使用物理信息的神经网络从机械变形中重建激发波
Nathan Dermul1,2, Hans Dierckx3,4
1Department of Mathematics, KU Leuven, 8500, Kortrijk, Belgium. nathan.dermul@kuleuven.be.
Scientific reports
|July 23, 2024
概括
基于物理学的神经网络从机械数据准确地重建心脏电活动,为心律失常提供更安全,非侵入性的诊断工具.
科学领域:
- 计算生物学 计算生物学
- 生物物理学的生物物理.
- 医疗成像医学成像
背景情况:
- 对心脏电动激活模式的非侵入性评估对于诊断和治疗心律失常至关重要.
- 心声谱测量机械收缩,提供一种间接的途径来推断电气模式.
研究的目的:
- 开发和验证一种使用物理信息的神经网络 (PINNs) 来从机械数据中重建心脏电激活模式的新方法.
- 评估PINNs在解决生物机械数据的反向问题的准确性和稳定性.
主要方法:
- 在弹性介质中创建模拟激发波的合成2D数据集.
- 应用PINNs来解决反向问题,从模拟的机械数据中重建波浪模式.
- 测试该方法对噪声,空间分辨率降低和预测数据的弹性.
主要成果:
- 从合成数据中,PINNs准确地重建了焦点和螺旋激发波浪模式.
- 该方法在各种数据质量下降的情况下显示出稳定性.
- 在低质量的数据场景中,通过波速规范实现了改进的重建.
结论:
- 基于物理学的神经网络显示出解决稀疏和杂的生物机械反向问题的巨大潜力.
- 这种方法可以通过从机械数据推断电活动来进行心律失常的非侵入性评估.
更多相关视频
08:32External Excitation of Neurons Using Electric and Magnetic Fields in One- and Two-dimensional Cultures
Published on: May 7, 2017
13.3K
10:45Anatomically Inspired Three-dimensional Micro-tissue Engineered Neural Networks for Nervous System Reconstruction, Modulation, and Modeling
Published on: May 31, 2017
13.1K
