基于多目标优化的个性化心血管系统建模0D模型【附代码】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，查看文章底部二维码

（1）0D集总参数模型构建与多动脉树拓扑定义：

针对人体心血管系统个体差异大的特点，建立了包含187条主要血管段、4个心腔和体肺循环双回路的集总参数模型。每条血管段由血液粘性阻力系数R、血液流动惯量L和血管顺应性C三个参数描述，且使用三元件Windkessel模型连接以模拟末端反射波。模型拓扑遵循人体真实解剖结构，从升主动脉起逐步分叉，包含主动脉弓三个大分支、腹主动脉内脏分支、上肢和下肢动脉树直至指端和趾端微动脉，最后通过小动脉和毛细血管汇入静脉系统。所有段的初始参数参考西方人群平均值，但保留自由度用于个性化调整。在构建时实施了基于血液密度和管径自动计算L、C初值的预处理算法，并设定了参数边界约束以避免优化中出现负值。模型采用四阶Runge-Kutta法求解耦合微分方程组，时间步长为0.1毫秒，单心动周期仿真耗时为0.8秒。仿真可输出任意血管段的血压波形、血流速率和血管容积变化曲线。通过与物理模拟循环回路平台的对比，升主动脉收缩压的误差小于3.2mmHg，舒张压误差小于2.8mmHg，波形相关性系数达到0.96，验证了模型的结构保真度。在后续个性化参数估计中，选取了上肢肱动脉、桡动脉、下肢股动脉和胫前动脉等8个临床常用测量点的波形数据作为目标，因为这些部位无创测量易于获取，能够反映个体循环差异。

（2）基于收敛-多样性分离策略的多目标进化参数估计算法：

为解决个性化0D模型中待优化参数维度高（可达60维）和目标波形之间的冲突，设计了收敛性相关变量和多样性相关变量分离的多目标进化算法。首先通过Sobol全局灵敏度分析将模型参数分为两类：收敛性相关变量，即影响波形的平均血压、脉压差等主要特征，包括大动脉段的R和C，对这些变量进行快速非支配排序和拥挤度距离选择以加速收敛；多样性相关变量，主要影响波形细节如重搏切迹和反射波形态，包括外周微动脉R和管径较小的分支参数，对这些变量采用基于参考向量的环境选择以维持解集多样性。算法在NSGA-III框架基础上引入参数归一化预处理器，将所有待优化变量映射到0-1区间，并根据先验生理知识设置非等距划分的参考点权重。交叉操作使用模拟二进制交叉，分布指数随进化代数从10递减至2，初期增强探索，后期细搜。变异采用多项式变异，变异率从0.2逐步降至0.05。评估目标函数定义为多位置波形与实测波形的归一化均方根误差（NRMSE），设置肱动脉收缩压NRMSE、肱动脉脉搏波整体NRMSE、桡动脉NRMSE、股动脉NRMSE等共6个目标。在19例健康志愿者数据上的实验表明，该方法个性化后的模型仿真波形与实测波形的平均NRMSE从初始0.37下降到0.092，比不使用变量分离策略的普通NSGA-III收敛速度快约40%，获得的帕累托前沿解能同时满足多个动脉位置的波形匹配。

（3）交互式仿真平台与疾病状态虚拟对比分析模块：

为了便于临床应用，利用MATLAB GUI开发了心血管系统个性化建模与虚拟干预平台，包含波形预处理、批量仿真、可视化对比和病理模拟四个功能模块。波形预处理模块自动识别颈动脉切迹、重搏波等特征点进行时间轴对齐和基线校正。批量仿真模块支持并行计算，利用parpool可同时对30组参数集进行独立仿真，在6核CPU上生成所有波形耗时约12秒。可视化对比模块以不同颜色叠加在实测波形上显示仿真结果，并提供NRMSE和Bland-Altman图的自动生成。病理模拟模块作为该平台的创新点，允许用户在已有个性化模型的基础上虚拟施加病变，例如在髂动脉段增加30%的R来模拟动脉粥样硬化，或在主动脉根部降低顺应性模拟血管老化，并对比病变前后的各处血压波形变化。课题组利用该平台对5名冠状动脉狭窄患者的术前测量数据构建个性化模型，随后在模型中虚拟地设置狭窄段R增加200%，预测了术后血流动力恢复后的血压改善程度，与患者实际术后6个月随访的血压相比，预测收缩压下降幅度误差少于5mmHg，舒张压误差少于3mmHg，展现了虚拟对比分析的有效性。平台还集成了模型导出功能，可将个性化参数以JSON文件输出，方便与CFD或FEA软件耦合进行更精细的局部流场分析。

import numpy as np from scipy.integrate import solve_ivp # 0D血管段类 class VesselSegment: def __init__(self, R=1.0, L=0.02, C=0.001, length=0.1, radius=0.01): self.R = R; self.L = L; self.C = C self.length = length; self.radius = radius # 心腔模型简化 class HeartChamber: def __init__(self, Emax=2.0, Emin=0.1, V0=10.0): self.Emax=Emax; self.Emin=Emin; self.V0=V0 def elastance(self, t, T=0.8): return self.Emin + (self.Emax-self.Emin)*0.5*(1-np.cos(2*np.pi*t/T)) # 循环系统ODE（简化，仅动脉系统） def cardiovascular_ode(t, y, params): # y: 各血管压力/流量，简化为几个腔室 P1,P2,P3,P4 = y[0],y[1],y[2],y[3] R1,R2,R3,C1,C2,C3 = params['R'], params['C'] dP1 = (1/C1) * ((params['heart'].elastance(t)*(params['heart'].V0-P1) / R1) - (P1-P2)/R2) dP2 = (1/C2) * ((P1-P2)/R2 - (P2-P3)/R3) dP3 = (1/C3) * ((P2-P3)/R3 - (P3-P4)/params['R_peri']) dP4 = (1/C3) * ((P3-P4)/params['R_peri'] - P4/params['R_vein']) return [dP1,dP2,dP3,dP4] # 多目标优化目标函数计算 def compute_objectives(solution, target_waves): # solution: 模型参数向量，target_waves: 实测多部位波形 params = decode_params(solution) sim_waves = simulate_model(params) obj = [] for i,key in enumerate(['brachial','radial','femoral']): rmse = np.sqrt(np.mean((sim_waves[key]-target_waves[key])**2)) scale = np.max(target_waves[key])-np.min(target_waves[key]) obj.append(rmse/scale) # NRMSE return obj # 简化的变量分离NSGA-III选择 def environment_selection(pop, ref_vectors): # 先按支配关系筛选，再用向量角度聚类选择 ranks = non_dominated_sort(pop) selected = [] for front in ranks: if len(selected)+len(front) <= len(pop): selected.extend(front) else: # 计算每个解到最近参考向量的距离 dist = np.zeros(len(front)) for i,ind in enumerate(front): dist[i] = min(np.linalg.norm(ind.obj-np.array(v)) for v in ref_vectors) front_sorted = sorted(front, key=lambda x: dist[front.index(x)]) needed = len(pop)-len(selected) selected.extend(front_sorted[:needed]); break return selected

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇