多源数据和知识融合通过深度学习为动态系统:应用到时空心脏建模的应用
1Department of Industrial & Systems Engineering The University of Tennessee, Knoxville, TN, 37996 USA.
IISE transactions on healthcare systems engineering
|April 18, 2025
概括
这项研究引入了一个深度学习框架,用于融合多源传感数据和物理知识,以建模复杂的时空动态系统,如心脏电动力学.
科学领域:
- 计算科学是一种计算科学.
- 生物医学工程 生物医学工程
- 数据科学是数据科学.
背景情况:
- 先进的传感和成像技术为时空动态系统产生了大量数据.
- 部分微分方程 (PDEs) 建模了这些系统的基础物理.
- 整合物理知识与多源数据对于准确的预测建模至关重要.
研究的目的:
- 提出一个深度学习框架,用于动态系统中的多源数据和知识融合.
- 将这个框架应用于时空心脏建模.
- 通过结合几何信息来提高预测模型的稳定性和准确性.
主要方法:
- 开发了一个深度学习框架,用于融合多源传感数据和基于物理的知识.
- 在不同的数据域之间,嵌入基于物理的信息流.
- 利用拉普拉斯的图形来整合3D系统的几何信息,以便进行强大的建模.
主要成果:
- 拟议的框架有效地融合了多个来源的数据和物理知识.
- 与传统方法相比,在模拟心脏电动力学方面表现出卓越的性能.
- 通过结合几何信息,实现了强大的时空预测建模.
结论:
- 新的框架使动态系统的多样化数据和先前知识能够有效地融合.
- 这种方法显著提高了预测建模的准确性,特别是对于像心脏这样的复杂系统.
- 这种方法为推进各种科学领域的时空建模提供了一个强大的工具.
