从外围数据中重建大动脉波形,使用物理信息的神经网络
概括
这项研究引入了一种新的物理信息神经网络 (PINN),以使用外围动脉数据非侵入性地重建大动脉波形. PINN模型显著提高了心血管建模的准确性和个性化.
科学领域:
- 生物医学工程 生物医学工程
- 心血管生理学心血管生理学
- 计算科学 计算科学
背景情况:
- 大动脉波形对于评估心血管健康至关重要,但很难以非侵入的方式获得.
- 目前用于重建大动脉波形的现有方法在个性化和可扩展性方面面临挑战.
研究的目的:
- 开发一种新的物理信息神经网络 (PINN) 框架,用于准确,非侵入性和个性化的大动脉波形重建.
- 利用外围动脉血动力学来估计个性化的心血管参数.
主要方法:
- 开发了一个物理信息神经网络 (PINN) 框架,将物理原理与数据驱动方法集成在一起.
- 在PINN模型中,利用外周动脉数据来估计血液动力学参数,而无需直接对大动脉进行测量.
- 性能与传统的数据驱动神经网络进行了比较.
主要成果:
- 与传统模型相比,PINN模型在波形重建精度上取得了64%的改进 (RMSE 0.17与0.47).
- 该框架证明了有效的推断到未见的大动脉位置.
- 估计了个性化的血液动力学参数,使患者特异性心血管建模成为可能.
结论:
- 拟议的PINN框架为个性化主动脉波形重建提供了一个可扩展和准确的解决方案.
- 这种方法增强了非侵入性心血管评估和患者特定的建模.
- 在个人层面上,PINNs对高准确度的生理流动和压力建模有希望.
