[发明专利]基于SVR算法的左心室收缩末期弹性预测方法及系统

说明书

本发明涉及一种基于SVR算法的左心室收缩末期弹性预测方法及系统，包括从单个当前压力‑容积环提取当前关键特征，分别为收缩末期容积、舒张末期容积、舒张末期压力、压力‑容积环的面积和收缩末期弹性势能；根据当前关键特征和训练好的左心室压力为零时的容积预测模型确定当前左心室压力为零时的容积；该容积预测模型是根据多组历史当前关键特征和对应的历史左心室压力为零时的容积，采用SVR算法训练得到的；根据当前左心室压力为零时的容积和已构建的左心室收缩末期弹性预测模型，计算当前左心室收缩末期弹性。本发明能够在精准预测左心室收缩末期弹性的前提下，很大程度减少侵入式损伤，而且非常适合离体心脏灌注ESHP实验。

技术领域

本发明涉及生物医学工程技术和计算机科学领域，特别是涉及一种基于SVR算法的左心室收缩末期弹性预测方法及系统。

背景技术

心脏移植是治疗终末期心力衰竭患者的金标准。离体心脏灌注(ESHP)是评价心脏移植前供体心脏活力的一项有前途的技术。该项技术能维持供体心脏在搏动状态下的正常代谢，为在移植前评估器官生存能力提供了机会。左心室收缩末期弹性(E_es)是衡量左心室收缩功能的有效方法，并且左心室收缩末期弹性E_es已被证明是一个对负载不敏感的收缩力指标。这使左心室收缩末期弹性E_es成为评估离体心脏灌注ESHP中供体心脏功能的理想参数。

传统上，左心室收缩末期弹性E_es是通过改变左心室前负荷或后负荷条件来测量的，例如通过下腔静脉闭塞，并同时获得多个压力-容积环(PV loop)以建立收缩末期压力-容积关系(ESPVR)。然而，对于离体心脏灌注ESHP来说，传统的测量方法存在以下问题：首先，降低心脏血液输入会对供体心脏造成损害，例如组织缺氧、缺血性损伤和心律失常。其次，传统的测量方法不能实现实时测量，这样就不能及时发现和治疗心脏问题。最后，在离体心脏灌注ESHP环境下很难产生多个稳定测量的压力-容积环PV loop，因为与体内心脏相比，离体心脏通常以相对较低的体积负荷进行恢复，而较低的左心室容积通常会产生较差的压力-容积环PV loop，尤其是在闭塞过程中。这使得传统方法很难在离体的情况下通过这些压力-容积环PV loop提取左心室收缩末期弹性E_es。目前已经存在几种在体估计左心室收缩末期弹性E_es的方法。一些研究者通过使用左心室时变弹性曲线的几何特征或者左心室等容峰值压力(Pmax)来估计左心室收缩末期弹性E_es。然而，这些左心室收缩末期弹性E_es估计值都依赖于在体测量的压力-容积环PV loop上具有清晰、可区分的等容收缩期和射血期，而这在离体心脏灌注ESHP环境中是很难获得，如图1所示。

发明内容

本发明的目的是提供一种基于SVR算法的左心室收缩末期弹性预测方法及系统，在精准预测左心室收缩末期弹性的前提下，很大程度减少侵入式损伤，而且非常适合离体心脏灌注ESHP实验。

为实现上述目的，本发明提供了如下方案：

一种基于SVR算法的左心室收缩末期弹性预测方法，包括：

获取稳态下测量的单个当前压力-容积环；

基于滤波器和支持向量机的特征递归清除算法，从所述当前压力-容积环的所有血流动力学特征中提取当前关键特征；所述当前关键特征包括收缩末期容积、舒张末期容积、舒张末期压力、压力-容积环的面积和收缩末期弹性势能；

根据所述当前关键特征和训练好的左心室压力为零时的容积预测模型，确定当前左心室压力为零时的容积；所述训练好的左心室压力为零时的容积预测模型是根据多组历史当前关键特征以及每组所述历史当前关键特征对应的历史左心室压力为零时的容积，采用SVR算法训练得到的；所述训练好的左心室压力为零时的容积预测模型表示关键特征与左心室压力为零时的容积的非线性映射关系；