基于LSTM的軸流血泵仿生搏動(dòng)研究

羅耀俊， 胡曉兵, 魏上云

(1.四川大學(xué)機(jī)械工程學(xué)院， 成都 610065； 2.四川大學(xué)宜賓園區(qū), 宜賓 644000)

1 引 言

在過去，對(duì)于心力衰竭末期的患者來說，醫(yī)學(xué)上公認(rèn)唯一有效的辦法是心臟移植[1].但是心臟移植受到供體不足、術(shù)后免疫排斥反應(yīng)，還有高昂的手術(shù)費(fèi)用和維護(hù)成本等限制，使心衰患者生存率一直都較低，人工心臟的出現(xiàn)，大大緩解了這一窘境.現(xiàn)如今按照直接輔助對(duì)象和輔助程度的不同，人工心臟可分為全人工心臟和心室輔助兩種[2].但除去心衰末期患者，大多數(shù)患者的心臟只是功能部分損傷，只需要輔助裝置來彌補(bǔ)或修復(fù)損傷的功能，不一定需要全人工心臟.臨床運(yùn)用中，左心室輔助裝置最為常見，運(yùn)用最廣泛[3].

目前心室輔助裝置按輔助方式可分為仿生搏動(dòng)式和恒流輔助式.搏動(dòng)式輔助裝置可提供仿生搏動(dòng)功能，提供給患者搏動(dòng)血流，一般運(yùn)用于心衰患者術(shù)前或術(shù)后的短期輔助，因?yàn)槠浯蠖鄮в袕?fù)雜的控制系統(tǒng)，常用于體外輔助，影響病人的日常生活，如隔膜泵、囊式泵.恒流式輔助裝置的特點(diǎn)就是能提供恒定血流、體積小、體表創(chuàng)傷小，而且能實(shí)現(xiàn)全植入，最大程度上實(shí)現(xiàn)了患者的日常活動(dòng)自由[4]，臨床上常用的主要有微型軸流泵和離心泵，但是提供恒定血流會(huì)破壞心室壓力-容量曲線，可能會(huì)使心肌受損，產(chǎn)生其他并發(fā)病，而搏動(dòng)是人類最基本的內(nèi)在屬性，文獻(xiàn)[5，6]也表明搏動(dòng)性血流在各方面優(yōu)于非搏動(dòng)性血流灌注.所以，結(jié)合仿生搏動(dòng)式和恒流輔助式的特點(diǎn)，研究軸流泵的同步仿生搏動(dòng)性是非常有必要的[7].

為此，本文設(shè)計(jì)了仿生搏動(dòng)的軸流血泵，針對(duì)設(shè)計(jì)的檢測(cè)系統(tǒng)和控制系統(tǒng)存在延遲，出現(xiàn)軸流血泵動(dòng)作對(duì)比自然心臟搏動(dòng)有較大滯后，不能與自然心臟同步搏動(dòng)的問題，提出了利用LSTM模型根據(jù)軸流血泵前面6個(gè)周期情況來預(yù)測(cè)下一個(gè)周期特征情況的方法.根據(jù)預(yù)測(cè)的數(shù)據(jù)使控制系統(tǒng)能提早發(fā)出控制指令，進(jìn)一步提高軸流血泵仿生搏動(dòng)性的可能.結(jié)果表明，本文提出的方法具有可行性，訓(xùn)練集預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的均方根誤差為8.29，而通過測(cè)試集得到的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的均方根誤差為5.33.

2 裝置的搭建

實(shí)驗(yàn)裝置是根據(jù)人體血液循環(huán)特點(diǎn)設(shè)計(jì)的血液循環(huán)模擬實(shí)驗(yàn)平臺(tái)[8]，由軸流血泵、壓力傳感器、流量傳感器、阻力調(diào)節(jié)器、模擬心臟和人工血管組成，如圖1所示.在軸流血泵入口和出口分別布置一個(gè)壓力傳感器(模擬監(jiān)控左心室和主動(dòng)脈壓力)，出口再布置阻力調(diào)節(jié)器(通過調(diào)節(jié)電動(dòng)閥開度來實(shí)現(xiàn)不同阻力模擬后負(fù)荷)和流量傳感器(監(jiān)控軸流血泵的輸出流量)，由人工血管(醫(yī)用體循環(huán)專用管)串聯(lián)而成.

圖1 搏動(dòng)性實(shí)驗(yàn)輔助方案Fig.1 Auxiliary program for pulsatile experiment

根據(jù)左心室壓力-容量曲線圖(如圖2所示)，實(shí)驗(yàn)裝置設(shè)定具體控制方法為，壓力檢測(cè)系統(tǒng)輸入心室壓力信號(hào)，當(dāng)檢測(cè)數(shù)據(jù)信號(hào)連續(xù)6個(gè)值均大于前一個(gè)值時(shí)，判定此時(shí)心室壓力在心臟收縮的作用下開始上升，收縮期開始，軸流泵由舒張狀態(tài)轉(zhuǎn)速開始提高轉(zhuǎn)速；當(dāng)檢測(cè)心室壓力數(shù)據(jù)連續(xù)3個(gè)值低于前一個(gè)值時(shí)，判定心室壓力達(dá)到峰值并開始降低，軸流泵達(dá)到收縮期轉(zhuǎn)速并停止加速且緩慢開始減速至舒張期轉(zhuǎn)速.

圖2 壓力-容量曲線Fig.2 Pressure-volume curve

在軸流泵的同步仿生搏動(dòng)性的實(shí)驗(yàn)過程中，由于整個(gè)系統(tǒng)是根據(jù)左心室的壓力來確定泵的相應(yīng)動(dòng)作，但是壓力檢測(cè)系統(tǒng)由于信號(hào)傳輸延遲，使壓力檢測(cè)系統(tǒng)(壓力傳感器)觀測(cè)到關(guān)鍵控制點(diǎn)發(fā)送數(shù)據(jù)到控制系統(tǒng)，控制系統(tǒng)再發(fā)送動(dòng)作指令給執(zhí)行系統(tǒng)(軸流血泵)，這中間不可避免的會(huì)產(chǎn)生延遲，即使檢測(cè)系統(tǒng)和控制系統(tǒng)之間交互已經(jīng)達(dá)到了很高的速度.這樣的延遲會(huì)使軸流泵的動(dòng)作比自然心臟搏動(dòng)有較大的滯后.參考文獻(xiàn)[9-15]運(yùn)用LSTM模型在各方面的應(yīng)用和效果，結(jié)合實(shí)際情況，也采用了LSTM模型進(jìn)行周期預(yù)測(cè).根據(jù)前幾個(gè)左心室壓力周期來預(yù)測(cè)下一個(gè)壓力時(shí)間周期，使執(zhí)行系統(tǒng)提前能做好動(dòng)作準(zhǔn)備，減小誤差，讓軸流血泵的搏動(dòng)性更接近自然心臟，避免增加心臟負(fù)擔(dān).假設(shè)正常情況下，系統(tǒng)接收指令和發(fā)送指令的總時(shí)間誤差為t0，由LSTM預(yù)測(cè)模型根據(jù)前面周期情況預(yù)測(cè)下一次動(dòng)作時(shí)間為t后，因此，控制系統(tǒng)就可在t-t0時(shí)刻讓控制系統(tǒng)發(fā)出軸流泵收縮或舒張的預(yù)備動(dòng)作，再結(jié)合實(shí)際指令，完成軸流泵的實(shí)際收縮或舒張動(dòng)作，這樣可以進(jìn)一步實(shí)現(xiàn)軸流泵同步仿生搏動(dòng)的可能.

3 深度學(xué)習(xí)與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)是在人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展而來的一種表示學(xué)習(xí)方法，也是一種機(jī)器學(xué)習(xí)方法(關(guān)系如圖3所示)，而且是人工智能領(lǐng)域最具發(fā)展前景的一個(gè)分支.其主要模型是各種深度神經(jīng)網(wǎng)絡(luò).表示學(xué)習(xí)是近年來機(jī)器學(xué)習(xí)領(lǐng)域發(fā)展最迅猛、最受學(xué)術(shù)界追捧的方向.所謂表示學(xué)習(xí)，就是要讓算法在少量人為先驗(yàn)經(jīng)驗(yàn)的情況下，能夠自動(dòng)從數(shù)據(jù)中抽取出合適的特征，完成原本需要通過特征工程才能得到的結(jié)果.其中，神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中最具有發(fā)展前景的領(lǐng)域之一.

圖3 機(jī)器學(xué)習(xí)常見算法Fig.3 Common algorithms of machine learning

3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)主要功能是回歸和分類，但是需要處理前后具有依賴信息的預(yù)測(cè)問題時(shí)，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不占優(yōu)勢(shì)，循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks, RNN)的出現(xiàn)解決了該問題[14].RNN通常用于描述動(dòng)態(tài)的序列數(shù)據(jù)，隨著時(shí)間的變化而動(dòng)態(tài)調(diào)整自身的模型狀態(tài)，并且不斷循環(huán)傳遞.RNN模型中將保存當(dāng)前狀態(tài)和過去狀態(tài)的總和.RNN主要簡(jiǎn)單結(jié)構(gòu)如圖4所示.

圖4 簡(jiǎn)單RNN結(jié)構(gòu)展開圖Fig.4 simple RNN structure expansion

設(shè)g為輸出層的激活函數(shù)，V為輸出層的權(quán)值矩陣，st表示隱藏層的計(jì)算公式，接受兩種輸入，第一種為當(dāng)前時(shí)刻的輸入層輸入xt，第二種為上一時(shí)刻的隱藏層輸出st-1，U為輸入層到隱藏層的權(quán)值矩陣，W為上一時(shí)刻的值st-1到這一次輸入的權(quán)值矩陣，單向RNN結(jié)構(gòu)利用式(1)和式(2)進(jìn)行表示.

st=f(Wst-1,Uxt)

(1)

ot=g(Vst)

(2)

3.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)的變種之一，傳統(tǒng)的RNN多采用反向傳播時(shí)間算法，這種算法的弊端在于，隨著時(shí)間的增加，網(wǎng)絡(luò)層數(shù)的增加，會(huì)發(fā)生梯度消失或梯度膨脹的問題[15].梯度消失指的是梯度較小(<1)情況下，經(jīng)過多層迭代之后，遠(yuǎn)端序列的信息會(huì)逐漸衰減，導(dǎo)致信息丟失.而梯度爆炸剛好相反，若梯度較大(>1)情況下，經(jīng)過多層迭代之后，梯度將會(huì)呈指數(shù)增加的趨勢(shì)，直至梯度超出可控范圍[14].LSTM增加了三個(gè)控制門(遺忘門、輸入門和輸出門)來解決這類問題，如圖5所示(標(biāo)號(hào)1部分為遺忘控制門，標(biāo)號(hào)2部分為新記憶單元的輸出，標(biāo)號(hào)3部分為輸入控制門，標(biāo)號(hào)4部分為輸出控制門).

圖5 單個(gè)LSTM結(jié)構(gòu)圖Fig.5 Single LSTM structure diagram

3.2.1 遺忘門 遺忘門用于控制記憶單元丟棄哪些信息，計(jì)算時(shí)讀取當(dāng)前時(shí)間步t的輸入數(shù)據(jù)xt和上一時(shí)間步t-1的狀態(tài)輸出ht-1，輸出0～1范圍內(nèi)的數(shù)值，其中極限值0和1分別表示全部忘記和全部保留，結(jié)果是通過sigmoid函數(shù)產(chǎn)生，如式(3)所示.

ft=σ(Wfxt+Ufht-1)

(3)

3.2.2 輸入門 輸入門用于控制哪些新信息可以被更新，或者被保存到狀態(tài)單元.主要分為兩部分，第一部分如式(4)所示.

it=σ(Wixt+Uiht-1+bi)

(4)

此部分計(jì)算當(dāng)前輸入門的激活值，確定當(dāng)前輸入有多少需要保存到單元狀態(tài).第二部分如式(5)所示.

(5)

此部分是時(shí)間步t記憶單元的狀態(tài)候選值，確定當(dāng)前輸入的新信息添加到單元狀態(tài)，結(jié)合這兩部分就可以創(chuàng)建一個(gè)新記憶.當(dāng)前時(shí)刻的新單元狀態(tài)如式(6)所示.

(6)

式(6)的加號(hào)前一部分來確定丟棄舊狀態(tài)中的信息量，加號(hào)后一部分用于控制新狀態(tài)的變化.

3.2.3 輸出門 輸出門用于確定記憶單元中哪些信息可以被輸出，并且輸出信息，如式(7)和式(8)所示.

ot=σ(Woxt+Uoht-1+bo)

(7)

ht=ot×tanh(Ct)

(8)

4 LSTM模型在血泵周期預(yù)測(cè)上的應(yīng)用

4.1 實(shí)驗(yàn)數(shù)據(jù)的采集

由于采集真實(shí)人體的左心室壓力相關(guān)數(shù)據(jù)比較困難，但為了加強(qiáng)LSTM模型的真實(shí)預(yù)測(cè)性，所以實(shí)驗(yàn)選用了與人的生理信號(hào)變化趨勢(shì)相近的大鼠生理信號(hào)(心室壓、心電圖、主動(dòng)脈壓)與其對(duì)應(yīng)的時(shí)間，如圖6所示.

圖6 信號(hào)的采集Fig.6 Signal acquisition

數(shù)據(jù)采集過程：生理信號(hào)數(shù)據(jù)采集實(shí)驗(yàn)是在華西生命科技園實(shí)驗(yàn)室進(jìn)行，通過醫(yī)用生物信號(hào)采集與分析系統(tǒng)采集數(shù)據(jù)的.首先將準(zhǔn)備好的實(shí)驗(yàn)動(dòng)物大鼠麻醉后固定在手術(shù)臺(tái)，對(duì)動(dòng)物進(jìn)行開胸手術(shù)，將心室壓力檢測(cè)探頭插入大鼠的左心室；由于大鼠體型原因，在安裝心室壓力探頭的情況下無法再直接在其主動(dòng)脈處安裝血壓探測(cè)器，因此改在大鼠股動(dòng)脈處安裝壓力傳感器代為檢測(cè)采集血壓數(shù)據(jù)；最后安裝心電檢測(cè)電極采集心電圖數(shù)據(jù).在三個(gè)生理數(shù)據(jù)采集設(shè)備都安裝好后開啟信號(hào)采集系統(tǒng)開始采集正常生理數(shù)據(jù)，在正常生理數(shù)據(jù)采集完成后對(duì)大鼠進(jìn)行注射藥物處理模擬心衰現(xiàn)象并采集數(shù)據(jù)記錄.其中通道1是血壓波形，通道2是左心室壓力波形，通道3是心電圖信號(hào)波形.其中部分?jǐn)?shù)據(jù)如表1所示.將采集到的生理波形放大后如圖7所示.

表1 某周期時(shí)間-壓力對(duì)應(yīng)表Tab.1 A certain cycle time-pressure correspondence table

圖7 采集信號(hào)波形記錄Fig.7 Acquisition signal waveform record

4.2 模型系統(tǒng)的輸入確定

4.2.1 特征點(diǎn)提取及模型輸入確定 要實(shí)現(xiàn)對(duì)心室壓力的同步控制預(yù)測(cè)，需要找出心室壓力曲線中需控制節(jié)奏有關(guān)的相對(duì)應(yīng)節(jié)點(diǎn)，確定預(yù)測(cè)模型的輸入輸出變量.預(yù)測(cè)目標(biāo)為心室壓力一個(gè)變化周期內(nèi)與控制軸流式血泵相關(guān)的4個(gè)特征點(diǎn)位置.特征點(diǎn)1位置取心室壓力曲線下降沿低于8 mmHg時(shí)刻點(diǎn)坐標(biāo)；特征點(diǎn)2取上升沿高于8 mmHg時(shí)刻點(diǎn)坐標(biāo)值；特征點(diǎn)3取心室壓力峰值坐標(biāo)；特征點(diǎn)4取下降沿0.75倍峰值位置坐標(biāo)，如圖7所示.將樣本每一個(gè)周期中的4個(gè)特征點(diǎn)橫坐標(biāo)(即時(shí)間點(diǎn))提取出來作為變量(每個(gè)周期內(nèi)時(shí)間以特征點(diǎn)1為參照的相對(duì)時(shí)間)，利用前連續(xù)6個(gè)周期的相應(yīng)特征點(diǎn)作為輸入預(yù)測(cè)下一個(gè)周期的4個(gè)特征點(diǎn)位置.一個(gè)周期內(nèi)各特征點(diǎn)與軸流泵相應(yīng)動(dòng)作對(duì)應(yīng)關(guān)系如下：點(diǎn)2～3血泵由舒張轉(zhuǎn)速提速到收縮轉(zhuǎn)速代表開始收縮，點(diǎn)3表示收縮達(dá)到最高峰，點(diǎn)3～點(diǎn)4過程血泵由最高收縮轉(zhuǎn)速緩慢降速，點(diǎn)4～1過程血泵降速至舒張轉(zhuǎn)速，點(diǎn)1～2過程血泵維持舒張轉(zhuǎn)速.

4.2.2 輸入數(shù)據(jù)的處理 本次實(shí)驗(yàn)數(shù)據(jù)都采用手術(shù)收集的大鼠心室數(shù)據(jù)(包括正常搏動(dòng)時(shí)的數(shù)據(jù)、血容量不足、及時(shí)補(bǔ)充血液容量后的數(shù)據(jù))，單個(gè)樣本為二維數(shù)據(jù)，尺寸為(6，4)，6個(gè)周期為一個(gè)樣本，4個(gè)特征點(diǎn)橫坐標(biāo)為一組.模型預(yù)測(cè)中總共采用3 962個(gè)樣本，取模型訓(xùn)練樣本為3 173個(gè)(其中分為2 538個(gè)實(shí)際訓(xùn)練樣本，635個(gè)驗(yàn)證樣本)，測(cè)試樣本為789個(gè)，如表2所示，即訓(xùn)練和測(cè)試樣本取8∶2的比例，同時(shí)為提高計(jì)算速度，將樣本數(shù)據(jù)進(jìn)行了歸一化處理.

表2 模型樣本數(shù)量Tab.2 Model sample size

4.3 模型網(wǎng)絡(luò)的結(jié)構(gòu)

在構(gòu)建模型過程中，研究為了利用不同的LSTM層能捕捉不同波動(dòng)的特點(diǎn)，同時(shí)為了加強(qiáng)模型的預(yù)測(cè)能力，選擇疊加兩個(gè)LSTM 層.但疊加層也會(huì)加深模型的復(fù)雜性，更容易產(chǎn)生過擬合現(xiàn)象.為此，層中選擇使用10%的Dropout來防止過度擬合，模型結(jié)構(gòu)如表3所示.在網(wǎng)絡(luò)的最后，選擇加一個(gè)全連接層輸出結(jié)果.每批量采用4個(gè)樣本進(jìn)行批量梯度下降，全樣本迭代20次，把均方誤差(Mean Square Error，MSE)函數(shù)作為損失函數(shù)進(jìn)行梯度下降.

表3 LSTM模型結(jié)構(gòu)Tab.3 LSTM model structure

經(jīng)過20次全樣本迭代，從圖8a可知，損失函數(shù)值在第5次迭代后基本不再減少，證明實(shí)驗(yàn)LSTM模型已經(jīng)趨于穩(wěn)定，驗(yàn)證集上效果也很好，損失函數(shù)值遠(yuǎn)低于訓(xùn)練集.訓(xùn)練過程中的均方絕對(duì)誤差(Mean Absolute Error，MAE)如圖8b所示，從該指數(shù)分析也可證明模型經(jīng)歷5次迭代，預(yù)測(cè)增進(jìn)的效果已經(jīng)大大降低，同時(shí)驗(yàn)證集上的MAE值也是逐次下降的趨勢(shì)，效果也比訓(xùn)練集上更好(由于進(jìn)行了歸一化處理，MAE和MSE數(shù)值都較小).

(a) 迭代損失值

5 結(jié)果與分析

經(jīng)過LSTM模型的預(yù)測(cè)，實(shí)驗(yàn)得到訓(xùn)練后得到的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的均方根誤差為8.29，而通過測(cè)試集得到的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的均方根誤差為5.33，為讓預(yù)測(cè)結(jié)果更有助于分析和比對(duì)，實(shí)驗(yàn)把測(cè)試集的4個(gè)預(yù)測(cè)特征點(diǎn)與實(shí)際特征點(diǎn)的絕對(duì)誤差可視化，如圖9所示.

從圖9得出，由于特征點(diǎn)1為一個(gè)周期的初始點(diǎn)，恒為0，所以誤差不計(jì)；觀測(cè)特征點(diǎn)2，大部分絕對(duì)誤差都在0～5以內(nèi)，同時(shí)有較小一部分在10～70之間，說明模型預(yù)測(cè)結(jié)果在特征點(diǎn)2處出現(xiàn)偏差程度較大的錯(cuò)誤預(yù)測(cè)；觀測(cè)特征點(diǎn)3，可以發(fā)現(xiàn)預(yù)測(cè)結(jié)果較為滿意，絕大部分預(yù)測(cè)誤差都在0～5之間，但也出現(xiàn)了誤差在10以上的預(yù)測(cè)結(jié)果，說明模型對(duì)于特征點(diǎn)3的預(yù)測(cè)結(jié)果是比較準(zhǔn)確的；觀測(cè)特征點(diǎn)4，發(fā)現(xiàn)大部分預(yù)測(cè)誤差在0～3，最大誤差為7，極少數(shù)誤差在5以上，說明模型在特征點(diǎn)4上的預(yù)測(cè)是4個(gè)點(diǎn)中最令人滿意的.

(a) 特征點(diǎn)1預(yù)測(cè)與實(shí)際絕對(duì)誤差

6 誤差分析

6.1 數(shù)據(jù)集上的數(shù)據(jù)誤差

從圖10可以得出四個(gè)特征點(diǎn)預(yù)測(cè)誤差區(qū)別大都來自訓(xùn)練集和測(cè)試集上的原因.特征點(diǎn)2(x型數(shù)據(jù)點(diǎn))的預(yù)測(cè)有最多偏差較大的誤差(絕對(duì)誤差>10).首先，從訓(xùn)練集數(shù)據(jù)和測(cè)試集數(shù)據(jù)上就可以看到，兩個(gè)數(shù)據(jù)集的特征點(diǎn)2相較于正常值都有明顯大的偏差，訓(xùn)練集上的樣本誤差雖然某種程度上可以提高模型的泛化能力，但在某種程度上也影響了模型的預(yù)測(cè)準(zhǔn)確性，再加上測(cè)試集上特征點(diǎn)2上的離散偏差，使模型對(duì)測(cè)試集的預(yù)測(cè)誤差進(jìn)一步擴(kuò)大，從而觀測(cè)到特征點(diǎn)2預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的絕對(duì)誤差，出現(xiàn)了10以上，甚至還有超過30以上的極大誤差.

而反觀特征點(diǎn)4(星型數(shù)據(jù)點(diǎn))，訓(xùn)練集上該特征點(diǎn)不僅出現(xiàn)了較多零數(shù)據(jù)點(diǎn)，還有偏離正常范圍內(nèi)的一部分?jǐn)?shù)據(jù)點(diǎn)，而特征點(diǎn)4的測(cè)試集數(shù)據(jù)點(diǎn)都是正常數(shù)據(jù)值，但是在預(yù)測(cè)結(jié)果上是成功的，絕對(duì)誤差基本維持在1～3之間，說明模型誤差的來源很大程度上是來自測(cè)試集上特征點(diǎn)的錯(cuò)誤數(shù)據(jù).

6.2 LSTM上的模型誤差

一部分模型的誤差可能來自于超參數(shù)的調(diào)節(jié)使LSTM模型還不是最優(yōu)解，由于模型中的超參數(shù)都是根據(jù)經(jīng)驗(yàn)，人工比較部分預(yù)備參數(shù)中選的最優(yōu)解，但對(duì)于疊加層層數(shù)的確定以及單層中神經(jīng)單元個(gè)數(shù)的確定，以及添加其他不一樣循環(huán)層都還有很大選取空間，這些對(duì)模型的影響都還尚未可知，有待后續(xù)實(shí)驗(yàn)研究.

還有一部分的誤差可能來自模型的訓(xùn)練數(shù)據(jù)集樣本數(shù)量和LSTM疊加層產(chǎn)生了過擬合的結(jié)果，使模型的泛化能力還不夠.神經(jīng)網(wǎng)絡(luò)非常依靠訓(xùn)練數(shù)據(jù)集的數(shù)量，可以極大地提高模型的泛化能力，后續(xù)實(shí)驗(yàn)中還可以增添更多包含更多情況的實(shí)驗(yàn)樣本，來測(cè)試模型的預(yù)測(cè)能力.

7 結(jié) 論

針對(duì)現(xiàn)有軸流血泵只提供恒流輔助功能的缺點(diǎn)，本文通過搭建血液模擬循環(huán)實(shí)驗(yàn)平臺(tái)，對(duì)軸流血泵搏動(dòng)性實(shí)驗(yàn)的控制方案進(jìn)行確定，并且發(fā)現(xiàn)了系統(tǒng)中時(shí)間延遲問題，為了再次提高同步仿生搏動(dòng)的準(zhǔn)確性，提出了利用LSTM模型進(jìn)行周期預(yù)測(cè)，可提前讓控制系統(tǒng)和執(zhí)行系統(tǒng)做好準(zhǔn)備動(dòng)作，其中模型得到訓(xùn)練后，得到的訓(xùn)練集預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的均方根誤差為8.29，而通過測(cè)試集得到的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的均方根誤差為5.33.最后對(duì)結(jié)果和實(shí)驗(yàn)誤差進(jìn)行了分析.本文整體證明了軸流泵在同步仿生搏動(dòng)性上的可行性，但還有許多缺陷，如軸流血泵模型周期預(yù)測(cè)只停留在模擬實(shí)驗(yàn)上，還未真正運(yùn)用于動(dòng)物活體實(shí)驗(yàn)中，預(yù)測(cè)誤差也還有提高的空間.