CN114271927B - 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 - Google Patents
可实时预测心律失常射频消融损伤深度的方法及射频消融仪 Download PDFInfo
- Publication number
- CN114271927B CN114271927B CN202111557609.5A CN202111557609A CN114271927B CN 114271927 B CN114271927 B CN 114271927B CN 202111557609 A CN202111557609 A CN 202111557609A CN 114271927 B CN114271927 B CN 114271927B
- Authority
- CN
- China
- Prior art keywords
- ablation
- particle
- radio frequency
- neural network
- output
- 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.)
- Active
Links
Landscapes
- Surgical Instruments (AREA)
Abstract
本发明属于医疗仪器技术领域，具体为一种可实时预测心律失常射频消融损伤深度的方法及射频消融仪。本发明采用粒子群优化反向传播(PSO‑BP)神经网络对消融损伤深度进行预测，通过机器学习建立消融时间、电极‑组织接触压力(CF)、消融功率三个射频消融参数与消融损伤深度的量化关系，即从三个射频消融参数得到与消融损伤深度对应的“消融深度指数”。然后将消融深度指数模型移植到射频消融仪中，辅助医生在心律失常射频消融实施过程中实现对消融深度的精准控制，具有临床应用前景。
Description
技术领域
本发明属于医学仪器技术领域，具体涉及一种可实时预测心律失常射频消融损伤深度的方法及射频消融仪。
背景技术
心律失常是常见的心血管疾病，严重威胁人类健康。射频消融是包括房颤在内的多种快速型心律失常的重要治疗手段。据国家卫健委网上注册系统资料显示，2018年我国心律失常导管射频消融手术量为15.16万例，2010年以来的年增长率为13.2％-17.5％。消融损伤的精准控制是射频消融术实施过程中需解决的重要问题，因为消融不足导致的无效损伤，是心律失常术后复发的重要原因之一；而消融过度则可能造成心包填塞等并发症，严重的话可能危及生命。由于消融时间、电极-组织接触压力(contact force,CF)和消融功率与消融损伤深度密切相关，本发明设计了一种可实时预测心律失常射频消融损伤深度的消融仪，采用人工智能方法建立射频消融参数(消融时间、CF和消融功率)与消融损伤深度之间的定量关系，为心律失常射频消融术消融损伤深度精准控制提供依据。
发明内容
针对目前心律失常射频消融术对消融损伤深度精准控制的需求，本发明提供一种可实时预测心律失常射频消融损伤深度的方法及射频消融仪。
本发明采用粒子群优化反向传播(Particle Swarm Optimization-BackPropagation，PSO-BP)神经网络对消融损伤深度进行预测，通过机器学习建立消融时间、电极-组织接触压力(CF)、消融功率三个射频消融参数与消融损伤深度的量化关系，即从三个射频消融参数得到与消融损伤深度对应的“消融深度指数”。然后将消融深度指数模型移植到射频消融仪中，辅助医生在心律失常射频消融实施过程中实现对消融深度的精准控制。
本发明提供的可实时预测心律失常射频消融损伤深度的方法，采用PSO-BP神经网络作为预测模型，具体步骤如下：
步骤一：确定PSO-BP神经网络的输入、输出变量，其中，输入变量为射频消融时间、CF以及消融功率，输出变量为射频消融损伤深度指数；
步骤二：建立预测消融损伤深度指数的BP网络模型具体结构；首先根据输入变量和输出变量数量确定BP网络模型的输入层节点个数和输出层节点个数；进一步，根据输入层和输出层的复杂程度确定隐含层层数以及确定隐含层的节点个数；
步骤三：根据建立的BP神经网络模型结构，对其中神经元的连接权值和阈值进行粒子化，获得相对应的粒子种群，并对该种群做初始化处理；把网络训练数据预测误差绝对值和作为每个粒子的适应度值，计算出每个粒子的适应度值，粒子的适应度值越小，该粒子越优，选取粒子中适应度值最佳的个体作为粒子群群体最优解；
根据粒子群中的每个粒子的历史最优解，对每个粒子自身的速度和位置进行迭代更新；设定粒子群的最大迭代次数，当迭代次数达到了预设的最大迭代次数，停止粒子的迭代更新，否则重复进行迭代；经过粒子群位置的迭代更新后，得到粒子个体适应度最优的个体，该粒子的位置信息赋予BP神经网络的连接权值和阈值，作为BP神经网络的最佳的初始连接权值和阈值；
步骤四：将数据集按一定比例随机分为训练集和测试集；对PSO-BP神经网络模型进行训练和测试；设定PSO-BP神经网络的训练参数，用训练集对网络进行训练，用测试集对训练好的网络进行拟合优度和预测准确度进行测试，最终获得预测效果好的PSO-BP神经网络预测模型；
步骤五：把训练好的PSO-BP神经网络预测模型用于实验采集的心律失常射频消融损伤深度的预测；将导管消融手术中的消融时间、CF以及消融功率作为输入变量输入到训练好的PSO-BP神经网络模型中，经过PSO-BP神经网络模型实时计算消融损伤深度指数。
在上述工作的基础上，本发明进一步将PSO-BP神经网络消融损伤深度指数预测模型移植到射频消融仪中，组成可实时预测心律失常射频消融损伤深度的射频消融仪。由移植了PSO-BP神经网络预测模型的射频消融仪和可测量CF的消融导管电极(简称压力导管)组成可实时预测心律失常射频消融损伤深度的射频消融系统；其中射频消融仪的输出功率可调，且可实时检测输出射频电流、电压，进而计算实际输出功率；压力导管电极与参考极板一起将射频能量施加至消融靶点，并反馈检测到的CF。移植了消融损伤深度指数预测算法的射频消融仪在射频消融的过程中，可根据实时反馈的消融电流、电压以及CF以及消融时间，计算得到当前的消融损伤深度指数。
有益效果
本发明的有益效果是所设计的可实时预测消融损伤深度指数的射频消融仪，可实现通过消融时间、CF以及消融功率计算消融损伤深度指数，进而辅助医生实现消融深度指数的精准控制，具有很好的临床应用前景。
附图说明
图1为本发明的系统框图。
图2为本发明的建立的BP神经网络的拓扑结构。
图3为本发明的PSO优化算法。
图4为本发明的射频消融仪的结构图。
具体实施方式
下面结合具体实施例，进一步具体地介绍本发明。但是，本发明的保护范围并不仅仅局限于此实例，熟悉该领域的技术人员根据本发明的技术内容，通过简单的更换和代替所做出的其他实例，都应该属于本发明的保护范围。本发明所保护的范围以权利要求书的为准。
实施例，参见图1-4，如图1所示，可预测心律失常射频消融损伤深度的射频消融仪的设计可分为S1-S5共5个步骤。
S1：确定PSO-BP神经网络模型的输入输出变量；
将导管消融手术中的消融时间、CF和消融功率作为PSO-BP神经网络模型的3个输入变量；将消融损伤深度指数作为PSO-BP神经网络模型的1个输出变量。
S2：确定BP神经网络的拓扑结构；
根据网络的输入变量和输出变量，建立如图2所示的由输入层P1、隐含层P2以及输出层P3构成的BP神经神经网络的拓扑结构；其中，P1结构确定原则：根据输入变量个数(消融时间、CF以及消融功率)，确定P1节点数为3个；P3结构确定原则：根据输出变量个数(消融损伤深度指数)，确定P3节点数为1个；P2结构确定原则：根据输入变量和输出变量的复杂程度确定BP神经网络的隐含层的层数为1层，参考公式(1)确定隐含层节点个数；
式中，k为隐含层的节点个数，m为输入层的节点个数，n为输出层节点个数，l为一个取值范围在1-10之间的整数；例如，取k＝10。
根据隐含层和输出层的传递函数，可分别求得隐含层和输出层的输入和输出关系如式(2)、(3)所示：
式中：xm为神经网络的输入变量，wmk为输入层到隐含层的连接权值，θk为隐含层神经元的阈值，hk为隐含层神经元的输出；wk为隐含层到输出层的连接权值，ε为输出层的阈值，y为神经网络的输出。
S3：用PSO算法对BP神经网络的初始权值和阈值进行优化，得到PSO-BP神经网络模型；
用PSO算法对BP神经网络的初始连接权值和阈值进行优化，获得PSO-BP神经网络模型。具体的PSO优化BP神经网络的流程如图3所示，共分为四个步骤S31、S32、S33、S34。
S31：对BP神经网络的神经元连接权值和阈值作粒子化处理，得到原始的粒子群，然后对粒子在可行范围内的初始位置和速度进行初始化，其初始化公式如式(4)、(5)所示：
式中，n为种群粒子数，k为粒子群中随机选取的第k个粒子，Xmax为粒子位置的上界，Xmin为粒子位置的下界；Vmax为粒子运动的最高速度，Vmin为粒子运动的最低速度。
S32：由网络训练数据预测误差绝对值和作为每个粒子的适应度值，计算出每个粒子的适应度值，选取适应度值最好的个体作为群体历史最优值，粒子的适应度值F由式(6)计算得到：
其中，n为输出节点个数，yi为BP神经网络第i个节点的期望输出，oi为BP神经网络第i个节点的预测输出，k为系数。根据每个粒子的适应度值，可得到粒子的历史最优值。
S33：根据粒子的历史最优值对粒子进行更新迭代，按照式(7)、(8)不断地更新粒子的位置和速度。
其中，i为粒子的序号，d为粒子维度序号，k为迭代次数，ω为惯性权重，c1为个体学习因子，c2为群体学习因子，r1，r2为区间[0,1]之间的随机数，增强搜索的的随机性，为粒子i在第k次迭代中第d维的速度向量，/>为粒子i在第k次迭代中第d维的位置向量，为粒子i在第k次迭代第d维的历史最优位置，即在第k此迭代后，第i个粒子搜索得到的最优解，/>群体在第k次迭代中第d维的历史最优位置，即在第k次迭代后，整个粒子群体中的最优解。
粒子的速度和位置更新后，重新计算粒子的适应度值，更新个体极值和群体极值，直至迭代次数达到预设的最大迭代次数后，停止粒子的位置和速度的更新。
S34：用粒子群算法进行全局优化后，获得优化后的BP神经网络的初始连接权值和阈值，把优化后的连接权值和阈值赋予BP神经网络，获得优化后的PSO-BP神经网络模型。
S4：对PSO-BP神经网络模型进行训练和测试，得到训练好PSO-BP神经网络模型。
对收集到的样本数据按7：3的比例分为训练集和测试集，其中训练集对PSO-BP神经网络进行训练，测试集对训练好的网络进行性能测试，最终获得训练好的PSO-BP神经网络模型。
S5：将训练好的消融损伤深度指数预测PSO-BP神经网络移植到所设计的射频消融仪中。
将实时预测消融损伤深度指数的PSO-BP神经网络移植到所设计的射频消融仪中。射频消融仪的具体结构如图4所示：其中通过模块M1采集消融仪的实际输出电压、电流以及压力导管电极检测的CF值的模拟信号，并通过高速ADC把模拟数据转换成数字信号。M2模块根据采集到的电压、电流值计算消融仪实际输出功率。M4消融功率控制模块根据实际输出功率以及设置功率的比较结果调整输出控制模块M8，使射频消融仪的实际输出功率逼近设置值。模块M6根据系统采集到的CF、实际输出功率和消融时间计算出消融损伤深度指数，并通过M7人机交互模块显示消融损伤深度。
Claims (4)
1.一种可实时预测心律失常射频消融损伤深度的方法，其特征在于，采用粒子群优化反向传播(PSO-BP)神经网络作为预测模型，具体步骤如下：
步骤一：确定PSO-BP神经网络模型的输入、输出变量，其中，输入变量为射频消融时间、电极-组织接触压力(CF)以及消融功率，输出变量为射频消融损伤深度指数；
步骤二：建立预测消融损伤深度指数的BP网络模型具体结构；首先根据输入变量和输出变量数量确定BP网络模型的输入层节点个数和输出层节点个数；进一步，根据输入层和输出层的复杂程度确定隐含层层数以及确定隐含层的节点个数；
步骤三：根据建立的BP神经网络模型结构，对其中神经元的连接权值和阈值进行粒子化，获得相对应的粒子种群，并对该种群做初始化处理；把网络训练数据预测误差绝对值和作为每个粒子的适应度值，计算出每个粒子的适应度值，粒子的适应度值越小，该粒子越优，选取粒子中适应度值最佳的个体作为粒子群群体最优解；
根据粒子群中的每个粒子的历史最优解，对每个粒子自身的速度和位置进行迭代更新；设定粒子群的最大迭代次数，当迭代次数达到预设的最大迭代次数，停止粒子的迭代更新，否则重复进行迭代；经过粒子群位置的迭代更新后，得到粒子个体适应度最优的个体，该粒子的位置信息赋予BP神经网络的连接权值和阈值，作为BP神经网络的最佳的初始连接权值和阈值；
步骤四：将数据集按一定比例随机分为训练集和测试集；对经过粒子群算法优化后的BP神经网络模型进行训练和测试；设定PSO-BP神经网络的训练参数，用训练集对网络进行训练，用测试集对训练好的网络进行拟合优度和预测准确度进行测试；通过不断地调整神经网络的训练参数，使网络的拟合优度和预测准确度达到较高水平，最终获得预测效果好的PSO-BP神经网络模型；
步骤五：把训练好的PSO-BP神经网络模型用于实验采集的心律失常射频消融损伤深度的预测；将导管消融手术中的消融时间、电极-组织接触压力(CF)以及消融功率作为输入变量输入到训练好的PSO-BP神经网络模型中，经过PSO-BP神经网络模型实时计算消融损伤深度指数。
2.根据权利要求1所述的可实时预测心律失常射频消融损伤深度的方法，其特征在于，步骤二所述建立预测消融损伤深度指数的BP网络模型具体结构，具体流程为：
根据网络的输入变量和输出变量，BP网络模型拓扑结构包括输入层P1、隐含层P2以及输出层P3；其中，P1结构确定原则：根据输入变量个数，确定P1节点数为3个；P3结构确定原则：根据输出变量个数，确定P3节点数为1个；P2结构确定原则：根据输入变量和输出变量的复杂程度确定BP神经网络的隐含层的层数为1层，按公式(1)确定隐含层节点个数；
式中，k为隐含层的节点个数，m为输入层的节点个数，n为输出层节点个数，l为一个取值范围在1-10之间的整数；
根据隐含层和输出层的传递函数，分别求得隐含层和输出层的输入和输出关系，如式(2)、(3)所示：
式中：xm为神经网络的输入变量，wmk为输入层到隐含层的连接权值，θk为隐含层神经元的阈值，hk为隐含层神经元的输出；wk为隐含层到输出层的连接权值，ε为输出层的阈值，y为神经网络的输出。
3.根据权利要求2所述的可实时预测心律失常射频消融损伤深度的方法，其特征在于，步骤三的具体流程为：
(1)对BP神经网络的神经元连接权值和阈值作粒子化处理，得到原始的粒子群，然后对粒子在可行范围内的初始位置和速度进行初始化，其初始化公式如式(4)、(5)所示：
式中，n为种群粒子数，k为粒子群中随机选取的第k个粒子，Xmax为粒子位置的上界，Xmin为粒子位置的下界；Vmax为粒子运动的最高速度，Vmin为粒子运动的最低速度；
(2)由网络训练数据预测误差绝对值和作为每个粒子的适应度值，计算出每个粒子的适应度值，选取适应度值最好的个体作为群体历史最优值，粒子的适应度值F由式(6)计算得到：
其中，n为输出节点个数，yi为BP神经网络第i个节点的期望输出，oi为BP神经网络第i个节点的预测输出，k为系数；根据每个粒子的适应度值，得到粒子的历史最优值；
(3)根据粒子的历史最优值对粒子进行更新迭代，按照式(7)、(8)不断地更新粒子的位置和速度：
其中，i为粒子的序号，d为粒子维度序号，k为迭代次数，ω为惯性权重，c1为个体学习因子，c2为群体学习因子，r1，r2为区间[0,1]之间的随机数，增强搜索的的随机性，为粒子i在第k次迭代中第d维的速度向量，/>为粒子i在第k次迭代中第d维的位置向量，/>为粒子i在第k次迭代第d维的历史最优位置，即在第k此迭代后，第i个粒子搜索得到的最优解，/>群体在第k次迭代中第d维的历史最优位置，即在第k次迭代后，整个粒子群体中的最优解；
粒子的速度和位置更新后，重新计算粒子的适应度值，更新个体极值和群体极值，直至迭代次数达到预设的最大迭代次数后，停止粒子的位置和速度的更新；
(4)用粒子群算法进行全局优化后，获得优化后的BP神经网络的初始连接权值和阈值，把优化后的连接权值和阈值赋予BP神经网络，获得优化后的PSO-BP神经网络模型。
4.基于权利要求1-3任一所述的方法设计的可实时预测心律失常射频消融损伤深度的射频消融仪，其特征在于，该射频消融仪中移植了可实时预测心律失常射频消融损伤深度的PSO-BP神经网络模型；该射频消融仪与可测量CF的消融导管电极组成可实时预测心律失常射频消融损伤深度的射频消融系统；其中，射频消融仪的输出功率可调，且可实时检测输出射频电流、电压，进而计算实际输出功率；压力导管电极与参考极板一起将射频能量施加至消融靶点，并反馈检测到的CF；可实时预测心律失常射频消融损伤深度的射频消融仪在射频消融的实施过程中，根据实时反馈的消融电流、电压、CF以及消融时间，计算得到当前的消融损伤深度指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111557609.5A CN114271927B (zh) | 2021-12-19 | 2021-12-19 | 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111557609.5A CN114271927B (zh) | 2021-12-19 | 2021-12-19 | 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114271927A CN114271927A (zh) | 2022-04-05 |
| CN114271927B true CN114271927B (zh) | 2023-10-17 |
Family
ID=80873010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111557609.5A Active CN114271927B (zh) | 2021-12-19 | 2021-12-19 | 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114271927B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110063786A (zh) * | 2019-04-25 | 2019-07-30 | 复旦大学 | 基于幅值可控的多路射频消融系统 |
| CN111772772A (zh) * | 2020-06-12 | 2020-10-16 | 成都市第三人民医院 | 射频消融控制系统 |
| CN112287592A (zh) * | 2020-10-27 | 2021-01-29 | 北京理工大学 | 一种基于深度置信网络的工业设备故障诊断方法及系统 |
| CN112617999A (zh) * | 2019-09-22 | 2021-04-09 | 伯恩森斯韦伯斯特(以色列)有限责任公司 | 使用机器学习(ml)来引导心脏消融 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104360035B (zh) * | 2014-11-02 | 2016-03-30 | 北京工业大学 | 一种基于自组织粒子群-径向基神经网络的污水总磷tp软测量方法 |
-
2021
- 2021-12-19 CN CN202111557609.5A patent/CN114271927B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110063786A (zh) * | 2019-04-25 | 2019-07-30 | 复旦大学 | 基于幅值可控的多路射频消融系统 |
| CN112617999A (zh) * | 2019-09-22 | 2021-04-09 | 伯恩森斯韦伯斯特(以色列)有限责任公司 | 使用机器学习(ml)来引导心脏消融 |
| CN111772772A (zh) * | 2020-06-12 | 2020-10-16 | 成都市第三人民医院 | 射频消融控制系统 |
| CN112287592A (zh) * | 2020-10-27 | 2021-01-29 | 北京理工大学 | 一种基于深度置信网络的工业设备故障诊断方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 经国产肾动脉灌注导管和电生理消融导管射频消融去小型猪肾交感神经的对比研究;熊楠青;李剑;朱福音;郭俊敏;倪唤春;沈伟;李勇;施海明;孙勇毅;罗心平;;中华高血压杂志(第05期);全文 * |
| 超声物理因素对心室肌消融效果的影响;董军, 罗开良, 黄晶, 邓建川, 李伦旭, 殷跃辉;重庆医科大学学报(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114271927A (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A fault diagnosis intelligent algorithm based on improved BP neural network | |
| CN113361777B (zh) | 基于vmd分解和ihho优化lstm的径流预测方法及系统 | |
| Mustapha et al. | Comparative study of optimization techniques in deep learning: Application in the ophthalmology field | |
| CN114969995B (zh) | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 | |
| CN110659722A (zh) | 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法 | |
| CN105427241B (zh) | 一种大视场显示设备的畸变校正方法 | |
| CN109212347B (zh) | 一种基于isos-dbn模型的光伏并网逆变故障特征提取诊断方法 | |
| CN108805268A (zh) | 基于进化算法的深度强化学习策略网络训练方法 | |
| CN110543727B (zh) | 一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法 | |
| CN113138555A (zh) | 一种基于遗传算法优化的grnn电主轴热误差建模方法 | |
| CN113988203A (zh) | 一种基于深度学习的轨迹序列聚类方法 | |
| CN116172688A (zh) | 基于支撑向量回归的射频消融损伤深度预测模型和系统 | |
| CN112348223A (zh) | 一种基于深度学习的导弹飞行轨迹预测方法 | |
| CN116259109A (zh) | 基于生成式自监督学习和对比学习的人体行为识别方法 | |
| CN114271927B (zh) | 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 | |
| CN114912828A (zh) | 一种基于数控机床工艺参数的优化方法 | |
| CN116859903A (zh) | 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法 | |
| Guney et al. | Resonant frequency calculation for circular microstrip antennas with a dielectric cover using adaptive network-based fuzzy inference system optimized by various algorithms | |
| Liu et al. | Two subpopulations cuckoo search algorithm based on mean evaluation method for function optimization problems | |
| CN111985270B (zh) | 一种基于梯度提升树的sEMG信号最优通道选择方法 | |
| CN110766072A (zh) | 一种基于结构相似性的计算图进化ai模型自动生成方法 | |
| Bai et al. | Fedewa: Federated learning with elastic weighted averaging | |
| Shen et al. | An improved ant lion optimization algorithm and its application | |
| CN115100233A (zh) | 基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法 | |
| CN112380655B (zh) | 一种基于rs-cmsa算法的机器人逆运动学求解方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221215 Address after: 200433 No. 220, Handan Road, Shanghai, Yangpu District Applicant after: FUDAN University Applicant after: Yiwu Research Institute of Fudan University Address before: 200433 No. 220, Handan Road, Shanghai, Yangpu District Applicant before: FUDAN University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |