一种基于改进模拟退火优化算法的集中参数模型个性化方法与流程

本发明属于组合优化算法领域，涉及一种基于改进模拟退火优化算法的集中参数模型个性化方法。

背景技术：

血流动力学数值模拟是一种常用的、有效的模拟方法，通常用于阐明医疗中血液流动的规律、生理意义及与疾病的关系。而集中参数模型是其中一种常见的血流动力学数值模型，它用电路元件比拟人体血液循环系统，人体的生理参数或生理特性可以通过它反映出来。其中电阻用于模拟血液流动的粘滞阻力和血管壁阻力，电容用于模拟血管壁的顺应性，电感用于模拟血液的流动惯性，二极管用于模拟瓣膜，使部分结构中血液单向流通。该模型基于电路kirchhoff定律，以微分-代数方程组描述电路情况。

众多的研究将集中参数模型的数值模拟计算结果与人体的血液循环系统中血液流动特性比较后，发现有很多方面相符，证明该模型的有效性。无论是研究整个血液循环系统的血流动力学，还是为局部精细化的三维血管数值模拟仿真提供边界条件，集中参数模型都可以很好地发挥其作用，完成计算。因此，集中参数模型在血流动力学数值仿真中具有显著的效果和重要的意义。然而由于每个人的生理参数各不相同，其血流动力学仿真结果理当各不相同，若使用相同参数的模型进行仿真，其计算结果并不能反映各人自身的真实情况，难以令人信服。目前大多数研究者在使用集中参数模型对不同个体进行血流动力学仿真时，虽然使用了个性化参数，但大部分都是基于手动调节参数的方法。而这会造成大量繁琐复杂且效率低下的重复工作，当模型较为复杂或数据量较大时，造成时间和人力资源的浪费。给出一种快速、具体的集中参数模型参数个性化的方法对于个性化的血流动力学数值模拟仿真工作具有重要的意义，对于个性化的疾病诊断、治疗策略研究具有一定的价值。

技术实现要素：

本发明提供了一种基于改进模拟退火优化算法的集中参数模型个性化方法，实现针对不同个体血液循环系统集中参数模型中参数的个性化。基于改进模拟退火优化算法的集中参数模型个性化方法包括：采集人体的生理波形数据，包括主动脉压、心输出量、颈动脉流量和四肢压力波形；基于人体的血液循环系统结构和生理参数构建适用于一般人的血液循环系统集中参数模型；以采集到的生理波形数据为目标，对集中参数模型中的参数进行敏感性分析，确定对目标影响较大的敏感参数；基于改进的模拟退火优化算法，将采集的生理波形数据与计算出的仿真波形之间的均方根误差作为目标函数，对集中参数模型中的敏感参数进行迭代优化；当目标函数小于容差时，认为优化结果达到可接受的最优解，结束优化，输出最优解。

为达到上述目的，本发明通过以下技术方案来实现：

基于改进模拟退火优化算法的集中参数模型个性化方法，该方法包括以下步骤：

步骤a1:采集人体实际的生理波形数据，包括主动脉压、心输出量、颈动脉流量和四肢压力波形；

步骤a2:基于人体的血液循环系统结构和生理参数构建适用于一般人的血液循环系统集中参数模型；

步骤a3:以采集到的实际的生理波形数据为目标，对步骤a2集中参数模型中的参数进行敏感性分析，确定对目标影响较大的敏感参数；

步骤a4:将采集的实际的生理波形数据与集中参数模型计算出的仿真波形数据之间的均方根误差作为优化的目标函数，使用改进的模拟退火优化算法，对集中参数模型中的敏感参数进行迭代优化；

步骤a5:当目标函数小于容差时，认为优化结果达到可接受的最优解，结束优化，输出最优解。

作为本发明进一步的技术方案，步骤a1中所述特征，包括采集人体的生理波形数据，其中主动脉根部的压力波形在临床上难以无创地被采集，而上臂的肱动脉距离主动脉根部不远且该处的压力波形容易被采集，故可用肱动脉的压力代替主动脉压。

作为本发明进一步的技术方案，步骤a2中所述特征，包括适用于一般人的血液循环系统集中参数模型为：基于正常人体血液循环系统的解剖学结构设计集中参数模型的结构，基于一般人的生理参数将模型的参数调整到可以计算出一般人的生理波形，但不必是个性化的波形数据(例如主动脉压为80-120mmhg)。

作为本发明进一步的技术方案，步骤a3中所述特征，包括确定敏感参数的判断依据为：单个调节集中参数模型中的各参数，观察其变化对于优化目标的影响，若当参数变化30％时，优化目标中任一生理波形数据均值变化5％以上或者生理波形的形状特征发生改变，变化前后波形之间的均方根误差大于波形均值的5％即视为波形发生明显变化时，即可认为该参数是敏感参数。

作为本发明进一步的技术方案，步骤a4中所述使用改进的模拟退火优化算法，对集中参数模型中的敏感参数进行迭代优化的方法包括以下步骤：

步骤b1:将步骤a3中的各敏感参数作为优化的初始参数；

步骤b2:设定需要优化参数的搜索范围；

步骤b3:设定模拟退火法的初始温度t、降温因子、参数增长/减少的最大步长、容差、以及优化迭代的终止条件等参数；

步骤b4:使用改进的参数调节方式，循环迭代执行优化。传统的模拟退火优化算法在每次优化时，优化的参数在搜索范围内随机增长/减少，而本发明中通过将每次参数优化后模型计算出的仿真波形数据与临床采集波形数据比较，根据比较结果将需要优化的参数在搜索范围内按指定方向增长或减少。若仿真的压力低于实际的目标压力，则提高电阻和电压源压力；若仿真的流量低于实际的目标血流量，则降低电阻；若仿真的压力波形脉压差小于目标压力波形的脉压差，则降低电容；若仿真的心输出量波形的收缩期时长小于目标心输出量波形的收缩期时长，则增大电感；

步骤b5:分别将更新前后的各参数代入集中参数模型(仿真程序)中进行目标函数的计算，比较新旧两次计算结果，参数更新后的解f(s’)若小于更新前的解f(s)，则接受当前解即更新后的解，否则以概率e^{-(f(s’)-f(s))/t}接受当前解，所述的解为目标函数的计算结果；

步骤b6:当满足终止条件时，结束优化，否则回到步骤b4。

本发明相对现有技术的有益效果是：

本发明给出了一种快速、具体的基于改进模拟退火算法的集中参数模型个性化方法，简化了针对各人调整集中参数模型参数的过程，节约了血流动力学仿真前期的准备工作时间，对于个性化的血流动力学数值模拟仿真工作具有重要的意义，对于个性化的疾病诊断、治疗策略研究具有一定的价值。

附图说明

图1本发明基于改进模拟退火法的集中参数模型个性化算法的实施流程图

图2本发明中血液循环系统集中参数模型示意图

图3本发明中心肺循环的集中参数模型示意图；

图4本发明中改进的模拟退火算法优化集中参数模型中参数的算法流程图

图5本发明对于临床采集一例个人的生理波形数据的集中参数模型优化结果；

具体实施方式

下面结合具体的实施方式和附图对本发明进行详细的描述。

步骤a1:临床采集人体的生理波形数据，包括主动脉压、心输出量、颈动脉流量和四肢压力波形；

步骤a2:基于人体的血液循环系统结构和生理参数构建适用于一般人的血液循环系统集中参数模型；

步骤a3:以采集到的生理数据为目标，对集中参数模型中的参数进行敏感性分析，确定对目标影响较大的敏感参数；

步骤a4:将采集的生理波形与集中参数模型计算出的仿真波形之间的均方根误差作为优化的目标函数，使用改进的模拟退火优化算法，对集中参数模型中的敏感参数进行迭代优化；

步骤a5:当目标函数小于容差时，认为优化结果达到可接受的最优解，结束优化，输出最优解。

作为本发明进一步的技术方案，步骤a1中所述特征，包括采集人体的生理波形数据，其中主动脉压力波形使用上臂的肱动脉压力波形压力代替。

作为本发明进一步的技术方案，步骤a2中所述特征，包括适用于一般人的血液循环系统集中参数模型为：基于正常人体血液循环系统的解剖学结构设计集中参数模型的结构，基于一般人的生理参数将模型的参数调整到可以计算出一般人的生理波形数据，但不必是个性化的波形数据(例如通过调整参数使主动脉压为80-120mmhg，心输出量为5l/min，单侧颈动脉流量为心输出量的10％即0.5l/min，脚踝处压力为70-120mmhg)。建立的血液循环系统集中参数模型如图2所示，其中的心肺循环的集中参数模型见图3所示，模型包括一个心肺循环单元，18个动脉单元，19个静脉单元和9个外周微循环单元，其中心肺循环单元包括右心房：电阻rra、电容cra，右心室：电阻rrv、可变电容crv(t)，肺：电阻rl、电容cl、电感ll，左心房：电阻rla、电容cla，左心室：电阻rlv、可变电容clv(t)，主动脉根部：电阻r0、ra、电容c0、c1、ca、电感l0、la，回心静脉的根部：电阻rv、电感lv，以及存在于心房心室之间和左心室、主动脉之间的二极管模拟的瓣膜；单元a1-a18表示血液循环系统的动脉单元；v1-v18表示血液循环系统的静脉单元；p2-p16表示血液循环系统的外周微循环单元。而各动静脉单元均由一个电阻r、一个电容c和一个电感l组成，而外周微循环单元由两个电阻ra、rv和一个电容c组成(例如对于动脉单元a1其组成为ra1，ca1和la1)。

作为本发明进一步的技术方案，步骤a3中所述特征，包括确定敏感参数的判断依据为：单个调节集中参数模型中的各参数，观察其变化对于优化目标的影响，若当参数变化30％时，优化目标中任一生理波形数据均值变化5％以上或者生理波形的形状特征发生改变，变化前后波形之间的均方根误差大于波形均值的5％，视为波形发生明显变化时，即可认为该参数是敏感参数。本发明中需要优化的敏感参数有：r0,c0,l0,ra,ca,ra8,ca8,ra9,ca9,ra10,ca10,ra11,ca11,ra12,ca12,ra13,ca13,ra14,ca14,ra15,ca15,ra16,ca16,ra17,ca17,ra18,ca18,ra2,ra5,ra6,ra7,ra9,ra11,ra13,ra14,ra16以及决定电压源压力的参数emax和emin。其中参数emax和emin应用于电压源中用于模拟左心室压力，从而为整个血液循环系统提供能量来源。通过在图3中的可变电容clv(t)上施加时变函数e(t)，控制电压源的压力。e(t)的函数表达式为：

e(t)＝(emax-emin)·en(tn)+emin

其中en(tn)的表达式为：

其中tn＝t/tmax，tmax的表达式为：

tmax＝0.4tc-0.05

其中tc为个人个性化的心动周期。

作为本发明进一步的技术方案，步骤a4中所述使用改进的模拟退火优化算法流程图如图4所示，对集中参数模型中的敏感参数进行迭代优化的方法包括以下步骤：

步骤b1:将步骤a3中的各敏感参数作为优化的初始参数a(n)；

步骤b2:设定所需优化参数的搜索范围[0.1a(n),2a(n)]，上限为各初始参数的200％，下限为各初始参数的10％；

步骤b3:设定模拟退火法的初始温度t为100，降温因子coolingfactor为0.95，参数增长/减少的最大步长step为10％，容差tolerance为各优化目标波形均值ave的5％，迭代优化的终止条件为新解(目标函数的值)小于容差；

步骤b4:使用改进的参数调节方式，循环迭代执行优化。基于改进的模拟退火优化算法，将每次参数优化后模型计算出的仿真波形与临床采集波形比较，根据比较结果将需要优化的参数在搜索范围内按指定方向增长或减少。若仿真的压力u低于实际的目标压力ut，则提高电阻和电压源压力；若仿真的流量i低于实际的目标血流量it，则降低电阻；若仿真的压力波形脉压差pp小于目标压力波形的脉压差ppt，则降低电容；若仿真的心输出量波形的收缩期时长ts小于目标心输出量波形的收缩期时长tst，则增大电感。基于以上参数调节方式，每次迭代时各敏感参数在搜索范围内增长/减少0-10％，t＝t×coolingfactor；

步骤b5:分别将更新前后的各参数代入集中参数模型(仿真函数fitness())中进行目标函数的计算，比较新旧两次计算结果，参数更新后的解f(s’)若小于更新前的解f(s)，则接受当前解，否则以概率e^{-(f(s’)-f(s))/t}接受当前解；

步骤b6:当满足终止条件时，结束优化，否则回到步骤b4。

基于改进模拟退火优化算法的集中参数模型个性化方法包括：采集人体的生理数据，包括心输出量、颈动脉流量和四肢压力波形数据；基于人体的血液循环系统结构和生理参数构建适用于一般人的血液循环系统集中参数模型；以采集到的生理波形数据为目标，对集中参数模型中的参数进行敏感性分析，确定对目标影响较大的敏感参数；基于改进的模拟退火优化算法，将采集的生理波形数据与计算出的仿真波形之间的均方根误差作为目标函数，对集中参数模型中的敏感参数进行迭代优化；当目标函数小于容差时，认为优化结果达到可接受的最优解，结束优化，输出最优解。对临床采集一例个人的生理波形数据的集中参数模型优化结果如图5所示。