本發(fā)明涉及醫(yī)療監(jiān)測，尤其涉及一種基于人工智能的便攜式肺功能監(jiān)測方法和裝置。
背景技術(shù)：
1、肺功能監(jiān)測對于慢性阻塞性肺疾病（chronic?obstructive?pulmonary?disease,copd）、哮喘等呼吸系統(tǒng)疾病的診斷、管理和預(yù)后評估至關(guān)重要。傳統(tǒng)的肺功能測試，如肺活量測定法，通常在醫(yī)院或診所等專業(yè)醫(yī)療環(huán)境中進(jìn)行，依賴于大型、復(fù)雜的設(shè)備，難以實(shí)現(xiàn)對患者日常生理狀態(tài)的連續(xù)、動(dòng)態(tài)跟蹤。隨著物聯(lián)網(wǎng)和可穿戴技術(shù)的發(fā)展，便攜式肺功能監(jiān)測設(shè)備應(yīng)運(yùn)而生，為居家健康管理提供了新的可能。
2、然而，現(xiàn)有的便攜式監(jiān)測設(shè)備，例如便攜式肺活量計(jì)或脈搏血氧儀，主要提供如用力肺活量（forced?vital?capacity,?fvc）、第一秒用力呼氣容積（forced?expiratoryvolume?in?one?second,?fev1）或血氧飽和度（oxygen?saturation,?spo2）等宏觀、單一的生理指標(biāo)。這些指標(biāo)雖然具有臨床價(jià)值，但僅能反映肺功能的整體狀態(tài)，無法提供關(guān)于呼吸道內(nèi)氣體流場、壓力分布以及肺組織力學(xué)狀態(tài)等詳細(xì)的時(shí)空物理場信息。此外，這些設(shè)備采集的數(shù)據(jù)往往是時(shí)間上稀疏的、離散的點(diǎn)狀數(shù)據(jù)，難以用于構(gòu)建能夠預(yù)測肺功能未來動(dòng)態(tài)演變的完整模型。
3、在計(jì)算建模領(lǐng)域，研究人員嘗試使用計(jì)算流體動(dòng)力學(xué)（computational?fluiddynamics,?cfd）等數(shù)值模擬方法來構(gòu)建高保真度的呼吸系統(tǒng)生理模型。這類方法雖然能夠精確模擬肺部的復(fù)雜物理過程，但其計(jì)算成本極其高昂，需要高性能計(jì)算資源，并且對模型邊界條件的完備性要求苛刻，使其完全不適用于便攜式設(shè)備的實(shí)時(shí)監(jiān)測場景。另一方面，純數(shù)據(jù)驅(qū)動(dòng)的人工智能方法，如循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent?neural?network,?rnn）或長短期記憶網(wǎng)絡(luò)（long?short-term?memory,?lstm），雖可直接處理傳感器采集的時(shí)間序列數(shù)據(jù)，但它們通常作為“黑箱”模型運(yùn)行，缺乏對底層呼吸生理學(xué)規(guī)律的遵循。這導(dǎo)致模型在進(jìn)行長期預(yù)測時(shí)，容易因誤差累積而產(chǎn)生偏離物理現(xiàn)實(shí)的結(jié)果，尤其是在處理稀疏和帶噪數(shù)據(jù)時(shí)，其預(yù)測的穩(wěn)定性和可靠性難以保證。
4、因此，現(xiàn)有技術(shù)中存在一個(gè)明顯的技術(shù)挑戰(zhàn)：如何將便攜式設(shè)備采集的稀疏生理數(shù)據(jù)與呼吸系統(tǒng)的復(fù)雜物理模型有效結(jié)合，開發(fā)一種既能保證物理一致性，又具備高計(jì)算效率的監(jiān)測方法。目前，尚缺乏一種能夠?qū)崟r(shí)、準(zhǔn)確地從有限的便攜式傳感數(shù)據(jù)中推斷出肺功能全時(shí)空物理場，并實(shí)現(xiàn)穩(wěn)定長期預(yù)測的技術(shù)方案。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明提供了一種基于人工智能的便攜式肺功能監(jiān)測方法和裝置，解決了現(xiàn)有技術(shù)存在的監(jiān)測維度單一、預(yù)測不穩(wěn)定及計(jì)算成本高的問題。
2、第一方面，本發(fā)明實(shí)施例提供了一種基于人工智能的便攜式肺功能監(jiān)測方法，方法包括：
3、獲取由一便攜式傳感裝置采集的至少一個(gè)生理參數(shù)的稀疏時(shí)間序列數(shù)據(jù)；
4、基于稀疏時(shí)間序列數(shù)據(jù)，利用一第一神經(jīng)網(wǎng)絡(luò)模型對一預(yù)設(shè)的、其控制方程為偏微分方程的呼吸系統(tǒng)生理模型進(jìn)行逆問題求解，實(shí)時(shí)辨識(shí)出一組表征個(gè)體呼吸系統(tǒng)動(dòng)態(tài)特性的模型參數(shù)；
5、基于實(shí)時(shí)辨識(shí)出的模型參數(shù)以及一當(dāng)前時(shí)刻的生理狀態(tài)，利用一經(jīng)預(yù)訓(xùn)練的、用于求解控制方程的第二神經(jīng)網(wǎng)絡(luò)模型，以自回歸方式進(jìn)行前向預(yù)測，生成覆蓋一未來時(shí)間域的、表征肺功能狀態(tài)的完整時(shí)空物理場量的滾動(dòng)預(yù)測序列；以及
6、在前向預(yù)測過程中，基于滾動(dòng)預(yù)測序列計(jì)算控制方程的物理殘差，并根據(jù)物理殘差對滾動(dòng)預(yù)測序列執(zhí)行小步長優(yōu)化，以進(jìn)行自適應(yīng)修正。
7、在一種可選的實(shí)現(xiàn)方式中，實(shí)時(shí)辨識(shí)出一組表征個(gè)體呼吸系統(tǒng)動(dòng)態(tài)特性的模型參數(shù)的步驟，包括：
8、構(gòu)建一物理信息神經(jīng)網(wǎng)絡(luò)pinn作為第一神經(jīng)網(wǎng)絡(luò)模型，并將呼吸系統(tǒng)生理模型的控制方程作為正則化項(xiàng)添加至其損失函數(shù)中；
9、利用稀疏時(shí)間序列數(shù)據(jù)對pinn進(jìn)行訓(xùn)練，以辨識(shí)出生理模型中作為未知邊界條件的參數(shù)。
10、在一種可選的實(shí)現(xiàn)方式中，方法還包括：
11、在執(zhí)行小步長優(yōu)化，以進(jìn)行自適應(yīng)修正的步驟中，將辨識(shí)出的未知邊界條件的參數(shù)，作為計(jì)算物理殘差時(shí)所需的一個(gè)已知輸入；
12、在評估控制方程的殘差時(shí)，將參數(shù)代入控制方程的邊界項(xiàng)中，從而使得小步長優(yōu)化過程受參數(shù)辨識(shí)結(jié)果的物理約束。
13、在一種可選的實(shí)現(xiàn)方式中，生成覆蓋一未來時(shí)間域的、表征肺功能狀態(tài)的完整時(shí)空物理場量的滾動(dòng)預(yù)測序列的步驟，包括：
14、在當(dāng)前時(shí)間步處，利用第二神經(jīng)網(wǎng)絡(luò)模型預(yù)測時(shí)空物理場量的時(shí)間導(dǎo)數(shù)；
15、將預(yù)測的時(shí)間導(dǎo)數(shù)以及當(dāng)前時(shí)間步的狀態(tài)輸入至一常微分方程ode積分器；由ode積分器，通過執(zhí)行一步或多步數(shù)值積分來計(jì)算下一時(shí)間步的狀態(tài)，以實(shí)現(xiàn)時(shí)序上的前向推進(jìn)；
16、其中，為時(shí)空物理場量，為當(dāng)前時(shí)間步，為下一時(shí)間步，為時(shí)間步的整數(shù)索引，為在當(dāng)前時(shí)間步處預(yù)測的時(shí)空物理場量的時(shí)間導(dǎo)數(shù)。
17、在一種可選的實(shí)現(xiàn)方式中，第二神經(jīng)網(wǎng)絡(luò)模型為一時(shí)間神經(jīng)算子tno網(wǎng)絡(luò)，tno網(wǎng)絡(luò)包括：
18、一用于處理時(shí)變參數(shù)的輸入分支網(wǎng)絡(luò)；
19、一用于處理時(shí)空坐標(biāo)的軀干網(wǎng)絡(luò)；
20、一用于處理當(dāng)前生理狀態(tài)時(shí)間序列的瞬時(shí)狀態(tài)分支網(wǎng)絡(luò)；以及
21、一解碼器，解碼器被配置為對輸入分支網(wǎng)絡(luò)、軀干網(wǎng)絡(luò)和瞬時(shí)狀態(tài)分支網(wǎng)絡(luò)的輸出進(jìn)行哈達(dá)瑪積融合，并將融合后的表征映射到輸出解空間。
22、在一種可選的實(shí)現(xiàn)方式中，時(shí)空物理場量為一多物理耦合場，至少包括呼吸道內(nèi)的氣體流速場、壓力分布場以及肺部組織的應(yīng)力-應(yīng)變場；
23、并且，第二神經(jīng)網(wǎng)絡(luò)模型被配置為通過單次前向推斷，從業(yè)已采集的單點(diǎn)或稀疏生理參數(shù)輸入，瞬時(shí)重建出多物理耦合場的全域分布。
24、在一種可選的實(shí)現(xiàn)方式中，采用一種針對移動(dòng)源問題的連續(xù)時(shí)間遷移學(xué)習(xí)策略，對第二神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練或在線微調(diào)；
25、其中，將非平穩(wěn)生理事件建模為在呼吸系統(tǒng)生理模型中移動(dòng)的壓力源或流速源，以提升模型對此類動(dòng)態(tài)事件的預(yù)測魯棒性。
26、在一種可選的實(shí)現(xiàn)方式中，根據(jù)物理殘差對滾動(dòng)預(yù)測序列執(zhí)行小步長優(yōu)化的步驟，通過最小化由如下?lián)p失函數(shù)定義的物理殘差來實(shí)現(xiàn)：
27、
28、其中，損失函數(shù)為納維-斯托克斯方程的殘差形式，為氣體流速向量；為壓力；為氣體密度；為運(yùn)動(dòng)粘度；為體力項(xiàng)，為時(shí)間，為梯度算子；為拉普拉斯算子；表示在時(shí)空域上計(jì)算的范數(shù)；且，執(zhí)行小步長優(yōu)化為對第二神經(jīng)網(wǎng)絡(luò)模型權(quán)重或其輸出場量的一步或多步梯度下降。
29、在一種可選的實(shí)現(xiàn)方式中，呼吸系統(tǒng)生理模型中包含多個(gè)由不同生物組織構(gòu)成的子域；
30、第一神經(jīng)網(wǎng)絡(luò)模型和/或第二神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練時(shí)或結(jié)構(gòu)上被施加界面連續(xù)性約束，約束在跨越不同生物組織界面時(shí)，強(qiáng)制保證物理量滿足連續(xù)性或預(yù)設(shè)的躍遷條件。
31、第二方面，本發(fā)明實(shí)施例提供了一種基于人工智能的便攜式肺功能監(jiān)測裝置，裝置包括：
32、數(shù)據(jù)獲取模塊，用于獲取由一便攜式傳感裝置采集的至少一個(gè)生理參數(shù)的稀疏時(shí)間序列數(shù)據(jù)；
33、參數(shù)辨識(shí)模塊，用于基于稀疏時(shí)間序列數(shù)據(jù)，利用一第一神經(jīng)網(wǎng)絡(luò)模型對一預(yù)設(shè)的、其控制方程為偏微分方程的呼吸系統(tǒng)生理模型進(jìn)行逆問題求解，實(shí)時(shí)辨識(shí)出一組表征個(gè)體呼吸系統(tǒng)動(dòng)態(tài)特性的模型參數(shù)；
34、前向預(yù)測模塊，用于基于實(shí)時(shí)辨識(shí)出的模型參數(shù)以及一當(dāng)前時(shí)刻的生理狀態(tài)，利用一經(jīng)預(yù)訓(xùn)練的、用于求解控制方程的第二神經(jīng)網(wǎng)絡(luò)模型，以自回歸方式進(jìn)行前向預(yù)測，生成覆蓋一未來時(shí)間域的、表征肺功能狀態(tài)的完整時(shí)空物理場量的滾動(dòng)預(yù)測序列；以及
35、在線修正模塊，用于在前向預(yù)測過程中，基于滾動(dòng)預(yù)測序列計(jì)算控制方程的物理殘差，并根據(jù)物理殘差對滾動(dòng)預(yù)測序列執(zhí)行小步長優(yōu)化，以進(jìn)行自適應(yīng)修正。
36、本發(fā)明實(shí)施例第三方面提出一種電子設(shè)備，電子設(shè)備包括：
37、至少一個(gè)處理器；以及，與至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，
38、存儲(chǔ)器存儲(chǔ)有可被至少一個(gè)處理器執(zhí)行的指令，指令被至少一個(gè)處理器執(zhí)行，以使至少一個(gè)處理器能夠執(zhí)行本發(fā)明實(shí)施例第一方面提出方法。
39、本發(fā)明實(shí)施例第四方面提出一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明實(shí)施例第一方面提出方法。
40、有益效果：
41、通過從便攜式傳感裝置實(shí)時(shí)采集稀疏的生理參數(shù)，并利用第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行逆問題求解以辨識(shí)個(gè)體化的呼吸系統(tǒng)模型參數(shù)，本方法能夠?qū)⒂邢薜摹⒁子讷@取的居家監(jiān)測數(shù)據(jù)與復(fù)雜的生物物理模型相結(jié)合，實(shí)現(xiàn)了對個(gè)體生理特性的實(shí)時(shí)標(biāo)定，克服了傳統(tǒng)臨床檢測無法連續(xù)跟蹤、現(xiàn)有便攜設(shè)備僅提供宏觀指標(biāo)的局限性。引入了一種物理信息約束下的閉環(huán)修正機(jī)制，在前向預(yù)測過程中，通過持續(xù)計(jì)算控制方程的物理殘差并執(zhí)行小步長優(yōu)化，確保了生成的全時(shí)空物理場預(yù)測序列始終遵循呼吸動(dòng)力學(xué)的基本規(guī)律。這一機(jī)制有效抑制了純數(shù)據(jù)驅(qū)動(dòng)模型在長期預(yù)測中因誤差累積而導(dǎo)致的模型發(fā)散和物理失真問題，顯著提升了預(yù)測結(jié)果的穩(wěn)定性和可靠性。基于該高保真度的預(yù)測序列，本方法能夠從稀疏輸入中重建出如呼吸道內(nèi)氣體流場、壓力分布等高維度的生理信息，實(shí)現(xiàn)了從“點(diǎn)”到“場”的監(jiān)測能力躍遷。同時(shí)，該方法利用神經(jīng)網(wǎng)絡(luò)的高效推理能力，避免了傳統(tǒng)數(shù)值模擬（如計(jì)算流體動(dòng)力學(xué)）所需的高昂計(jì)算成本，使其能夠部署于便攜式設(shè)備中，為實(shí)現(xiàn)低成本、高精度的個(gè)性化肺功能動(dòng)態(tài)評估和早期預(yù)警提供了全新的技術(shù)途徑。