CN115530841A - 一种无创心肌跨膜电位重建及异常点定位方法 - Google Patents

一种无创心肌跨膜电位重建及异常点定位方法 Download PDF

Info

Publication number
CN115530841A
CN115530841A CN202211374137.4A CN202211374137A CN115530841A CN 115530841 A CN115530841 A CN 115530841A CN 202211374137 A CN202211374137 A CN 202211374137A CN 115530841 A CN115530841 A CN 115530841A
Authority
CN
China
Prior art keywords
space
myocardial
transmembrane potential
module
time
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
Application number
CN202211374137.4A
Other languages
English (en)
Inventor
刘华锋
程麟胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202211374137.4A priority Critical patent/CN115530841A/zh
Publication of CN115530841A publication Critical patent/CN115530841A/zh
Pending legal-status Critical Current

Links

Images

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
    • A61B5/24—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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明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。本发明中的时空注意力机制将self‑attetion的思想引入空间注意力模块和时间通道注意力模块并分别对特征图进行空间和时间维度上的全局特征编码，然后将时间全局特征和空间全局特征融合，达成同时对空间和时间上的全局依赖。

Description

一种无创心肌跨膜电位重建及异常点定位方法
技术领域
本发明属于心脏电生理成像技术领域，具体涉及一种无创心肌跨膜电位重建及异常点定位方法。
背景技术
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。
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。
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 forTikhonov regularization in Banach spaces with non-smooth operators[J].Inverseproblems,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 theequivalence of soft wavelet shrinkage,total variation diffusion,totalvariation 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。
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 viaa graph convolutional generative model:Application in cardiac modelpersonalization[C].International conference on medical image computing andcomputer-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。
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,WuW,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。
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。
发明内容
鉴于上述，本发明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。
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(CLDA-Net)，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。
进一步地，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。
进一步地，所述ConvLSTM模块的具体运算过程如下：
Figure BDA0003925101870000041
Figure BDA0003925101870000042
gt＝tanh(Wxc*xt+Whc*ht-1+bc)
Figure BDA0003925101870000043
Figure BDA0003925101870000044
Figure BDA0003925101870000045
其中：xt为第t次迭代ConvLSTM模块的输入数据，ht和ht-1分别为第t次迭代和第t-1次迭代ConvLSTM模块的输出结果，*表示卷积操作，
Figure BDA0003925101870000046
表示点积运算符，σ()表示sigmoid激活函数，ft、it、gt、ot均为第t次迭代ConvLSTM模块运算得到的中间结果，Wxf、Whf、Wcf、Wxi、Whi、Wci、Wxc、Whc、Wxo、Who、Wco均为待学习的权值矩阵，bf、bi、bc、bo均为待学习的偏置向量，t为大于0自然数。
进一步地，所述时空注意力模块包括空间注意力模块和时间通道注意力模块，所述空间注意力模块基于self-attention思想，将输入数据分别通过三个1×1的卷积得到3个不同的特征向量A1、A2和A3，将A1的转置与A2相乘并经过softmax函数处理后得到注意力图X，进而将A3与X相乘后与输入数据相加得到具有空间全局依赖关系的特征图E；所述时间通道注意力模块与空间注意力模块的处理流程相同，只是在计算注意力图X时保留了时间通道维度，最后得到具有时间全局依赖关系的特征图F；最后将特征图E和F融合后即得到时空全局依赖特征图。
进一步地，所述步骤(4)中对网络模型进行训练的过程如下：
4.1初始化模型参数，包括每一层的偏置向量和权值矩阵、学习率以及优化器；
4.2将训练集样本中的体表心电数据输入至模型，模型正向传播输出得到对应的预测结果，计算该预测结果与标签之间的损失函数L；
4.3根据损失函数L利用优化器通过梯度下降法对模型参数不断迭代更新，直至损失函数L收敛，训练完成。
进一步地，当所述网络模型应用于重建心肌跨膜电位功能时，所述损失函数L的表达式如下：
Figure BDA0003925101870000051
其中：u为标签即临床测量得到的心肌跨膜电位，uk为模型最终输出关于心肌跨膜电位的预测结果，u1为去噪模块的输出结果，λ为权重系数，|| ||2表示L2范数。
进一步地，当所述网络模型应用于病灶点位置预测功能时，所述损失函数L的表达式如下：
Figure BDA0003925101870000052
其中：S(x,y,z)为标签即临床测量得到的病灶点三维坐标，
Figure BDA0003925101870000053
为模型最终输出关于病灶点位置的预测结果，|| ||2表示L2范数。
本发明无创心肌跨膜电位重建及异常点定位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。
本发明模型去噪模块中保留了初始化模块，在数据输入网络前先通过线性变换实现域到域的转换，获取到更加干净的输入，并且明显提高重建效果；此外，本发明使用ConvLSTM网络结构来代替传统的CNN+LSTM的结构，不同之处在于输入到状态和状态到状态的过程中加入卷积层，降低了结构冗余程度的同时，还可以依靠经典LSTM的结构设计提取时序关系，并且可以添加额外的卷积层提取空间特征，获得更加优良的效果；本发明中的时空注意力机制将self-attetion的思想引入空间注意力模块和时间通道注意力模块并分别对特征图进行空间和时间维度上的全局特征编码，然后将时间全局特征和空间全局特征融合，达成同时对空间和时间上的全局依赖。
附图说明
图1为本发明网络模型CLDA-Net的整体结构示意图。
图2为本发明模型中去噪模块的结构示意图。
图3为时空注意力机制的结构示意图。
图4为空间注意力模块的结构示意图。
图5为时间通道注意力模块的结构示意图。
图6为消融实验各模型的重建值和真值之间的相对误差折线图。
图7为消融实验各模型的重建值和真值之间的结构相似性折线图。
图8为本发明与现有ReconNet、DR2-Net和CLDA-Net深度学习对于异位起搏点位置和梗死疤痕的空间三维重建图。
图9为本发明与现有Tikhonov、TV方法对于心脏不同节点的心肌跨膜点位波形重建图。
具体实施方式
为了更为明确地描述本发明，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。
本发明无创心肌跨膜点位重建及异常点定位方法的具体实施步骤如下：
(1)获得病人的体表心电数据，导联数设置为64导联。
(2)根据上述获得的体表心电数据，通过初始化模块转为心肌跨膜电位的初始解，初始化模块将体表心电数据域转换到心肌跨膜电位域。
(3)基于步骤(2)中得到的心肌跨膜电位数据通过去噪模块进行去噪，并将获得到的更加干净的数据作为输入数据。
本发明去噪模块基于压缩感知领域中的ReconNet和DR2-Net修改后所得；如图2所示，整个去噪模块包含了4个残差学习块，在每个残差学习块中，第一个卷积层的卷积核大小为7*7，输出的通道数为64；第二个卷积层的卷积核大小为1*1，输出的通道数为32；第三个卷积层的卷积核大小为5*5，输出通道数跟每个残差块最开始的输入一样，然后跟残差块的输入叠加得到该残差块的输出；每个残差块中每层卷积后都经过ReLU函数激活。
(4)构建基于ConvLSTM和时空注意力机制的神经网络，其包括ConvLSTM模块和时空注意力机制模块，其中通过ConvLSTM模块取代常规的CNN+LSTM结构，且时空注意力机制包含空间注意力机制模块以及时间通道注意力机制模块。
(5)基于步骤(3)中得到的输入数据通过ConvLSTM模块进行空间局部和时间维度上的特征编码，其中ConvLSTM运算过程为：
Figure BDA0003925101870000071
Figure BDA0003925101870000072
gt＝tanh(Wxc*xt+Whc*ht-1+bc)
Figure BDA0003925101870000073
Figure BDA0003925101870000074
Figure BDA0003925101870000075
其中：*表示卷积操作，W表示需要学习的权值矩阵，σ()表示sigmoid激活函数，tanh()表示tanh激活函数，
Figure BDA0003925101870000081
表示矩阵的点积(元素与元素相乘)，b表示需要学习的偏置向量。
(6)基于步骤(5)中得到的特征编码通过时空注意力模块得到融合后的时空全局依赖特征图，如图3所示，其中时空注意力机制包含空间注意力模块以及时间通道注意力模块。
空间注意力模块基于self-attention思想，如图4所示，输入特征图A(C*H*W)分别通过三个1*1的卷积得到3个不同的特征向量A1、A2和A3，然后将其转换成大小为C*HW；A1的转置与A2相乘并经过softmax函数处理得到空间注意力图X，大小为HW*HW；将A3与X相乘并转换回到大小为C*H*W，加上自身A，最后便得到了具有空间全局依赖关系的特征图E。
时间通道注意力模块基于与空间注意力模块相同的思想可以得到，如图5所示，不同之处在于求注意力图时保留了时间通道维度，所以在时间通道注意力模块中的注意力图Y的大小为C*C，其它的运算如图中箭头所示，最后得到时间全局依赖的特征图F。
(7)基于步骤(6)中得到的特征图，通过卷积块输出最终重建的心肌跨膜电位或者通过多层感知器输出病灶点坐标值(X,Y,Z)。
重建心肌跨膜电位功能中，采用MSE函数来计算重建的心肌跨膜电位以及真实值之间的损失，并且添加了去噪模块的输出损失，总损失函数为：
Figure BDA0003925101870000082
其中：u表示心肌跨膜电位真值，uk表示网络最后输出的重建值，u1表示去噪模块的输出，λ表示权重系数，本实例中设为0.01。
输出病灶点的三维坐标值采用输出的坐标值与真实坐标值的L2范数来描述其损失，表示为：
Figure BDA0003925101870000083
其中：S(x,y,z)表示病灶点真实坐标值，
Figure BDA0003925101870000084
表示网络输出的坐标值。
结合上述提到的初始化及去噪模块、ConvLSTM网络结构、时空注意力机制以及重建使用的卷积块及多层感知器等部分，本发明无创心肌跨膜电位重建及异常点定位方法的模型结构如图1所示，图中初始化模块负责将输入φ通过线性转换为u0，去噪模块对心肌跨膜电位初始数据u0进行去噪，ConvLSTM模块采用两层ConvLSTM，每层单元结构中的input-to-state和state-to-state的卷积核大小都设为5*5，两层的hidden states数分别为128和64；时空注意力机制模块的结构如图3所示，其中编码特征向量的卷积核大小为1*1，输出的特征图E和F通过元素相加的方式进行融合得到最后特征图，然后将融合的特征图通过3*3的卷积层输出重建的心肌跨膜点位或者通过多层感知器回归输出坐标值(X,Y,Z)。
在具体实施过程中，本发明整个算法模型CLDA-Net在Ubuntu系统中测试，其中CPU为Intel(R)Core(TM)i9-7900x CPU@3.30GHz 3.31GHz,主机内存为32GB RAM，显卡型号为NVIDIA TITAN RTX，主要编程环境为Tensorflow1.14和python 3.7。
本发明的深度学习训练和测试都是基于pytorch和python环境，显卡采用的是单张NVIDIA TITAN RTX，显存为24G。CLDA-Net中的一些基本设置分别为：批量处理大小为32，学习率大小为0.001，训练次数为500，优化算法采用了Adam优化器。
为了验证本发明对心肌跨膜电位的重建效果和心脏病灶点定位精度，我们将上述方法应用于仿真数据中心肌跨膜电位的重建、心脏梗死中心定位和异位起搏点定位。同时为了验证本发明模型中初始化模块、去噪模块、ConvLSTM模块以及双重注意力模块各个模块的有效性，需要进行相关的消融研究，消融实验结果如表1所示。
表1
Figure BDA0003925101870000091
Figure BDA0003925101870000101
在实验中我们使用了六个不同的模型，分别为：(a)将去噪网络的输出直接作为重建值；(b)去噪模块加上ConvLSTM模块，然后将ConvLSTM模块输出的特征图输入到输出层后输出TMP重建值；(c)去噪模块后直接跟上时空双重注意力模块,相当于完整网络省去ConvLSTM模块；(d)省去去噪模块，初始化后直接输入后面的ConvLSTM模块和时空双重注意力模块；(e)完整的CLDA-Net省去最开始的初始化模块，相当于去噪模块同时完成去噪任务和初始解的重建任务；(f)完整的CLDA-Net，包含了初始化模块、去噪模块、ConvLSTM模块以及双重注意力模块。我们采用了重建心肌跨膜电位值与真值之间的结构相似性和相对误差作为本次实验的评价指标，计算公式为：
Figure BDA0003925101870000102
其中：μ表示均值，σ2表示方差，σuku是uk和u的协方差，c是常数，避免分母为0。
Figure BDA0003925101870000103
其中：N表示心脏节点数。
如图6和图7所示，本发明提出的优化模块对结构相似性和相对误差两种评价指标都有不同程度的正面效果，尤其是ConvLSTM模块和双重注意力模块对重建过程中特征提取的作用非常明显。DA模块的加入使得相对误差减少了11.3％，而结构相似性提高了3.0％，因为该模块利用时间通道注意力模块和空间注意力模块同时提取时空非局部特征，能够很好地挖掘数据的隐藏信息；ConvLSTM模块同样效果明显，使得相对误差减少了7.3％，结构相似性提高了3.4％，因为该模块取代了CNN+LSTM的结构同时，捕捉空间局部特征和时间维度上的全局依赖关系；另外去噪模块在这个网络中占据很重要的作用，因为它保障了后面的网络有一个高质量的输入，这个模块的加入对相对误差和结构相似性的影响分别为-3.5％和+1.7％；受DR2-Net启发，加入线性转换的初始化模块也对相对误差和结构相似性两种指标上分别变化了-1.4％和+1.1％。
为了验证本发明CLDA-Net模型算法对心肌跨膜电位的重建效果，我们将本发明与传统方法Tikhonov和TV以及其它深度学习方法ReconNet和DR2-Net进行了定量对比实验，实验结果如表2所示，评价指标与消融实验保持一致，采用了结构相似性(SSIM)和相对误差(RE)，表中的结果是在测试集(数据量为15900组)上计算所得，包括均值和标准差。可以看出相较于传统方法，CLDA-Net大大提升了重建效果，对比其它深度学习方法的结果也有比较明显的优势，主要原因在于本发明方法相比DR2-Net和ReconNet，在进行特征提取时更加关注时间和空间维度上的全局依赖，更加符合心电数据的特殊性。
表2
Figure BDA0003925101870000111
为了定性分析CLDA-Net在空间维度上的重建效果，我们对异位起搏点位置和梗死疤痕进行空间三维重建，分别对比了ReconNet、DR2-Net和CLDA-Net三种不同的深度学习方法，结果如图8所示。可以看出不管是异位起搏点位置还是梗死疤痕重建，本发明都是与真值最接近的，体现了本发明在空间全局特征提取方面的能力是非常强大的。
为了定性分析CLDA-Net在时间维度上心肌跨膜电位波形重建效果，我们对比了本发明与Tikhonov、TV两种传统方法在对心脏上不同节点的心肌跨膜电位波形重建图，结果如图9所示。可见CLDA-Net的结果相较两种传统方法，抑制大量的噪声并且对波形的形状、起搏时间点、动作电位幅值、兴奋持续时长的重建都与真值非常接近，体现了本发明中去噪模块、ConvLSTM模块和双重注意力模块在重建过程中的作用非常明显。
为了验证CLDA-Net不仅在仿真数据中的异位起搏点(Ectopic pacemaker，EP)位置和梗死(Myocardial infarction，MI)疤痕中心位置的定位效果，完成了与RandomForest(RF)、LightGBM、SVM、Res-Conv1D和Seq2Seq等方法的对比实验，实验结果如表3所示(实验结果基于64-lead BSP作为输入)。可以看出不管是异位起搏点定位还是梗死核中心定位，CLDA-Net的结果都远远好于其它方法，达到了EP(5.62mm)和MI(5.83mm)，相对RF提升了30.4％(EP)和29.1％(MI)。另外发现异位起搏点的定位精度都一定程度上好于心肌梗死，其实从前面的重建实验中也可以发现，网络对起搏时间点的重建效果比动作电位幅值要好，因为仿真数据中一个心脏中大部分节点是正常的，缺血梗死的节点相对要远远少得多，因此小样本情况训练效果会略差。
表3
Figure BDA0003925101870000121
为了验证本发明在重建任务中需要输入的高导联体表心电数据是否冗余，使用本发明做了关于12导联和64导联两种输入的定位对比实验，结果如表4所示。可以看出不管是高导联还是标准12导联的输入情况，CLDA-Net的定位精度相比于其它方法都是最高的，而且当导联数大大减少至标准12导联，定位精度依然远远低于10mm，因此我们可以考虑在只需要知道病灶点位置坐标的情况下，可以使用较少导联数的标准12-lead ECG，尤其在临床情况下，标准12导联的采集成本和难度都远远小于高导联BSP。
表4
Figure BDA0003925101870000122
Figure BDA0003925101870000131
上述的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：
ft＝σ(Wxf*xt+Whf*ht-1+Wcf°ct-1+bf)
it＝σ(Wxi*xt+Whi*ht-1+Wci°ct-1+bi)
gt＝tanh(Wxc*xt+Whc*ht-1+bc)
ct＝ft°ct-1+it°gt
ot＝σ(Wxo*xt+Who*ht-1+Wco°ct+bo)
ht＝ot°tanh(ct)
其中：xt为第t次迭代ConvLSTM模块的输入数据，ht和ht-1分别为第t次迭代和第t-1次迭代ConvLSTM模块的输出结果，*表示卷积操作，°表示点积运算符，σ()表示sigmoid激活函数，ft、it、gt、ot均为第t次迭代ConvLSTM模块运算得到的中间结果，Wxf、Whf、Wcf、Wxi、Whi、Wci、Wxc、Whc、Wxo、Who、Wco均为待学习的权值矩阵，bf、bi、bc、bo均为待学习的偏置向量，t为大于0自然数。
4.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：所述时空注意力模块包括空间注意力模块和时间通道注意力模块，所述空间注意力模块基于self-attention思想，将输入数据分别通过三个1×1的卷积得到3个不同的特征向量A1、A2和A3，将A1的转置与A2相乘并经过softmax函数处理后得到注意力图X，进而将A3与X相乘后与输入数据相加得到具有空间全局依赖关系的特征图E；所述时间通道注意力模块与空间注意力模块的处理流程相同，只是在计算注意力图X时保留了时间通道维度，最后得到具有时间全局依赖关系的特征图F；最后将特征图E和F融合后即得到时空全局依赖特征图。
5.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：所述步骤(4)中对网络模型进行训练的过程如下：
4.1初始化模型参数，包括每一层的偏置向量和权值矩阵、学习率以及优化器；
4.2将训练集样本中的体表心电数据输入至模型，模型正向传播输出得到对应的预测结果，计算该预测结果与标签之间的损失函数L；
4.3根据损失函数L利用优化器通过梯度下降法对模型参数不断迭代更新，直至损失函数L收敛，训练完成。
6.根据权利要求5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：当所述网络模型应用于重建心肌跨膜电位功能时，所述损失函数L的表达式如下：
Figure FDA0003925101860000031
其中：u为标签即临床测量得到的心肌跨膜电位，uk为模型最终输出关于心肌跨膜电位的预测结果，u1为去噪模块的输出结果，λ为权重系数，|| ||2表示L2范数。
7.根据权利要求5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：当所述网络模型应用于病灶点位置预测功能时，所述损失函数L的表达式如下：
Figure FDA0003925101860000032
其中：S(x,y,z)为标签即临床测量得到的病灶点三维坐标，
Figure FDA0003925101860000033
为模型最终输出关于病灶点位置的预测结果，|| ||2表示L2范数。
8.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：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。
CN202211374137.4A 2022-11-03 2022-11-03 一种无创心肌跨膜电位重建及异常点定位方法 Pending CN115530841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211374137.4A CN115530841A (zh) 2022-11-03 2022-11-03 一种无创心肌跨膜电位重建及异常点定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211374137.4A CN115530841A (zh) 2022-11-03 2022-11-03 一种无创心肌跨膜电位重建及异常点定位方法

Publications (1)

Publication Number Publication Date
CN115530841A true CN115530841A (zh) 2022-12-30

Family

ID=84719862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211374137.4A Pending CN115530841A (zh) 2022-11-03 2022-11-03 一种无创心肌跨膜电位重建及异常点定位方法

Country Status (1)

Country Link
CN (1) CN115530841A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI837003B (zh) * 2023-05-29 2024-03-21 國立勤益科技大學 一種具有時間關聯性分析的st改變事件偵測方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI837003B (zh) * 2023-05-29 2024-03-21 國立勤益科技大學 一種具有時間關聯性分析的st改變事件偵測方法

Similar Documents

Publication Publication Date Title
US11089988B2 (en) Non-invasive method and system for estimating arterial flow characteristics
US10566091B2 (en) Methods and systems using mathematical analysis and machine learning to diagnose disease
US11471090B2 (en) Method and system to assess pulmonary hypertension using phase space tomography and machine learning
CN110555388A (zh) 基于cnn和lstm的心内异常激动点定位模型构建方法
CN111513709B (zh) 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
CN108324263B (zh) 一种基于低秩稀疏约束的无创心脏电生理反演方法
Zeng et al. Classification of myocardial infarction based on hybrid feature extraction and artificial intelligence tools by adopting tunable-Q wavelet transform (TQWT), variational mode decomposition (VMD) and neural networks
US20230263450A1 (en) A cardiac transmembrane potential reconstruction method based on graph convolutional neural network and iterative threshold contraction algorithm
CN110811596B (zh) 基于低秩与稀疏约束和非局部全变分的无创心脏电位重建方法
CN115530841A (zh) 一种无创心肌跨膜电位重建及异常点定位方法
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
Seo et al. Multiple electrocardiogram generator with single-lead electrocardiogram
Tenderini et al. PDE-aware deep learning for inverse problems in cardiac electrophysiology
CN114901145A (zh) 使用深度神经网络和基于规则的系统进行心电图诊断的系统和方法
Allam et al. A deformable CNN architecture for predicting clinical acceptability of ECG signal
CN113180684B (zh) 一种ⅱ导联心电信号分类方法
Karoui et al. Cardiac activation maps reconstruction: a comparative study between data-driven and physics-based methods
Bujnarowski et al. Ct-scan free neural network-based reconstruction of heart surface potentials from ecg recordings
Nallikuzhy et al. Spatially enhanced ECG using patient-specific dictionary learning
Zemzemi et al. From body surface potential to activation maps on the atria: A machine learning technique
Li et al. Towards enabling cardiac digital twins of myocardial infarction using deep computational models for inverse inference
Wang et al. Rec-AUNet: Attentive unet for reconstruction of ECG from BCG
Cardoso et al. Bayesian ecg reconstruction using denoising diffusion generative models
Nallikuzhy et al. Spatial enhancement of ECG using multiple joint dictionary learning
Bergquist et al. Body Surface Potential Mapping: Contemporary Applications and Future Perspectives. Hearts 2021, 2, 514–542

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