Графики сигнального потока в биомедицинской инженерии: моделирование физиологических систем

Графики потока сигналов (SFG) стали незаменимыми инструментами в биомедицинской инженерии, предлагая компактный визуальный язык для моделирования сложного взаимодействия физиологических переменных. От регулирования сердечного выброса до распространения нейронного шипа эти направленные графики позволяют инженерам анализировать поведение системы, прогнозировать реакции на возмущения и проектировать вмешательства с большей точностью. Эта статья обеспечивает всестороннее исследование графов потока сигналов в биомедицинской инженерии, охватывая их фундаментальную структуру, математические основы, практические приложения, преимущества и будущие направления, оснащая читателей знаниями для применения этих инструментов в реальных физиологических системах.

Что такое графики сигнального потока?

Графики потока сигналов представляют собой направленные графы, которые представляют собой набор линейных алгебраических уравнений. Каждый узел в графе соответствует переменной, и каждый направленный край (ветвь) представляет собой линейную зависимость между двумя переменными, характеризующуюся функцией усиления или переноса. Сигнал течет только в направлении стрелки, и значение на узле является суммой всех входящих сигналов, умноженных на их соответствующие ветви усиления.jj, с входящими краями от узлов iiijjjjij·xi, но граф обеспечивает интуитивную карту причинных связей.

В физиологическом контексте узлы могут представлять такие величины, как кровяное давление, частота сердечных сокращений, насыщение кислородом, концентрация глюкозы или скорость нейронной активации. Ветви захватывают влияние одной переменной на другую — например, как увеличение артериального давления ингибирует симпатический отток через обратную связь барорецепторов. Поскольку SFG сохраняют причинность, они особенно подходят для систем, где преобладают петли обратной связи, контроль передач и суммирование сигналов — все признаки физиологической регуляции.

Исторически графики сигнального потока были введены Сэмюэлем Мейсоном в 1950-х годах как инструмент для анализа электронных схем. Их полезность быстро распространилась на теорию управления, а затем на биологические и биомедицинские системы. Сегодня SFG являются стандартным компонентом курсов системной динамики в учебных программах биомедицинской инженерии, часто преподаваемых наряду с блок-схемами и представлениями состояния-пространства.

Приложения в биомедицинской инженерии

Широта биомедицинских систем, поддающихся моделированию SFG, огромна. Ниже мы подробно расскажем о нескольких ключевых областях, где эти графики оказались особенно мощными.

Сердечно-сосудистая динамика

Сердечно-сосудистая система является классическим приложением. Типичный SFG для петли кровообращения включает в себя узлы для давления левого желудочка, давления аорты, венозного возврата, частоты сердечных сокращений, объема инсульта и общего периферического сопротивления. Захват эджесов:

  • Механизм Франка-Старлинга: увеличение наполнения желудочков приводит к увеличению объема инсульта.
  • Барорефлексная обратная связь: повышенное артериальное давление вызывает снижение частоты сердечных сокращений и периферического сопротивления через вегетативную нервную систему.
  • Градиенты артериально-венозного давления, приводящие в движение поток.

При назначении коэффициента усиления (например, чувствительности выстрела барорецептора к изменениям давления) график становится количественной моделью, которая предсказывает, как система реагирует на кровоизлияние, инфузию препарата или физические упражнения. Инженеры могут применять формулу усиления Мэйсона для вычисления общих функций переноса, таких как связь между скоростью внутривенного введения жидкости и сердечным выбросом.

Для углубленного математического лечения моделирования сердечно-сосудистых SFG см. классический текст Физиологические системы управления Майкла Кху.

Нейронная передача сигнала

В нейрофизиологии графики потока сигналов моделируют распространение потенциалов действия через сети нейронов. Узлы представляют мембранные потенциалы или скорости стрельбы в разных точках (сома, аксон-хиллок, синапс). Ветви включают синаптические усиления (возбуждающие или ингибирующие постсинаптические потенциалы) и временные задержки из-за аксональной проводимости.

Например, простой SFG обратной ингибирующей цепи (как те, в спинном мозге, контролируя локомоцию) может выявить колебательное поведение и генерацию шаблонов. Более сложные графы модели базальных ганглиев-таламокортических петлей, участвующих в нарушениях движения, таких как болезнь Паркинсона. Изменяя выигрыши (например, снижение дофаминовой модуляции), граф воспроизводит аномальные модели стрельбы, помогая в разработке протоколов глубокой стимуляции мозга.

Регулирование дыхательной системы

Дыхание включает в себя сложное взаимодействие между центральными хеморецепторами, периферическими хеморецепторами, механикой легких и генераторами мозговых стволов. SFG дыхательной системы может включать в себя узлы артериального парциального давления CO2, pH, скорости вентиляции, объема приливов и выхода хеморецепторов. Отрицательные петли обратной связи (например, повышенный CO2 стимулирует вентиляцию, что снижает CO2) стабилизирует газы крови. Модель может предсказать эффект дыхания газовой смеси с повышенным CO2 (гиперкапния) или низким O2 (гипоксия) и помочь оптимизировать настройки механического вентилятора в интенсивной терапии.

Эндокринные механизмы обратной связи

Гормональные системы изобилуют петлями обратной связи, что делает их идеальными кандидатами для анализа SFG. Рассмотрим гипоталамо-гипофизарно-тиреоидную ось: узлы представляют тиреотропин-высвобождающий гормон (TRH), тиреотропин-стимулирующий гормон (TSH) и тироксин (T4). Эджеты показывают положительное влияние TRH на высвобождение ТТГ и отрицательную обратную связь T4 на гипоталамическую и гипофизарную секрецию. Граф позволяет исследователям вычислять устойчивые уровни каждого гормона и реакцию системы на возмущения, такие как лечение щитовидной железы или дефицит йода.

Аналогично можно моделировать регулирование глюкозы-инсулина, с узлами для глюкозы крови, секреции инсулина, глюкагона и производства глюкозы в печени. Анализ SFG выявляет условия стабильности и возникновения гипергликемических колебаний при диабете.

Другие новые приложения

  • Фармакокинетика и фармакодинамика: SFG представляют собой поглощение, распределение, метаболизм и экскрецию лекарств (ADME) в виде сети отсеков с клиренсом и связыванием.
  • Биомеханика: Совместный крутящий момент, активация мышц и кинематика конечностей могут быть связаны через SFG для изучения управления движением и дизайна протезов.
  • Сети сигнализации: Внутриклеточные пути (например, MAPK/ERK) по своей сути являются системами потоков сигналов, а SFG с пониженным порядком помогают идентифицировать критические узлы для таргетирования лекарств.

Преимущества использования графиков сигнальных потоков в биомедицинском моделировании

SFG предлагают несколько различных преимуществ по сравнению с альтернативными подходами моделирования, такими как наборы дифференциальных уравнений или функции переноса черного ящика.

Визуальная ясность и интуитивная причинность

Направленный формат графа делает направление влияния явным. При сотрудничестве с клиницистами или биологами, которые могут не быть знакомы с дифференциальными уравнениями, SFG обеспечивает общий визуальный язык. Гораздо легче обсуждать «кровяное давление влияет на частоту сердечных сокращений через эту ветвь», чем разбирать якобианскую матрицу.

Модульность и иерархическое моделирование

Сложные физиологические системы могут быть разложены на подсистемы, каждая из которых представлена собственным SFG. Эти подграфы затем могут быть объединены с использованием стандартных правил (серии, параллельные, соединения обратной связи). Например, сердечно-сосудистая модель может быть построена из отдельных модулей для сердца, сосудистой системы и нейронного управления, а затем соединена в общих узлах (например, давление аорты). Эта модульность облегчает итеративную уточнение и валидацию.

Легкое применение формулы Мэйсона

Формула усиления Мейсона позволяет напрямую вычислять общую передаточную функцию от любого входного узла до любого выходного узла без решения всей системы уравнений. Формула является T = [Σ]kkkk, где kk, Δ является детерминантом графа (1 минус сумма всех индивидуальных петлевых приростов плюс сумма продуктов усиления неприкасающихся петлей), а Δk является детерминантом графа после удаления узлов, которые касаются прямого пути. Это особенно мощно для оценки влияния петлей обратной связи на системный выигрыш и стабильность.

Анализ чувствительности

Поскольку ветви имеют явные преимущества, производная от общей функции переноса относительно данного усиления легко получается. Эта информация о чувствительности имеет жизненно важное значение для определения того, какие физиологические параметры наиболее сильно влияют на желаемый выход, например, какая чувствительность рецептора должна быть модулирована для достижения наибольшего изменения артериального давления.

Простота включения экспериментальных данных

Графические приросты можно оценить по данным временных рядов с использованием методов системной идентификации. И наоборот, сама структура графа может быть выведена из мер связи (например, причинности Грейнджера), что делает SFG мостом между управляемым данными и механистическим моделированием. Для руководства по комбинированию SFG с эмпирическим динамическим моделированием см. эта статья PLoS ONE о нелинейных графах потока сигналов .

Моделирование физиологической системы: подробный сердечно-сосудистый пример

Чтобы закрепить эти концепции, давайте пройдемся по упрощенной СФГ краткосрочной регуляции сердечно-сосудистой системы. Мы определим четыре узла:

  • Pa — среднее артериальное давление (ммГ)
  • CO — вывод сердечной мышцы (L/min)
  • TPR — полное периферическое сопротивление (ммГ·мин/л)
  • HR — ЧСС (бит/мин)

Края представляют собой устоявшиеся физиологические отношения:

  1. Pa = CO × TPR (аналогия закона Ома для гемодинамики).Приобретение: TPR (обратите внимание, что это мультипликативное отношение; в SFG умножение обрабатывается линеаризацией вокруг рабочей точки или с помощью усиления, которое включает в себя продукт).Для небольших возмущений мы можем приблизить линейное усиление: ΔPa = TPR0·ΔCO + CO0·ΔTPR.
  2. CO = HR × SV Если для простоты объем хода (SV) принимается постоянным, то CO прямо пропорционален HR.Gain: SV0.
  3. Baroreflex: Увеличение Pa ингибирует симпатический отток, уменьшая HR и TPR.Поэтому края от Pa до HRkHR и Pa до TPRkTPR.
  4. Передача: Упражнения или эмоции могут непосредственно увеличить HR и TPR (положительные края от центрального командного узла, не показаны для краткости).

Полученный SFG имеет два цикла обратной связи: один через HR и один через TPR, оба отрицательные. Используя формулу усиления Мэйсона, мы можем вычислить выигрыш замкнутого цикла от нарушения TPR (например, из-за вазоактивного препарата) до результирующего изменения артериального давления. Анализ показывает, что барорефлекс снижает чувствительность давления к изменениям сопротивления фактором, равным увеличению цикла.

Этот тип модели был подтвержден в многочисленных исследованиях. Современный пример использования SFG для моделирования эффекта кровоизлияния и реанимации жидкости см. в статье 2019 года в Medical & Biological Engineering & Computing.

Ограничения и вызовы

Несмотря на свои сильные стороны, графики сигнального потока не являются панацеей. Следует признать несколько ограничений:

  • Предположение о лаконичности: Стандартный анализ SFG предполагает линейные отношения с постоянными усилениями. Многие физиологические процессы являются нелинейными (например, кривые сигмоидальной дозы-реакции, пороговые явления). В то время как локальная линейность вокруг рабочей точки часто приемлема, она не подходит для больших возмущений или систем с сильными нелинейностями. Расширения, такие как описание анализа функций или по частям линейные SFG, могут помочь, но они увеличивают сложность.
  • Отсутствие явной динамики времени: Основные SFG представляют собой алгебраические отношения; они по своей сути не включают в себя временные задержки, интеграторы или производные эффекты. Для захвата переходной динамики необходимо увеличить граф динамическими элементами (например, функциями переноса Laplace-домена для каждой ветви), по существу преобразуя SFG в блок-схему. Это просто, но выходит за рамки чистой графовой формулировки.
  • Сложность с распределенными параметрами: Физиологические системы часто включают пространственные градиенты (например, концентрацию вдоль нефрона). SFG по своей сути являются моделями с комковатыми параметрами. Если пространственные детали имеют решающее значение, могут быть более подходящими уравнения с частичными дифференциалами или компартментные модели.
  • Оценка параметров: Для назначения точных значений коэффициента усиления требуются экспериментальные данные, получение которых может быть затруднено или инвазивно. Во многих случаях коэффициенты усиления настроены на соответствие средним показателям численности населения или получены из литературы, что вносит неопределенность. Анализ чувствительности помогает определить приоритеты, для которых коэффициенты усиления требуют точного измерения.

Будущие направления и интеграция

Роль графов потоков сигналов в биомедицинской инженерии развивается наряду с вычислительными достижениями. Две многообещающие тенденции:

Гибридные модели с машинным обучением

Исследователи комбинируют SFG с нейронными сетями для создания полумеханических моделей. Граф накладывает известную причинную структуру, в то время как компоненты, управляемые данными (например, нелинейные функции усиления), извлекаются из больших наборов данных. Этот подход сохраняет интерпретируемость при захвате сложного поведения. Например, иерархический SFG регуляции глюкозы-инсулина может включать в себя узел нейронной сети, который моделирует неопределенное влияние физических упражнений на чувствительность к инсулину.

Мониторинг пациентов в режиме реального времени и контроль замкнутого цикла

SFG встраиваются в алгоритмы носимых и имплантируемых устройств. Упрощенный график сердечно-сосудистой или вегетативной системы может быть решен в режиме реального времени для оценки неизмеримых переменных (например, сердечного выброса от частоты сердечных сокращений и артериального давления) или для корректировки параметров темпа в искусственной поджелудочной железе замкнутого цикла или глубоком стимуляторе мозга. Вычислительная эффективность формулы Мейсона делает SFG привлекательными для таких встроенных реализаций.

Полезным ресурсом для тех, кто хочет реализовать SFG в режиме реального времени, является статья в Википедии о графиках потоков сигналов, которая включает в себя фундаментальную теорию и примеры.

Заключение

Графики потока сигналов обеспечивают мощную, интуитивную основу для моделирования сложных сетей физиологической регуляции. Представляя переменные в качестве узлов и причинных влияний в качестве направленных краев с выигрышами, SFG позволяют биомедицинским инженерам анализировать стабильность, вычислять функции передачи, количественно оценивать чувствительность и разрабатывать вмешательства с ясностью и строгостью. От сердечно-сосудистой динамики до нейронных цепей и эндокринной обратной связи приложения широки и растут. В то время как существуют ограничения, связанные с линейностью и динамической обратной связью, постоянная интеграция с методами, основанными на данных, и системами реального времени обещает расширить их полезность. Для студентов и практиков, овладение графиками потока сигналов является важным шагом к количественному пониманию и контролю физиологических систем - в конечном итоге способствуя улучшению медицинских устройств, методов лечения и результатов лечения пациентов.