之和；γ(i-1，j)为当前到点(i-1，j)的最小的邻近距离累积之和；γ(i，j-1)为当前到点(i，j-1)的最小的邻近距离累积之和；qi为时间序列q的点；cj为时间序列c的点；dx[qi]为qi对应的估计导数差值的平方；dx[cj]为cj对应的估计导数差值的平方；qi-1为qi的前一个点；qi+1为qi的后一个点；m为时间序列q的长度；cj-1为cj的前一个点；cj+1为cj的后一个点；n为时间序列c的长度；26、所述累计距离越小，代表个体的适应度越高。27、作为优选，通过所述导数动态时间弯曲获得所述适应度时，还需先对电压时间序列和电流时间序列进行归一化处理。28、本发明的有益效果是：29、本发明在零维集中参数模型的基础上，引入了遗传算法来解决心血管模拟中参数协调问题，极大地提高了模拟的准确性和效率。传统的零维集中参数模型手动调整协调方法效率低下且对用户的经验要求较高，难以充分模仿真实的心血管波动。而本发明通过引入遗传算法，模拟自然选择和遗传机制，在搜索空间内自动寻找最优的参数组合，从而实现了零维集中参数模型参数的高效、精确协调。技术特征：1.一种基于遗传算法的全身血液循环集中参数建模方法，其特征在于，包括以下步骤：2.根据权利要求1所述的基于遗传算法的全身血液循环集中参数建模方法，其特征在于，步骤s1中，所述心脏动力学模型为：3.根据权利要求2所述的基于遗传算法的全身血液循环集中参数建模方法，其特征在于，步骤s3中，建立所述遗传算法时，将所述集中参数模型作为环境，rlc参数作为基因，所述电压电流曲线与所述目标电压电流曲线之间的相似度作为适应度函数，一组rlc参数及其输出的目标曲线距离作为个体。4.根据权利要求2所述的基于遗传算法的全身血液循环集中参数建模方法，其特征在于，步骤s3中，通过所述遗传算法迭代获得所述集中参数模型的电压电流曲线时，采用变步长四阶龙格库塔法对所述集中参数模型的微分方程组进行求解。5.根据权利要求2所述的基于遗传算法的全身血液循环集中参数建模方法，其特征在于，步骤s4中，所述适应度通过导数动态时间弯曲获得。6.根据权利要求5所述的基于遗传算法的全身血液循环集中参数建模方法，其特征在于，通过所述导数动态时间弯曲获得所述适应度时，通过下式计算累计距离：7.根据权利要求6所述的基于遗传算法的全身血液循环集中参数建模方法，其特征在于，通过所述导数动态时间弯曲获得所述适应度时，还需先对电压时间序列和电流时间序列进行归一化处理。技术总结本发明公开了一种基于遗传算法的全身血液循环集中参数建模方法，包括以下步骤：S1：搭建全身血液循环的集中参数模型，包括心脏动力学模型、动脉模型以及静脉模型；S2：获取目标电压电流曲线，并将所述集中参数模型中的RLC参数设置为待优化参数；S3：建立遗传算法，并通过所述遗传算法迭代获得所述集中参数模型的电压电流曲线；S4：计算所述电压电路曲线与所述目标电压电流曲线的适应度，当适应度达到期望值或迭代次数达到预设次数时停止迭代，并输出适应度最好的方案作为所述全身血液循环集中参数模型。本发明通过引入遗传算法，模拟自然选择和遗传机制，在搜索空间内自动寻找最优的参数组合，能够实现零维集中参数模型参数的高效、精确协调。技术研发人员：李忠友,蒋文涛,廖明浩,何艾骏受保护的技术使用者：四川大学技术研发日：技术公布日：2024/8/15