一种心室辅助系统的冲洗设备的自适应控制方法及装置与流程

本技术涉及医疗器械，特别是涉及一种心室辅助系统的冲洗设备的自适应控制方法及装置。

背景技术：

1、心室辅助系统是针对患有心脏相关疾病的患者，如心衰患者，提供支撑或辅助功能的装置，用于辅助心脏将血液泵送至身体其他各部位。心室辅助系统包括心室辅助设备、冲洗设备和主机，在心室导管泵运行时，冲洗设备可以产生与血液流动方向相反的冲洗液，以避免血液进入心室导管泵的电机。

2、冲洗设备的主要问题是控制，当前利用预先设定的速度控制冲洗设备，采用这样的方案导致冲洗设备的运行无法灵活适应当前系统状况。

技术实现思路

1、本技术实施例的目的在于提供一种心室辅助系统的冲洗设备的自适应控制方法及装置，以实现冲洗设备的运行灵活适应当前系统状况。具体技术方案如下：

2、第一方面，本技术实施例提供了一种心室辅助系统的冲洗设备的自适应控制方法，应用于心室辅助系统中的控制器，所述心室辅助系统包括心室辅助设备、冲洗设备以及控制器，所述方法包括：

3、确定表征所述冲洗设备的出口压力的时序变化特性的压力变化曲线，并确定表征所述心室辅助设备的设备温度的时序变化特性的温度变化曲线；

4、对所述压力变化曲线与温度变化曲线进行拟合，基于拟合结果确定表征所述心室辅助系统的系统状态的时序变化特性的目标状态变化量；

5、按照预设的状态变化量与转速偏差量之间的对应关系，确定所述目标状态变化量所对应的转速偏差量，作为所述冲洗设备的当前转速的目标偏差量；

6、按照所述目标偏差量，调整所述冲洗设备的当前转速，以使得所述冲洗设备按照调整后的转速运行。

7、本技术的一个实施例中，上述对所述压力变化曲线与温度变化曲线进行拟合，基于拟合结果确定表征所述心室辅助系统的系统状态的时序变化特性的目标状态变化量，包括：

8、将所述压力变化曲线与温度变化曲线输入预先训练的状态预测模型，得到所述状态预测模型输出的状态变化量，作为表征所述心室辅助系统的系统状态的时序变化特性的目标状态变化量；

9、其中，所述状态预测模型包括曲线拟合子模型以及状态预测子模型，所述曲线拟合子模型用于对压力变化曲线与温度变化曲线进行拟合，并将拟合结果输入所述状态预测子模型，所述状态预测子模型用于基于拟合结果，预测所述心室辅助系统的状态变化量。

10、本技术的一个实施例中，上述状态预测模型为按照以下方式训练得到的模型：

11、获取样本压力变化曲线与样本温度变化曲线，并获取样本心室辅助系统的状态变化的实际状态变化量，其中，所述样本压力变化曲线表征样本心室辅助系统中的样本冲洗设备的出口压力的时序变化特性，所述样本温度变化曲线表征样本心室辅助系统中的样本心室辅助设备的设备温度的时序变化特性；

12、将所述样本压力变化曲线、样本温度变化曲线输入第一神经网络模型，得到第一神经网络模型输出的第一状态变化预测量，基于第一状态变化预测量与实际状态变化量之间的差距，调整所述第一神经网络模型中的第一子模型的模型参数，直至满足第一预设收敛条件，得到包含训练后第一子模型的第一神经网络模型，作为第二神经网络模型，其中，所述第一子模型用于拟合样本压力变化曲线与样本温度变化曲线；

13、将所述样本压力变化曲线、样本温度变化曲线输入所述第二神经网络模型，得到所述第二神经网络模型输出的第二状态变化预测量，基于第二状态变化预测量与实际状态变化量之间的差距，调整所述第二神经网络模型中的第二子模型的模型参数，直至满足第二预设收敛条件，得到包含训练后第二子模型的第二神经网络模型，作为状态预测模型，其中，所述第二子模型用于基于拟合结果预测系统状态变化量。

14、本技术的一个实施例中，上述按照所述目标偏差量，调整所述冲洗设备的当前转速，包括：

15、判断所述目标偏差量是否大于预设偏差量阈值；

16、若为是，计算所述目标偏差量与预设偏差量阈值之间的差值，基于所述目标偏差量与差值，确定转速调整迭代次数；按照所述转速调整迭代次数，将所计算的差值确定为单次调整偏量，调整所述冲洗设备的当前转速；

17、若为否，计算所述目标偏差量与当前转速之间的和值，将计算得到的和值确定为调整后的当前转速。

18、第二方面，本技术实施例提供了一种心室辅助系统的冲洗设备的自适应控制装置，应用于心室辅助系统中的控制器，所述心室辅助系统包括心室辅助设备、冲洗设备以及控制器，所述装置包括：

19、曲线确定模块，用于确定表征所述冲洗设备的出口压力的时序变化特性的压力变化曲线，并确定表征所述心室辅助设备的设备温度的时序变化特性的温度变化曲线；

20、状态确定模块，用于对所述压力变化曲线与温度变化曲线进行拟合，基于拟合结果确定表征所述心室辅助系统的系统状态的时序变化特性的目标状态变化量；

21、转速偏差确定模块，用于按照预设的状态变化量与转速偏差量之间的对应关系，确定所述目标状态变化量所对应的转速偏差量，作为所述冲洗设备的当前转速的目标偏差量；

22、设备控制模块，用于按照所述目标偏差量，调整所述冲洗设备的当前转速，以使得所述冲洗设备按照调整后的转速运行。

23、本技术的一个实施例中，上述状态确定模块，具体用于将所述压力变化曲线与温度变化曲线输入预先训练的状态预测模型，得到所述状态预测模型输出的状态变化量，作为表征所述心室辅助系统的系统状态的时序变化特性的目标状态变化量；其中，所述状态预测模型包括曲线拟合子模型以及状态预测子模型，所述曲线拟合子模型用于对压力变化曲线与温度变化曲线进行拟合，并将拟合结果输入所述状态预测子模型，所述状态预测子模型用于基于拟合结果，预测所述心室辅助系统的状态变化量。

24、本技术的一个实施例中，上述状态确定模块，包括模型训练子模块，所述模型训练子模块，包括：

25、训练样本获取单元，用于获取样本压力变化曲线与样本温度变化曲线，并获取样本心室辅助系统的状态变化的实际状态变化量，其中，所述样本压力变化曲线表征样本心室辅助系统中的样本冲洗设备的出口压力的时序变化特性，所述样本温度变化曲线表征样本心室辅助系统中的样本心室辅助设备的设备温度的时序变化特性；

26、第一模型训练单元，用于将所述样本压力变化曲线、样本温度变化曲线输入第一神经网络模型，得到第一神经网络模型输出的第一状态变化预测量，基于第一状态变化预测量与实际状态变化量之间的差距，调整所述第一神经网络模型中的第一子模型的模型参数，直至满足第一预设收敛条件，得到包含训练后第一子模型的第一神经网络模型，作为第二神经网络模型，其中，所述第一子模型用于拟合样本压力变化曲线与样本温度变化曲线；

27、第二模型训练单元，用于将所述样本压力变化曲线、样本温度变化曲线输入所述第二神经网络模型，得到所述第二神经网络模型输出的第二状态变化预测量，基于第二状态变化预测量与实际状态变化量之间的差距，调整所述第二神经网络模型中的第二子模型的模型参数，直至满足第二预设收敛条件，得到包含训练后第二子模型的第二神经网络模型，作为状态预测模型，其中，所述第二子模型用于基于拟合结果预测系统状态变化量。

28、本技术的一个实施例中，上述设备控制模块，具体用于判断所述目标偏差量是否大于预设偏差量阈值；若为是，计算所述目标偏差量与预设偏差量阈值之间的差值，基于所述目标偏差量与差值，确定转速调整迭代次数；按照所述转速调整迭代次数，将所计算的差值确定为单次调整偏量，调整所述冲洗设备的当前转速；若为否，计算所述目标偏差量与当前转速之间的和值，将计算得到的和值确定为调整后的当前转速。

29、第三方面，本技术实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

30、存储器，用于存放计算机程序；

31、处理器，用于执行存储器上所存放的程序时，实现上述第一方面所述的方法步骤。

32、第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法步骤。

33、由以上可见，应用本技术实施例提供的方案，基于目标偏差量调整冲洗设备当前转速，而目标偏差量是基于目标状态变化量确定的。由于目标状态变化量是基于压力变化曲线与温度变化曲线的拟合结果确定的，又由于压力变化曲线反映冲洗设备的出口压力的时序变化特性，温度变化曲线反映心室辅助设备的设备温度的时序变化特性，那么，压力变化曲线与温度变化曲线的拟合结果能够综合反映冲洗设备以及心室辅助设备的特性，同时，冲洗设备、心室辅助设备作为心室辅助系统中最主要的部分，因此基于上述拟合结果所确定的目标状态变化量，能够准确地反映心室辅助系统的当前系统整体状态特性。因此，基于上述目标状态变化量所确定的目标偏差量能够适应于心室辅助系统的当前系统整体状态，从而实现冲洗设备的自适应控制。

34、当然，实施本技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。