CN107260159A - 一种基于卷积神经网络的心脏电功能成像方法 - Google Patents
一种基于卷积神经网络的心脏电功能成像方法 Download PDFInfo
- Publication number
- CN107260159A CN107260159A CN201710508307.6A CN201710508307A CN107260159A CN 107260159 A CN107260159 A CN 107260159A CN 201710508307 A CN201710508307 A CN 201710508307A CN 107260159 A CN107260159 A CN 107260159A
- Authority
- CN
- China
- Prior art keywords
- heart
- functional imaging
- electric functional
- cardiac electric
- potential
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 40
- 230000000747 cardiac effect Effects 0.000 title claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 239000004020 conductor Substances 0.000 claims abstract description 5
- 238000002224 dissection Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 11
- 230000036982 action potential Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 210000002064 heart cell Anatomy 0.000 claims description 4
- 239000012528 membrane Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000002964 excitative effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 2
- 206010003119 arrhythmia Diseases 0.000 description 9
- 230000006793 arrhythmia Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 208000019622 heart disease Diseases 0.000 description 4
- 206010042434 Sudden death Diseases 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0044—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于卷积神经网络的心脏电功能成像方法，其根据医学影像仪器获取的心脏和躯干的解剖几何信息以及躯干容积导体的电磁特性，建立人体的心脏‑躯干模型；通过心脏表面源方法仿真计算得到心外膜电位分布数据和体表电位分布数据用以作为卷积神经网络的训练样本和测试样本；使用训练样本对卷积神经网络进行训练建立回归模型，使用随机梯度下降算法对模型参数进行优化，测试样本用来验证模型精度；根据训练好的模型，由体表电位分布数据重构得到心外膜电位分布从而实现心脏电功能成像的检测。本发明的优点是可快速、鲁棒、高精度地重构心外膜电位分布，实现心脏电功能成像快速检测。
Description
技术领域
本发明属于心脏电功能成像技术领域，具体涉及一种基于卷积神经网络的心脏电功能成像方法。
背景技术
心血管疾病是导致心脏骤停的主要原因，其中最常见的就是心律失常，它使得心脏跳动失去同步性而易导致猝死。如果在心律失常后没有及时快速实施除颤或心肺复苏，死亡可能随时降临；然而有一些患者猝死前并未出现任何心脏疾病先兆和症状，因此准确识别和定位心律失常在预防猝死的过程中是至关重要的，研究出一种无创的心脏电功能成像方法对此无疑是意义重大，这种形式的成像能够快速准确地识别出那些处于心律失常危险中的人群，及时做好预防准备。
如上所述，心律失常是导致患者死亡的一个重要原因，对于心律失常的诊断和治疗的重要性不言而喻。常规的诊断技术，如标准的12导联心电图(ECG)是心脏电活动在体表的低分辨率投影，由于心电图是通过捕获躯体表面上和能够达到躯体表面的心脏搏动信息，所以只能提供心脏电活动整体的反映。体表电位分布图是比心电图更高分辨率的心电活动投影，但仍然不能反映出心脏源的电活动，而且体表电位图也没有足够的分辨率来反映心脏内局部事件的过程。因此，如果我们能够有获取心脏外膜表面的电活动信息的技术，那么在心律失常诊断方面将是一个意义重大的进步，心脏电功能成像就是这样一种有希望应用到临床的技术。心脏电功能成像是一种新的成像模式，不同于CT或MRI的几何形态成像，它能够无创地对心脏表面的电活动信息成像。因此，心脏电功能成像有希望成为检测心脏电功能异常的诊断利器。心脏电功能成像则是根据体表电位的分布、人体的几何形状以及躯干容积导体的电磁特性，通过数学物理方法求得心脏电活动的定量解。心脏电功能成像技术是将心电图和成像技术结合起来，用图像的形式来直观地反映心脏电活动信息，它能准确检测并判断出哪些患者是发生心律失常的高危人群，为治疗提供直观有效的帮助和指导。目前，对于心律失常的无创的图像诊断、治疗和引导方式在临床中还未见应用，心脏电功能成像技术有望弥补这一缺憾，为全世界每年数百万可能会因此疾病而失去生命的患者带来希望。心脏电功能成像不仅可以帮助医生对各种心脏疾病的诊断和治疗，也可应用于正常心脏功能评估。
目前所研究的心脏电功能成像方法，大多采用正则化方法克服其不适定性问题，正则化方法的难点主要在于参数的选择，不同躯干模型以及不同的体表电位噪声环境，需要尝试多种正则化方法及其参数选择方法。这样就使得该方法泛化能力差，而且计算相当耗时，不能实现心脏电功能实时成像。近期，机器学习相关算法引入到心脏电功能成像检测中，取得了一定的进展；比如支持向量回归、极限学习机等算法，一定程度上提高了泛化能力和成像速度，但是仍然难以达到高精度、鲁棒的实时成像的要求。
发明内容
鉴于上述，本发明提供了一种基于卷积神经网络的心脏电功能成像方法，能够由体表电位快速、鲁棒、高精度的重构心外膜电位分布，实现心脏电功能成像的快速检测，为心脏疾病的预防和诊断提供更加有效的检测手段。
一种基于卷积神经网络的心脏电功能成像方法，包括如下步骤：
(1)根据医学影像仪器获取的心脏与躯干的解剖几何信息以及躯干容积导体的电磁特性，通过三角形网格化划分建立人体的心脏-躯干模型；
(2)通过心脏表面源方法仿真计算得到一个兴奋传导周期的心外膜电位分布数据，并对其进行采样得到多个心外膜电位分布样本；
(3)将所述心外膜电位分布样本逐个输入至心脏-躯干模型中得到对应的体表电位分布样本；
(4)利用所述体表电位分布样本对卷积神经网络进行训练，得到能够反问题重构出心外膜电位分布的回归模型，并利用该回归模型实现心脏电功能成像。
进一步地，所述步骤(1)中建立得到的心脏-躯干模型包含了心外膜电位与体表电位之间的传递矩阵，利用该传递矩阵即可通过心外膜电位正问题求解出体表电位。
进一步地，所述步骤(2)中根据心脏细胞的动作电位类型和兴奋时序分布求解出心脏细胞的跨膜动作电位，基于封闭的心脏表面根据心脏表面源方法确定跨膜动作电位与心脏表面电位之间的关系，进而仿真计算得到整个心脏表面的心外膜电位分布数据。
进一步地，将所述步骤(3)中将得到的体表电位分布样本分为训练集和测试集，其中训练集的体表电位分布样本用于对卷积神经网络进行训练，测试集的体表电位分布样本用于对训练得到的回归模型进行验证微调。
优选地，对所述训练集中的体表电位分布样本叠加随机噪声，以使训练得到的回归模型能够抗噪，具有鲁棒性。
进一步地，所述步骤(4)中将训练集中的体表电位分布样本分成多个批次，成批输入至卷积神经网络中，以对应的心外膜电位分布样本作为输出真值，采用随机梯度下降法对卷积神经网络进行训练从而确立得到能够反问题重构出心外膜电位分布的回归模型。
优选地，所述卷积神经网络采用包含卷积层和池化层的九层神经网络结构。
优选地，所述步骤(4)中对卷积神经网络进行训练的过程在GPU上实现。
本发明基于卷积神经网络的心脏电功能成像方法将心脏电功能成像问题看作是一个多输入多输出回归问题，体表电位分布即输入，而心外膜电位分布为输出。卷积神经网络作为一种深度学习算法用来解决回归问题，具有精度高、鲁棒、泛化能力强等优势；本发明通过使用卷积神经网络建立回归模型，并在训练过程中采用随机梯度下降算法对模型进行优化，根据训练好的回归模型，能够由体表电位分布准确快速地重构出心外膜电位分布，从而实现心脏电功能成像的快速检测，为心脏疾病的预防和诊断提供更加便捷和有效的检测手段。
附图说明
图1为本发明通过仿真形成卷积神经网络模型中样本数据的流程示意图。
图2为本发明所采用卷积神经网络的结构示意图。
图3为本发明利用样本数据对卷积神经网络进行训练确立回归模型的流程示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明基于卷积神经网络的心脏电功能成像方法，包括如下步骤：
(1)对医学影像仪器获取人体的心脏和体表的解剖几何信息以及躯干容积导体的电磁特性，心脏和躯干的几何信息，进行三角形网格划分，建立心脏-躯干模型，通过数值计算方法建立心外膜电位与体表电位之间的传递矩阵TBH，如图1所示。由心脏细胞的动作电位类型和兴奋时序分布，可以求解细胞的跨膜动作电位基于封闭的心脏表面根据心脏表面源方法可确定跨膜动作电位和心脏表面电位之间的关系TmH，可以得到整个心脏表面的电位分布；并取心外膜电位分布作为心脏源，由传递矩阵TBH根据公式进行正问题计算可以得到体表电位分布以叠加随机噪声的体表电位分布和心外膜电位分布作为回归模型中的输入和输出，每隔0.5ms仿真计算得到一组心外膜电位分布与体表电位分布的样本数据，在一个兴奋传导周期(357ms)内采取715组样本数据，选取其中665组数据为学习样本数据，进行回归模型的训练，剩余的50组样本数据作为测试数据。
(2)根据仿真数据的特点，设计卷积神经网络，如图2所示，采用九层的网络结构(不含输入输出层)。其中，以卷积层8*1+4(S)为例，表示该层是卷积层，8*1表示卷积核的宽高，4(S)表示卷积核跳跃距离为4；再以池化层2*1+4(S)为例，表示该层是池化层，2*1表示池化区域的宽高，4(S)表示池化跳跃距离为4。本实施方式中所有池化层都使用最大池化操作，损失层是使用欧氏距离作为损失函数。
(3)在GPU上使用训练样本对卷积神经网络进行训练，以实现心脏电功能成像回归模型的构建，如图3所示，在训练网络过程中使用随机梯度下降算法进行参数优化。随机梯度下降是一种简单但又非常高效的方式判别式学习方法，随机梯度下降的权值是通过考查某个训练样本来更新的，迭代速度快。本实施方式中的随机梯度下降实际是指批随机梯度下降，具体来说：对于训练数据集，我们首先将其分成n个批次，每个批次包含m个样本，我们每次更新都利用一个批次的数据，而非整个训练集，这样使得整体优化方向是全局最优，同时大大提高了收敛速度。
(4)观察训练日志，如果目标函数损失值足够小(一般认为接近0.05就是损失比较小了)并且趋于稳定，就进行下一步的误差测试；否则，需要设计新的网络结构和初始化参数并重新训练，重新训练时，可以适当增加训练样本数量。
(5)利用测试样本数据对回归模型进行测试，分析计算误差，判断回归模型是否满足误差要求，一般误差范围选择在ε＜0.001。如果满足，则回归模型建立，可以用来实现心脏电功能成像的检测；如果误差达不到要求，可以对模型进行微调，进一步降低损失值；直至满足误差要求，建立有效的回归模型。
(6)使用训练好的模型，可以由体表电位分布计算出心外膜电位分布；然后根据心外膜电位分布，可进一步重构心脏表面的电描记图、等势线等，以获取心脏表面电生理成像信息，实现心脏电功能成像的检测。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (8)
1.一种基于卷积神经网络的心脏电功能成像方法，包括如下步骤：
(1)根据医学影像仪器获取的心脏与躯干的解剖几何信息以及躯干容积导体的电磁特性，通过三角形网格化划分建立人体的心脏-躯干模型；
(2)通过心脏表面源方法仿真计算得到一个兴奋传导周期的心外膜电位分布数据，并对其进行采样得到多个心外膜电位分布样本；
(3)将所述心外膜电位分布样本逐个输入至心脏-躯干模型中得到对应的体表电位分布样本；
(4)利用所述体表电位分布样本对卷积神经网络进行训练，得到能够反问题重构出心外膜电位分布的回归模型，并利用该回归模型实现心脏电功能成像。
2.根据权利要求1所述的心脏电功能成像方法，其特征在于：所述步骤(1)中建立得到的心脏-躯干模型包含了心外膜电位与体表电位之间的传递矩阵，利用该传递矩阵即可通过心外膜电位正问题求解出体表电位。
3.根据权利要求1所述的心脏电功能成像方法，其特征在于：所述步骤(2)中根据心脏细胞的动作电位类型和兴奋时序分布求解出心脏细胞的跨膜动作电位，基于封闭的心脏表面根据心脏表面源方法确定跨膜动作电位与心脏表面电位之间的关系，进而仿真计算得到整个心脏表面的心外膜电位分布数据。
4.根据权利要求1所述的心脏电功能成像方法，其特征在于：将所述步骤(3)中将得到的体表电位分布样本分为训练集和测试集，其中训练集的体表电位分布样本用于对卷积神经网络进行训练，测试集的体表电位分布样本用于对训练得到的回归模型进行验证微调。
5.根据权利要求4所述的心脏电功能成像方法，其特征在于：对所述训练集中的体表电位分布样本叠加随机噪声。
6.根据权利要求4所述的心脏电功能成像方法，其特征在于：所述步骤(4)中将训练集中的体表电位分布样本分成多个批次，成批输入至卷积神经网络中，以对应的心外膜电位分布样本作为输出真值，采用随机梯度下降法对卷积神经网络进行训练从而确立得到能够反问题重构出心外膜电位分布的回归模型。
7.根据权利要求1所述的心脏电功能成像方法，其特征在于：所述卷积神经网络采用包含卷积层和池化层的九层神经网络结构。
8.根据权利要求1所述的心脏电功能成像方法，其特征在于：所述步骤(4)中对卷积神经网络进行训练的过程在GPU上实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710508307.6A CN107260159A (zh) | 2017-06-28 | 2017-06-28 | 一种基于卷积神经网络的心脏电功能成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710508307.6A CN107260159A (zh) | 2017-06-28 | 2017-06-28 | 一种基于卷积神经网络的心脏电功能成像方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107260159A true CN107260159A (zh) | 2017-10-20 |
Family
ID=60070380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710508307.6A Pending CN107260159A (zh) | 2017-06-28 | 2017-06-28 | 一种基于卷积神经网络的心脏电功能成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107260159A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109157210A (zh) * | 2018-07-11 | 2019-01-08 | 厦门大学 | 一种基于admm和神经网络的心外膜电位重建方法 |
| CN110507313A (zh) * | 2019-08-30 | 2019-11-29 | 武汉中旗生物医疗电子有限公司 | 一种腔内心电信号重建方法及装置 |
| CN111513709A (zh) * | 2020-05-20 | 2020-08-11 | 浙江大学 | 基于迭代收缩阈值算法的非局部神经网络心肌跨膜电位重建方法 |
| CN113743906A (zh) * | 2021-09-09 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种确定业务处理策略的方法和装置 |
| WO2023184598A1 (zh) * | 2022-03-31 | 2023-10-05 | 胡冠彤 | 基于人工智能的心脏模拟器数据矫正系统和方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101695442A (zh) * | 2009-10-15 | 2010-04-21 | 浙江理工大学 | 基于支持向量回归的心脏电功能成像检测方法 |
| CN103211590A (zh) * | 2013-04-24 | 2013-07-24 | 浙江理工大学 | 基于gpu加速的极限学习机的心脏电功能快速成像方法 |
| CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
| CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
| CN106096632A (zh) * | 2016-06-02 | 2016-11-09 | 哈尔滨工业大学 | 基于深度学习和mri图像的心室功能指标预测方法 |
| CN106373109A (zh) * | 2016-08-31 | 2017-02-01 | 南方医科大学 | 一种医学图像模态合成的方法 |
-
2017
- 2017-06-28 CN CN201710508307.6A patent/CN107260159A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101695442A (zh) * | 2009-10-15 | 2010-04-21 | 浙江理工大学 | 基于支持向量回归的心脏电功能成像检测方法 |
| CN103211590A (zh) * | 2013-04-24 | 2013-07-24 | 浙江理工大学 | 基于gpu加速的极限学习机的心脏电功能快速成像方法 |
| CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
| CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
| CN106096632A (zh) * | 2016-06-02 | 2016-11-09 | 哈尔滨工业大学 | 基于深度学习和mri图像的心室功能指标预测方法 |
| CN106373109A (zh) * | 2016-08-31 | 2017-02-01 | 南方医科大学 | 一种医学图像模态合成的方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109157210A (zh) * | 2018-07-11 | 2019-01-08 | 厦门大学 | 一种基于admm和神经网络的心外膜电位重建方法 |
| CN110507313A (zh) * | 2019-08-30 | 2019-11-29 | 武汉中旗生物医疗电子有限公司 | 一种腔内心电信号重建方法及装置 |
| CN111513709A (zh) * | 2020-05-20 | 2020-08-11 | 浙江大学 | 基于迭代收缩阈值算法的非局部神经网络心肌跨膜电位重建方法 |
| CN113743906A (zh) * | 2021-09-09 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种确定业务处理策略的方法和装置 |
| WO2023184598A1 (zh) * | 2022-03-31 | 2023-10-05 | 胡冠彤 | 基于人工智能的心脏模拟器数据矫正系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107260159A (zh) | 一种基于卷积神经网络的心脏电功能成像方法 | |
| Chen et al. | Contactless electrocardiogram monitoring with millimeter wave radar | |
| Samuelsson et al. | Spatial fidelity of MEG/EEG source estimates: A general evaluation approach | |
| Li et al. | Localization of the site of origin of cardiac activation by means of a heart-model-based electrocardiographic imaging approach | |
| CN108024730A (zh) | 使用数学分析和机器学习来诊断疾病的方法和系统 | |
| Calder et al. | A theoretical analysis of electrogastrography (EGG) signatures associated with gastric dysrhythmias | |
| JP2012179352A (ja) | 電流双極子を構築するシステムおよび電流双極子を構築する方法 | |
| Yao et al. | Characterizing the location and extent of myocardial infarctions with inverse ECG modeling and spatiotemporal regularization | |
| US12114990B2 (en) | Systems and methods for electromyometrial imaging | |
| CN108324263A (zh) | 一种基于低秩稀疏约束的无创心脏电生理反演方法 | |
| CN101695442B (zh) | 基于支持向量回归的心脏电功能成像检测方法 | |
| CN115500841A (zh) | 一种融合时域与频域特征深度学习的室性早搏定位方法 | |
| Huang et al. | A multiview feature fusion model for heartbeat classification | |
| Tenderini et al. | PDE-aware deep learning for inverse problems in cardiac electrophysiology | |
| CN104825133B (zh) | 基于彩色多普勒3d成像的准静态心室‑心脏磁场模型 | |
| Schimpf et al. | Realistic computer modelling of electric and magnetic fields of human head and torso | |
| O’Reilly et al. | Localized estimation of electromagnetic sources underlying event-related fields using recurrent neural networks | |
| Mazumder et al. | Computational model for therapy optimization of wearable cardioverter defibrillator: shockable rhythm detection and optimal electrotherapy | |
| Bergquist et al. | Uncertainty quantification of the effect of cardiac position variability in the inverse problem of electrocardiographic imaging | |
| CN113139449A (zh) | 一种基于生理信号的具身学习认知负荷评估系统 | |
| Kim et al. | Reconstruction of multiple gastric electrical wave fronts using potential-based inverse methods | |
| Burton | Subject-specific modeling of partial thickness cardiac ischemia: From experiment to body surface | |
| Yang et al. | Coupling Ray Radiation Function Based Biophysical Detailed Dual Pattern Cardiac Visualization | |
| Camps | Bayesian inference and Machine learning methods for the advanced analysis of electrocardiographic signals | |
| Mahdavian et al. | A novel convolutional neural network for EEG source localization with FEM forward model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |