应用随机森林与神经网络算法的足底软组织本构参数反演方法

目的 基于随机森林(random forest, RF)算法和反向传播(back propagation, BP)神经网络算法实现对足底软组织超弹性模型本构参数的预测,以提升本构参数获取方式的效率和准确性。方法 首先建立足底软组织球形压痕实验的有限元模型,并对球形压痕实验过程进行仿真,得到具有非线性关系的位移和压痕力的数据集。将数据集进行划分,得到训练集和测试集,分别对搭建好的RF和BP神经网络(BP neural network, BPNN)模型进行训练,通过实验数据对足底软组织本构参数进行预测。最后,引入均方误差(mean square error, MSE)和决定系数(R2)对模型的预测准确性进行评估,同时对比实验曲线验证模型的有效性。结果 利用RF和BPNN模型结合有限元仿真是确定足底软组织超弹性本构参数的有效、准确的方法。训练后的RF模型MSE达到1.370 2×10^(-3),R^(2)为0.982 9;BPNN模型MSE达到4.858 1×10^(-5),R^(2)为0.999 3。反求得到适用于仿真的足底软组织的超弹性本构参数,预测得到的两组本构参数的计算响应曲线与实验曲线吻合较好。结论 基于人工智能算法模型对足底软组织超弹性本构参数的预测精度很高,相关研究成果也可以应用于足底软组织其他力学特性的研究。同时,研究结果为足底软组织本构参数的获取提供新方法,有助于快速诊断足底软组织病变等临床问题。

原发性高血压患者动态脉压与肾损害的研究

目的探讨原发性高血压患者动态脉压与肾损害的关系。方法对127例原发性高血压患者进行动态血压监测,按动态脉压分为脉压>60 mmHg组51例和脉压40～60 mmHg组76例,测定并比较2组患者的24 h血压动态参数和血β_2-微球蛋白(β_2-MG)、尿β_2-MG、尿微量白蛋白(Alb)、血尿素氮(BUN)、肌酐(Cr)。结果脉压>60 mmHg组患者与脉压40～60 mmHg组比较,24 h平均收缩压、收缩压变异、脉压变异均明显升高(P<0.05,P<0.01,而24 h平均舒张压明显降低(P<0.05)。脉压>60 mmHg组血β_2MG、尿β_2-MG、尿Alb、血BUN、血Cr等肾功能指标较脉压40～60 mmHg组者升高(P<0.01)。结论原发性高血压患者肾损害与增大的脉压有关。