一种无创心肌跨膜电位重建及异常点定位方法技术

本发明专利技术公开了一种无创心肌跨膜电位重建及异常点定位方法，该方法同时使用去噪结构加上ConvLSTM网络结构以及时空双重注意力机制，充分利用了深度学习的灵活性泛化性优势，用神经网络结构来替代传统方法中需要人工不断调整的参数，利用网络自动的学习心电数据中的普适性特征，并且保留了病人的生理信息和严谨的物理模型，算法的收敛性和重建的精度都有理论的支持。本发明专利技术中的时空注意力机制将self

【技术实现步骤摘要】
一种无创心肌跨膜电位重建及异常点定位方法


[0001]本专利技术属于心脏电生理成像
，具体涉及一种无创心肌跨膜电位重建及异常点定位方法。

技术介绍

[0002]目前社会上因心律失常引发的心血管疾病已经成为影响全世界人类健康甚至导致死亡的主要疾病之一，根据美国心脏协会和世界卫生组织统计，每年因心律失常造成的心脏疾病死亡的人数接近千万，而医疗水平如此发达的美国每年依然有接近38万死于冠心病，在美国每年死亡人数中的占比达到了惊人的17％左右。根据中国心血管病报告中的内容显示，我国的形势同样严峻，现存的心血管疾病患者的人数数以亿计且其发病率和死亡率依旧在增加，目前已经超过癌症在内的其它所有疾病导致的死亡率；因此，发展心脏疾病的诊断技术具有重要意义。
[0003]由于心脏上的电位比较难以直接测量，因此临床上往往通过心电图这类方式对心脏异常情况做简单的初步诊断。医生通过对不同导联心电图的特征信息观察以及根据多年的临床经验可以大致推断出心脏疾病类型和模糊的病灶点位置；但是这仅仅是一个简单的定性评估，而在临床术中诊断治疗时，某些频发性的心律失常需要非常精确的病灶点位置信息，而仅根据体表心电图的判断显然不能完全满足临床上的需求。而侵入式的电位标测系统需要侵入病人心脏测量心脏表面电位，寻找确定需要消融的点，这会对身体造成损伤，有一定程度的风险；不仅如此，临床上借助这类系统往往也只是局部测量以及部分心脏重建，这不利于心脏电信号的完整呈现。
[0004]近年来心肌跨膜电位重建技术飞速发展，心肌跨膜电位的重建是由体表心电数据转化成心肌跨膜电位，然而体表电位的导联数远远小于所求心脏节点数，并且体表心电数据测量过程、正向模型求解过程中都会引入高频噪声，使得不加任何约束的直接求解方式所得的结果是不唯一的。针对这一问题，经典的方法有直接正则化方法如Tikhonov方法，文献[Hofmann B,Kaltenbacher B,Poeschl C,et al.A convergence rates result for Tikhonov regularization in Banach spaces with non
‑
smooth operators[J].Inverse problems,2007,23(3):987]通过在数据保真项后添加一个范数的约束，这样的直接正则化方法较为简单且成本低，但是都会导致重建结果过平滑，不利于心脏病灶点的诊断，泛化性较差。因此迭代正则化方法被提出，文献[Steidl G,Weickert J,Brox T,et al.On the equivalence of soft wavelet shrinkage,total variation diffusion,total variation regularization,and SIDEs[J].SIAM journal on numerical analysis,2004,42(2):686
‑
713]提出ISTA迭代软阈值收缩算法，通过不断的迭代以及梯度下降步骤和软阈值收缩步骤，最终收敛到最优解。
[0005]随着硬件计算设备和深度学习算法的快速发展，端对端深度学习开始应用于心肌跨膜电位的重建，其相当于直接神经网络取代传统方法中的物理模型，没有数据保真项和正则惩罚项，直接转换成体表心电数据输入到心肌跨膜电位输出的回归问题。文献
[Dhamala J,Ghimire S,Sapp J L,et al.Bayesian optimization on large graphs via a graph convolutional generative model:Application in cardiac model personalization[C].International conference on medical image computing and computer
‑
assisted intervention.Springer,Cham,2019:458
‑
467]引入深度卷积神经网络的方法，不再需要传统方法中必须的转换矩阵。端对端的神经网络结构一旦训练成功，正向推理简单且实时性强，但是训练过程需要大量数据集，并且非常依赖训练集的数据分布，由于临床上心脏电位数据采集困难，容易造成训练集的不完善，从而导致训练后的模型泛化性能不够好，并且大多都是直接对体表心电数据处理后回归输出心肌跨膜电位，该网络结构需要学习两个域的特征，对训练的压力较大。
[0006]传统正则化方法需要人工确定正则化形式和参数，且迭代耗时重建精度不高，而端到端深度学习方法需要大量数据训练，缺乏收敛理论，容易造成过拟合或欠拟合。为了解决上述问题，基于物理模型的深度学习方法进入心肌跨膜电位重建领域，文献[Wang L,Wu W,Chen Y,et al.An ADMM
‑
net solution to inverse problem of electrocardiology[C].2018 5th International conference on systems and informatics(ICSAI).IEEE,2018:565
‑
569]提出了ISTA
‑
Net网络结构，该网络以传统ISTA迭代算法为基础，用神经网络来代替软阈值收缩步骤，将网络嵌入迭代过程中，通过网络来自动学习正则化算子和参数，使其鲁棒性和泛化性都大大提升。
[0007]不过这些方法没有充分考虑心电数据的空间全局特征和传播过程中的时间相关性，所以以上工作还存在一定的局限性，重建精度也有很大的提升空间。因此基于体表心电信号的深度信息，考虑数据的时空特征，结合病人的生理信息，简单且无创地获得心脏电位信息以及心脏病灶异常点的定位具有非常重要的临床意义。

技术实现思路

[0008]鉴于上述，本专利技术提供了一种无创心肌跨膜电位重建及异常点定位方法，能够实现心肌跨膜电位的无创重建以及心脏病灶点的准确定位。
[0009]一种无创心肌跨膜电位重建及异常点定位方法，包括如下步骤：
[0010](1)采集病人的体表心电数据，通过临床测量获取病人的心肌跨膜电位信息以及病灶点的位置信息；
[0011](2)根据步骤(1)对不同病人进行多次采集测量以获得大量样本，每组样本包括体表心电数据以及对应的心肌跨膜电位信息和病灶点位置信息，进而将所有样本分成训练集和测试集；
[0012](3)构建基于ConvLSTM和时空注意力机制的神经网络模型(CLDA
‑
Net)，该模型包括：
[0013]初始化模块，用于将体表心电数据转化为初始的心肌跨膜电位；
[0014]去噪模块，用于对初始的心肌跨膜电位进行去噪处理；
[0015]ConvLSTM模块，用于对去噪后的心肌跨膜电位在空间局部和时间维度上进行编码，得到相应的特征编本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无创心肌跨膜电位重建及异常点定位方法，包括如下步骤：(1)采集病人的体表心电数据，通过临床测量获取病人的心肌跨膜电位信息以及病灶点的位置信息；(2)根据步骤(1)对不同病人进行多次采集测量以获得大量样本，每组样本包括体表心电数据以及对应的心肌跨膜电位信息和病灶点位置信息，进而将所有样本分成训练集和测试集；(3)构建基于ConvLSTM和时空注意力机制的神经网络模型，该模型包括：初始化模块，用于将体表心电数据转化为初始的心肌跨膜电位；去噪模块，用于对初始的心肌跨膜电位进行去噪处理；ConvLSTM模块，用于对去噪后的心肌跨膜电位在空间局部和时间维度上进行编码，得到相应的特征编码数据；时空注意力模块，用于对所述特征编码数据在时间维度和空间维度分别进行注意力机制的信息处理，进而通过融合得到时空全局依赖特征图；所述时空全局依赖特征图通过卷积块即可重建输出心肌跨膜电位，或通过多层感知器回归预测输出病灶点的位置信息；(4)利用训练集样本中的体表心电数据作为模型输入，心肌跨膜电位信息或病灶点位置信息作为标签，对上述网络模型进行训练；(5)将测试集样本中的体表心电数据输入至训练好的网络模型中，即可直接预测输出对应的心肌跨膜电位信息或病灶点位置信息。2.根据权利要求1所述的无创心肌跨膜电位重建及异常点定位方法，其特征在于：所述去噪模块由4个残差学习块级联组成，每个残差学习块由3个卷积层D1～D3依次连接组成，每个卷积层的输出均经过ReLU函数激活；其中D1的卷积核大小为7
×
7，输出通道数为64；D2的卷积核大小为1
×
1，输出通道数为32；D3的卷积核大小为5
×
5，输出通道数与残差学习块的输入通道数一致；D3的输出与D1的输入相加后作为残差学习块的输出。3.根据权利要求1所述的无创心肌跨膜电位重建及异常点定位方法，其特征在于：所述ConvLSTM模块的具体运算过程如下：f
t
＝σ(W
xf
*x
t
+W
hf
*h
t
‑1+W
cf
°
c
t
‑1+b
f
)i
t
＝σ(W
xi
*x
t
+W
hi
*h
t
‑1+W
ci
°
c
t
‑1+b
i
)g
t
＝tanh(W
xc
*x
t
+W
hc
*h
t
‑1+b
c
)c
t
＝f
t
°
c
t
‑1+i
t
°
g
t
o
t
＝σ(W
xo
*x
t
+W
ho
*h
t
‑1+W
co
°
c
t
+b
o
)h
t
＝o
t
°
tanh(c
t
)其中：x
...

【专利技术属性】
技术研发人员：刘华锋，程麟胜，
申请(专利权)人：浙江大学，
类型：发明
国别省市：