一種基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法
【專利摘要】本發(fā)明是一種基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法。先體表無創(chuàng)測量頸總動脈血流量、四肢動脈脈搏波和血壓。再建立包含人體主要動脈血管段單元的心腦循環(huán)分布式耦合的血液循環(huán)系統(tǒng)混合模型，該模型可分為多個子循環(huán)系統(tǒng)。最后辨識血液循環(huán)系統(tǒng)混合模型的心腦血管參數(shù)：通過預(yù)分析輸入信號的結(jié)果是否正常設(shè)置加權(quán)系數(shù)；將不敏感參數(shù)或者病態(tài)參數(shù)選擇出來并設(shè)為標(biāo)稱值；對各子循環(huán)系統(tǒng)分別進(jìn)行參數(shù)估計，每次估計時，將剩余子循環(huán)系統(tǒng)中的參數(shù)設(shè)定為標(biāo)稱值；對各子循環(huán)系統(tǒng)的估計結(jié)果子集進(jìn)行綜合分析，得到最終的參數(shù)估計結(jié)果。本發(fā)明無創(chuàng)、簡便、成本低，參數(shù)估計結(jié)果更可靠，實(shí)現(xiàn)了局部區(qū)域結(jié)果最優(yōu)化的計算，具有個體識別性。
【專利說明】一種基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法【技術(shù)領(lǐng)域】[0001]本發(fā)明屬于醫(yī)學(xué)檢測的信號獲取【技術(shù)領(lǐng)域】，涉及一種基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法。
【背景技術(shù)】
[0002]動脈硬化和動脈狹窄是許多心腦血管疾病(如高血壓、冠心病、腦卒中等)的重要誘因，嚴(yán)重危害人們的生命健康。在動脈硬化和狹窄疾病初期，雖然患者尚沒有明顯的自覺癥狀,但事實(shí)上,其心血管系統(tǒng)中的血壓、血流、血管彈性、血管阻力、血液粘度等一系列血流動力學(xué)參數(shù)早已發(fā)生了變化。如果能實(shí)現(xiàn)對心腦血管系統(tǒng)中動脈參數(shù)的有效估計，就可以根據(jù)血管參數(shù)的變化情況實(shí)現(xiàn)對疾病的無創(chuàng)檢測與定位，提高心腦血管類疾病的治療水平。
[0003]傳統(tǒng)的非線性最小二乘優(yōu)化計算方法是目前最普遍、最常用的心腦血管參數(shù)估計方法，主要是以模型輸出值與實(shí)驗(yàn)測量值的殘差最小作為準(zhǔn)則條件來進(jìn)行參數(shù)估計的。但這種方法得到的參數(shù)值只能代表某一種最小化問題的解集，但并不一定是唯一解集，也不能保證求解的參數(shù)值在人體合理的生理值范圍內(nèi)。要保證估計得到的參數(shù)值在合理的生理狀態(tài)值標(biāo)準(zhǔn)內(nèi)，就需要根據(jù)生理系統(tǒng)先驗(yàn)知識或前人研究經(jīng)驗(yàn)定義(或計算)參數(shù)的合理初始值，這在基于最小二乘的非線性優(yōu)化計算中是十分重要的。另外，基于非線性最小二乘方法進(jìn)行的心腦血管參數(shù)估計是一種全局優(yōu)化技術(shù)，并不能保證針對具體問題實(shí)現(xiàn)局部結(jié)果的最優(yōu)化。

【發(fā)明內(nèi)容】

[0004]針對現(xiàn)有心腦血管參數(shù)估計技術(shù)中存在的局限性，本發(fā)明提出一種基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法。本發(fā)明方法基于分塊設(shè)計的心腦循環(huán)分布式耦合模型，運(yùn)用體表檢測的血流量、脈搏波等生理數(shù)據(jù)，采用自適應(yīng)迭代計算方法對模型中各子區(qū)域的心腦血管參數(shù)分別進(jìn)行搜索估計，并通過對各個估計結(jié)果子集的綜合分析，實(shí)現(xiàn)對模型中多段心腦動脈血管阻抗、順應(yīng)性等參數(shù)的有效估算，實(shí)現(xiàn)了心腦血管參數(shù)估計過程中的局部優(yōu)化計算，且具有個體識別性。
[0005]本發(fā)明的一種基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法，包括如下步驟:
[0006]第一步，體表無創(chuàng)測量頸總動脈血流量、四肢動脈脈搏波和血壓。
[0007]第二步，建立包含人體主要動脈血管段單元的心腦循環(huán)分布式耦合的血液循環(huán)系統(tǒng)混合模型。
[0008]第三步，辨識血液循環(huán)系統(tǒng)混合模型的心腦血管參數(shù)，具體是:
[0009]步驟3.1:根據(jù)外周動脈疾病檢測技術(shù)及檢測指標(biāo)隨輸入信號進(jìn)行預(yù)分析，并根據(jù)預(yù)分析的結(jié)果進(jìn)行各信號權(quán)系數(shù)矩陣值的設(shè)置；
[0010]步驟3.2:對血液循環(huán)系統(tǒng)混合模型的心腦血管參數(shù)進(jìn)行分析，將其中不敏感參數(shù)或者容易引起病態(tài)方程問題的病態(tài)參數(shù)選擇出來，將選擇出來的參數(shù)設(shè)為標(biāo)稱值不進(jìn)行估計，估計剩余參數(shù)；
[0011]步驟3.3:分別對血液循環(huán)系統(tǒng)混合模型中的每個子循環(huán)系統(tǒng)中的待估計參數(shù)進(jìn)行估計，得到各個子循環(huán)系統(tǒng)的估計結(jié)果子集；在對某一子循環(huán)系統(tǒng)進(jìn)行參數(shù)估計時，將血液循環(huán)系統(tǒng)混合模型中的剩余子循環(huán)系統(tǒng)中的參數(shù)設(shè)定為標(biāo)稱值；
[0012]步驟3.4:對各子循環(huán)系統(tǒng)的估計結(jié)果子集進(jìn)行綜合分析，得到最終的參數(shù)估計結(jié)果。
[0013]所述的步驟3.1中，對不同位置處輸入信號進(jìn)行先驗(yàn)分析，加權(quán)系數(shù)以第一步的測量值的均值來設(shè)置，在預(yù)分析的信號結(jié)果為正常時，加權(quán)系數(shù)設(shè)置為相應(yīng)測量值均值的函數(shù)，在預(yù)分析的信號結(jié)果為異常時，加權(quán)系數(shù)設(shè)置為I。
[0014]所述的步驟3.3中，采用自適應(yīng)加權(quán)優(yōu)化迭代方法對子循環(huán)系統(tǒng)中的待估計參數(shù)進(jìn)行估計。
[0015]本發(fā)明的優(yōu)點(diǎn)和積極效果在于:
[0016](I)本發(fā)明同時運(yùn)用血流量、脈搏波和血壓數(shù)據(jù)對心腦血管循環(huán)系統(tǒng)進(jìn)行分析，無倉IJ、簡便、成本低；且獲取的數(shù)據(jù)量更充分，參數(shù)估計結(jié)果更可靠，分析結(jié)果的可靠性更強(qiáng)；
[0017](2)本發(fā)明根據(jù)心腦血管系統(tǒng)分塊設(shè)計的理念，對模型中各個子系統(tǒng)區(qū)域的參數(shù)分別進(jìn)行搜索估計，實(shí)現(xiàn)了局部區(qū)域結(jié)果最優(yōu)化的計算，克服了傳統(tǒng)上非線性優(yōu)化計算僅滿足全局結(jié)果最優(yōu)的缺點(diǎn)；
[0018](3)本發(fā)明采用的自適應(yīng)加權(quán)優(yōu)化迭代方法中，根據(jù)對輸入信號預(yù)分析結(jié)果設(shè)置各個輸入量的加權(quán)系數(shù)，實(shí)現(xiàn)了針對個人差異的自適應(yīng)參數(shù)估計。
【專利附圖】

【附圖說明】
[0019]圖1是本發(fā)明中多參數(shù)生理數(shù)據(jù)體表無創(chuàng)測量位點(diǎn)及檢測量示意圖；
[0020]圖2是本發(fā)明進(jìn)行動脈脈搏波采集的步驟流程圖；
[0021]圖3是本發(fā)明的心腦循環(huán)分布式耦合的血液循環(huán)系統(tǒng)混合模型結(jié)構(gòu)圖；
[0022]圖4是本發(fā)明的心腦血管參數(shù)多區(qū)域搜索估計方法的流程示意圖。
[0023]圖中:
[0024]1-左頸總動脈 2-右頸總動脈 3-左肱動脈 4-右肱動脈 5-左脛后動脈6-右脛后動脈
[0025]7-頸總動脈血流量8-肱動脈脈搏波9-脛后動脈脈搏波【具體實(shí)施方式】
[0026]下面結(jié)合附圖和實(shí)施例對本發(fā)明的技術(shù)方案作進(jìn)一步地詳細(xì)描述。
[0027]本發(fā)明的基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法，涉及一種基于心腦血管分布式模型，運(yùn)用體表檢測的血流量、脈搏波等生理數(shù)據(jù)進(jìn)行動脈血管參數(shù)自適應(yīng)辨識，根據(jù)心腦血管系統(tǒng)模型各子系統(tǒng)的“分塊設(shè)計”理念，采用自適應(yīng)迭代計算方法對模型中各子區(qū)域的心腦血管參數(shù)分別進(jìn)行搜索估計，并通過對各個估計結(jié)果子集的綜合分析，得到最終的模型參數(shù)估計結(jié)果。
[0028]本發(fā)明的系統(tǒng)控制學(xué)基礎(chǔ)是:利用包含主要心腦動脈血管段單元的心腦循環(huán)系統(tǒng)分布式耦合模型，結(jié)合相應(yīng)大動脈血管體表血流量、脈搏波、血壓等多種生理數(shù)據(jù)無創(chuàng)檢測技術(shù)，將心腦血管系統(tǒng)看作是系統(tǒng)結(jié)構(gòu)既定、系統(tǒng)參數(shù)未知的灰盒系統(tǒng)，將無創(chuàng)測量的生理參數(shù)作為系統(tǒng)的輸入，根據(jù)系統(tǒng)參數(shù)辨識問題的研究思路，實(shí)現(xiàn)對系統(tǒng)中與動脈血管生理功能直接相關(guān)的參數(shù)數(shù)值的辨識。
[0029]下面結(jié)合圖1到圖4，說明本發(fā)明的基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法的各個步驟。
[0030]第一步，在體表無創(chuàng)測量頸總動脈血流量、四肢動脈脈搏波和血壓。
[0031]本發(fā)明方法對體表多個采集點(diǎn)進(jìn)行生理參數(shù)數(shù)據(jù)的無創(chuàng)采集，體表采集點(diǎn)如圖1所示，包括測量左頸總動脈1、右頸總動脈2，以及四肢動脈:上臂的左肱動脈3、右肱動脈4，以及足踝部的左脛后動脈5、右脛后動脈6。根據(jù)采集的生理參數(shù)獲取頸總動脈血流量7、左、右肱動脈脈搏波8、左、右脛后動脈脈搏波9，以及四肢動脈的收縮壓和舒張壓。
[0032]本發(fā)明方法中運(yùn)用袖帶加壓方法測量四肢動脈的動態(tài)脈搏波和血壓數(shù)據(jù)。
[0033]本方法對四肢動脈血管(上臂肱動脈3，4和足踝部脛后動脈5，6)的脈搏波采集包括動態(tài)模式米集和靜態(tài)模式米集兩個過程，如圖2所不。
[0034]在被測者四肢上綁定袖帶后，啟動動態(tài)模式脈搏波采集。
[0035]A.動態(tài)模式脈搏波采集:
[0036]動態(tài)模式下，通過對被試者四肢上綁定的袖帶進(jìn)行充氣加壓，使袖帶中壓力增大至設(shè)定的最大充氣壓力值；之后袖帶開始放氣，同步采集四肢動脈搏動測量數(shù)據(jù)；根據(jù)示波法測血壓的原理，計算各檢測動脈血管單元的舒張壓和收縮壓。
[0037]動態(tài)模式脈搏波采集完成后，啟動靜態(tài)模式脈搏波采集。
[0038]B.靜態(tài)模式脈搏波采集:
[0039]首先設(shè)定靜態(tài)模式下袖帶的充氣壓力值:根據(jù)被試者的收縮壓和舒張壓值設(shè)定靜態(tài)模式的袖帶的充氣壓力，充氣壓力值應(yīng)大于舒張壓值而小于收縮壓值。靜態(tài)采集模式下，袖帶的充氣壓力維持在設(shè)定值不變，并在此恒定充氣壓力下同步采集四肢動脈脈搏波；10?15秒后，袖帶放氣，保存采集的脈搏波數(shù)據(jù)，停止檢測。
[0040]對于頸總動脈難以用袖帶測量脈搏波，采用多普勒超聲測量血流量。
[0041]第二步，建立包含人體主要動脈血管段單元的心腦循環(huán)分布式耦合的血液循環(huán)系統(tǒng)混合模型。
[0042]本發(fā)明方法所建立的心腦循環(huán)分布式耦合的血液循環(huán)系統(tǒng)混合模型主要著眼于人體動脈系統(tǒng)，包含較多的動脈血管單元，結(jié)構(gòu)如圖3所示。本發(fā)明方法所述的心腦循環(huán)分布式耦合的血液循環(huán)系統(tǒng)混合模型既包含多個體表無創(chuàng)檢測位點(diǎn)對應(yīng)的動脈血管分布單元:左、右頸總動脈，左、右上肢肱動脈和左、右下肢脛后動脈；也包含臨床上易發(fā)生硬化和狹窄病變的血管段單元:腎動脈、肝動脈等胸腹部動脈，以及其他的中間動脈血管集中參數(shù)單元；心血管和腦血管則分別作為獨(dú)立的單元，以進(jìn)行詳細(xì)具體的描述。
[0043]如圖3所示，本發(fā)明所建立的血液循環(huán)系統(tǒng)混合模型，在頭部部分的血管分布單元包括左、右頸總動脈，腦部和頭頸部靜脈；上肢部分的血管分布單元包括左、右肱動脈，左、右橈動脈，左、右尺動脈、外周阻抗以及左、右上肢靜脈；下肢部分的血管分布單元包括左、右股動脈，中間動脈，左、右脛后動脈，外周阻抗以及左、右下肢靜脈等等；上軀干包括胸腹部動脈；心臟部位包括心臟、瓣膜、系統(tǒng)靜脈和主動脈等。
[0044]第三步，辨識心腦血管系統(tǒng)參數(shù)。本發(fā)明建立了基于多區(qū)域搜索的心腦血管系統(tǒng)參數(shù)反演辨識方法。
[0045]根據(jù)系統(tǒng)參數(shù)辨識問題的求解方法，以上述無創(chuàng)測量的血流量和脈搏波數(shù)據(jù)作為輸入信號，將心腦循環(huán)分布式耦合的血液循環(huán)系統(tǒng)混合模型看作是結(jié)構(gòu)既定、模型參數(shù)未知的灰盒系統(tǒng)，以輸入信號與模型仿真信號的殘差最小為準(zhǔn)則，求解系統(tǒng)中心腦血管參數(shù)的數(shù)值，實(shí)現(xiàn)對與動脈功能直接相關(guān)的血管阻抗參數(shù)R、血管順應(yīng)性參數(shù)C的準(zhǔn)確辨識。
[0046]本發(fā)明提出了一種新型參數(shù)辨識方法一基于多區(qū)域搜索的心腦血管參數(shù)估計方法，如圖1所示。該參數(shù)辨識方法主要是針對普通非線性優(yōu)化技術(shù)是一種全局優(yōu)化算法、無法實(shí)現(xiàn)局部結(jié)果的最優(yōu)化的問題提出的。本發(fā)明所提出的基于多區(qū)域搜索的心腦血管參數(shù)估計方法主要包括兩個關(guān)鍵思路。其一是模型“分塊”概念:本發(fā)明建立的心腦循環(huán)分布式耦合的血液循環(huán)系統(tǒng)混合模型包括心臟、胸部、腹部、上肢、下肢等多個子循環(huán)系統(tǒng)區(qū)域，在參數(shù)估計過程中，每次只對其中一個子區(qū)域的參數(shù)進(jìn)行估計，其他子區(qū)域假設(shè)為功能正常狀態(tài)，包含在其中的參數(shù)設(shè)為標(biāo)稱值，不進(jìn)行估計。其二是自適應(yīng)加權(quán)優(yōu)化技術(shù)的使用。基于現(xiàn)有的一些外周動脈疾病檢測技術(shù)及檢測指標(biāo)，對不同位置處輸入信號進(jìn)行先驗(yàn)分析；根據(jù)分析結(jié)果計算變換相應(yīng)的權(quán)系數(shù)值，以使準(zhǔn)則函數(shù)計算結(jié)果能夠更好地反映局部信息。最后通過綜合分析各個子區(qū)域系統(tǒng)的參數(shù)估計結(jié)果子集，得到心腦血管系統(tǒng)最終的參數(shù)估計結(jié)果。
[0047]基于多區(qū)域搜索的心腦血管參數(shù)估計方法的過程為:
[0048]( I)根據(jù)現(xiàn)有的外周動脈疾病檢測技術(shù)及檢測指標(biāo)隨輸入信號進(jìn)行預(yù)分析，并根據(jù)分析的結(jié)果進(jìn)行各信號權(quán)系數(shù)矩陣值的設(shè)置；
[0049]現(xiàn)有的外周動脈疾病無創(chuàng)血流動力學(xué)檢測技術(shù)已經(jīng)能夠根據(jù)現(xiàn)有的檢測指標(biāo)，如脈壓、收縮壓和舒張壓、踝臂指數(shù)等，實(shí)現(xiàn)對采集脈搏波數(shù)據(jù)的異常與否做出初步的判定，這些先驗(yàn)的輸入信號預(yù)分析結(jié)果可以作為加權(quán)系數(shù)設(shè)置的參考，以根據(jù)個體檢測信號進(jìn)行加權(quán)系數(shù)的自適應(yīng)設(shè)置。
[0050]基于現(xiàn)有的一些外周動脈疾病檢測技術(shù)及檢測指標(biāo)，對不同位置處輸入信號進(jìn)行先驗(yàn)分析；根據(jù)分析結(jié)果計算變換相應(yīng)的權(quán)系數(shù)值，以使(3)中的準(zhǔn)則函數(shù)計算結(jié)果能夠更好地反映局部信息；加權(quán)系數(shù)以各檢測量(血壓、血流量)的均值來設(shè)置，在預(yù)分析信號結(jié)果為正常時設(shè)置為相應(yīng)信號均值的函數(shù)，而預(yù)分析為異常時則設(shè)置為I。
[0051](2)運(yùn)用相關(guān)的參數(shù)分析方法對模型的參數(shù)進(jìn)行分析，將模型中靈敏度較低的參數(shù)以及容易引起病態(tài)方程問題的病態(tài)參數(shù)選擇出來，在參數(shù)估計過程中將這些選擇出來的參數(shù)的值設(shè)定為標(biāo)稱值不進(jìn)行參數(shù)估計，將模型中其他的參數(shù)作為待估計參數(shù)。
[0052]本發(fā)明所用的參數(shù)分析方法包括兩種:子集選擇方法和靈敏度分析方法。
[0053]A.子集選擇方法
[0054]子集選擇方法主要是用來解決方法估計過程中病態(tài)方程的過度參數(shù)化問題的。也就是通過分析模型方程組所對應(yīng)Hessian矩陣的特征值分布情況，將要估計的參數(shù)分為兩組:一組是良態(tài)參數(shù)，即能得到可靠的估計結(jié)果的獨(dú)立參數(shù)；一組是病態(tài)參數(shù)，即殘差準(zhǔn)則函數(shù)在這些參數(shù)上收斂速度很慢。通過子集選擇方法可以，將病態(tài)參數(shù)選擇出來，在迭代計算過程中將病態(tài)參數(shù)固定為初始值，不進(jìn)行估計。
[0055]子集選擇方法的原理步驟如下:[0056](1.1)給定參數(shù)變量的初始值(J，計算模型微分方程組的Hessian矩陣H
[0057]
【權(quán)利要求】
1.一種基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法，其特征在于，包括如下步驟: 第一步，體表無創(chuàng)測量頸總動脈血流量、四肢動脈脈搏波和血壓； 第二步，建立包含人體主要動脈血管段單元的心腦循環(huán)分布式耦合的血液循環(huán)系統(tǒng)混合模型； 第三步，辨識血液循環(huán)系統(tǒng)混合模型的心腦血管參數(shù)，具體是: 步驟3.1:根據(jù)外周動脈疾病檢測技術(shù)及檢測指標(biāo)對輸入信號進(jìn)行預(yù)分析，并根據(jù)預(yù)分析的結(jié)果進(jìn)行各信號權(quán)系數(shù)矩陣值的設(shè)置； 步驟3.2:對血液循環(huán)系統(tǒng)混合模型的心腦血管參數(shù)進(jìn)行分析，將其中不敏感參數(shù)或者容易引起病態(tài)方程問題的病態(tài)參數(shù)選擇出來，將選擇出來的參數(shù)設(shè)為標(biāo)稱值不進(jìn)行估計，估計剩余參數(shù)； 步驟3.3:分別對血液循環(huán)系統(tǒng)混合模型中的每個子循環(huán)系統(tǒng)中的待估計參數(shù)進(jìn)行估計，得到各個子循環(huán)系統(tǒng)的估計結(jié)果子集；在對某一子循環(huán)系統(tǒng)進(jìn)行參數(shù)估計時，將血液循環(huán)系統(tǒng)混合模型中的剩余子循環(huán)系統(tǒng)中的參數(shù)設(shè)定為標(biāo)稱值； 步驟3.4:對各子循環(huán)系統(tǒng)的估計結(jié)果子集進(jìn)行綜合分析，得到最終的參數(shù)估計結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法，其特征在于，所述的第一步中，體表無創(chuàng)測量的采集點(diǎn)包括左、右頸總動脈，左、右肱動脈以及左、右脛后動脈。
3.根據(jù)權(quán)利要求1或2所述的一種基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法，其特征在于，所述的第一步中，檢測四肢動脈脈搏波，包括動態(tài)模式采集和靜態(tài)模式采集兩個過程: 動態(tài)模式下，通過對被試者四肢上綁定的袖帶進(jìn)行充氣加壓，使袖帶中壓力增大至設(shè)定的最大充氣壓力值；之后袖帶開始放氣，同步采集四肢動脈搏動測量數(shù)據(jù)，計算各檢測動脈血管單元的舒張壓和收縮壓； 靜態(tài)模式下，首先設(shè)定靜態(tài)模式下袖帶的充氣壓力值，袖帶的充氣壓力值大于舒張壓值而小于收縮壓值；然后，維持袖帶的充氣壓力值不變，同步采集四肢動脈脈搏波，10~15秒后，袖帶放氣，保存采集的脈搏波數(shù)據(jù)，停止檢測。
4.根據(jù)權(quán)利要求1所述的一種基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法，其特征在于，所述的步驟3.1中，對不同位置處輸入信號進(jìn)行先驗(yàn)分析，加權(quán)系數(shù)以第一步的測量值的均值來設(shè)置，在預(yù)分析的信號結(jié)果為正常時，加權(quán)系數(shù)設(shè)置為相應(yīng)測量值均值的函數(shù)，在預(yù)分析的信號結(jié)果為異常時，加權(quán)系數(shù)設(shè)置為I。
5.根據(jù)權(quán)利要求1或4所述的一種基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法，其特征在于，所述的步驟3.3中，采用自適應(yīng)加權(quán)優(yōu)化迭代方法對子循環(huán)系統(tǒng)中的待估計參數(shù)進(jìn)行估計，所采用的準(zhǔn)則函數(shù)f( e)為--

6.根據(jù)權(quán)利要求1或4所述的一種基于模型的心腦血管參數(shù)多區(qū)域搜索估計方法，其特征在于，所述的步驟3.4，對估計的參數(shù)值0 e依據(jù)下式進(jìn)行判別:
【文檔編號】G06F19/00GK103714259SQ201410006713
【公開日】2014年4月9日 申請日期:2014年1月7日 優(yōu)先權(quán)日:2014年1月7日
【發(fā)明者】李德玉, 李曉蕓, 李淑宇, 樊瑜波, 張弛, 王玲, 蒲放 申請人:北京航空航天大學(xué)